K-M-O i test sferyczności Bartletta

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza K-M-O i test sferyczności Bartletta?

KMO i test Bartletta odpowiadają na dwa uzupełniające pytania o adekwatność korelacji do analizy czynnikowej.

Zastosowanie, warunki i dobre praktyki

KMO ocenia, czy korelacje cząstkowe są małe względem korelacji prostych, natomiast test Bartletta sprawdza, czy macierz korelacji różni się od jednostkowej. Oba wyniki pomagają ocenić sens dalszej analizy wymiarowości, ale nie wybierają liczby czynników ani metody ekstrakcji. W dużej próbie Bartlett bywa istotny nawet dla słabych korelacji, więc potrzebny jest ogląd macierzy i stabilności.

Najważniejsze zastosowanie: Stosuj łącznie KMO i test Bartletta jako wstępną ocenę macierzy korelacji przed analizą czynnikową.

Jak to się oblicza i co oznaczają symbole?

KMO = Σrᵢⱼ² / [Σrᵢⱼ² + Σpᵢⱼ²]

rᵢⱼ są korelacjami prostymi, a pᵢⱼ cząstkowymi. Wysoki KMO oznacza, że korelacje cząstkowe są małe względem prostych, co sprzyja wyodrębnieniu wspólnych czynników.

Jak poprawnie stosować i interpretować hasło „K-M-O i test sferyczności Bartletta”?

Dla interpretacji hasła „K-M-O i test sferyczności Bartletta” KMO i test sferyczności Bartletta odpowiadają na dwa różne pytania przed analizą wymiarowości. W odniesieniu do hasła „K-M-O i test sferyczności Bartletta” KMO opisuje, czy korelacje cząstkowe są na tyle małe, by wspólna struktura mogła być użyteczna, natomiast test Bartletta sprawdza zgodność macierzy korelacji z macierzą jednostkową. Przy ocenie hasła „K-M-O i test sferyczności Bartletta” żaden z tych wyników nie wyznacza liczby czynników i nie zastępuje oceny treści pozycji.

Przy ocenie hasła „K-M-O i test sferyczności Bartletta” KMO należy oglądać zarówno dla całej macierzy, jak i dla poszczególnych zmiennych, ponieważ niski wynik jednej pozycji może być ukryty w wartości ogólnej. W analizie dotyczącej hasła „K-M-O i test sferyczności Bartletta” test Bartletta jest silnie zależny od liczebności: w dużej próbie wykrywa także niewielkie korelacje. Dla interpretacji hasła „K-M-O i test sferyczności Bartletta” trzeba dodatkowo skontrolować macierz wejściową, rozkłady, adekwatność korelacji dla skali pozycji i stabilność rozwiązania czynnikowego.

Co trzeba opisać w raporcie?

Dla interpretacji hasła „K-M-O i test sferyczności Bartletta” w raporcie należy podać ogólną wartość KMO, ewentualnie zakres MSA dla pozycji, statystykę χ² Bartletta, stopnie swobody, wartość p, liczebność i rodzaj analizowanej macierzy korelacji. W odniesieniu do hasła „K-M-O i test sferyczności Bartletta” decyzję o liczbie wymiarów trzeba opisać osobno, wskazując na przykład analizę równoległą i uzasadnienie teoretyczne.

Zakres raportowania dla hasła „K-M-O i test sferyczności Bartletta”: KMO = …; χ² Bartletta(df) = …, p = …; dodaj sposób wyboru liczby czynników.

Przykład praktyczny i gotowa interpretacja

Sytuacja: KMO = .82 wskazywało małe korelacje cząstkowe względem prostych, a χ² Bartletta był istotny; dopiero analiza równoległa pomogła wybrać liczbę czynników.

Jak ją zinterpretować: KMO wskazuje, czy układ korelacji cząstkowych sprzyja wspólnym wymiarom, a Bartlett odrzuca macierz jednostkową. Razem uzasadniają dalszą analizę, lecz nie określają liczby czynników ani jakości rozwiązania.

Najczęstsza pułapka i granica interpretacji

Dobre KMO i istotny Bartlett nie określają liczby czynników ani jakości ich interpretacji.

Przy ocenie hasła „K-M-O i test sferyczności Bartletta” akceptowalne KMO i istotny test Bartletta mówią jedynie, że macierz może zawierać strukturę wartą dalszej analizy. W analizie dotyczącej hasła „K-M-O i test sferyczności Bartletta” nie dowodzą jednowymiarowości, trafności skali ani poprawności konkretnego rozwiązania EFA lub PCA.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Fabrigar et al., 1999).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205. https://doi.org/10.1177/1094428104263675
McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144
Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{fabrigar1999efa, author={Fabrigar, Leandre R. and Wegener, Duane T. and MacCallum, Robert C. and Strahan, Erin J.}, title={Evaluating the use of exploratory factor analysis in psychological research}, journal={Psychological Methods}, year={1999}, volume={4}, number={3}, pages={272--299}, doi={10.1037/1082-989X.4.3.272}}

@article{hayton2004parallel, author={Hayton, James C. and Allen, David G. and Scarpello, Vida}, title={Factor retention decisions in exploratory factor analysis: a tutorial on parallel analysis}, journal={Organizational Research Methods}, year={2004}, volume={7}, number={2}, pages={191--205}, doi={10.1177/1094428104263675}}

@article{mcneish2018alpha, author={McNeish, Daniel}, title={Thanks coefficient alpha, we’ll take it from here}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{dunn2014omega, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}

@article{jolliffe2016pca, author={Jolliffe, Ian T. and Cadima, Jorge}, title={Principal Component Analysis: A Review and Recent Developments}, journal={Philosophical Transactions of the Royal Society A}, year={2016}, volume={374}, number={2065}, pages={20150202}, doi={10.1098/rsta.2015.0202}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}