最后一个表，kmo0.602，kmo为00.7才适合我接受因子分析。
第二个表，叫共同度，是说被其他提取的信息量，比如第二个数0.69，那说明主成分提纯了c2的69%的信息。
第三个表，最重要的是的，提纯了一个主成分，即一个因子。第一个数是48.9%，也只能证明不更适合做因子分析，因子分析好象特别要求累计时间提纯信息量在85%以上。
第四个表，是载荷矩阵。这个可以用它求特征向量。假如前k个主成分的贡献率提升85%，表明前k个主成分基本是包涵了全部测量指标所具有的信息，这样的既会减少了变量的个数，又以便于对换算问题的分析和研究。第四个表怎么能详细点下，这是因子载荷矩阵，总是显示的是各因子在各变量上的载荷，即是各因子对各变量的影响度。
诸如，第1个数是0.867，是因为：zc10.867f1ε，会容易看得出，0.867就是另一个主成分对标准化的变量zc1的影响度。
kmo的取值在0—1之间。去考察的是变量之间的偏相关性。取值越距离1，那说明变量之间的相关性越高。qpe0.9，只能说明效果极佳；0.8,效果很好；0.7,效果尚可，0.6则像是，0.5再看看就不个人建议做因子分析了。
bartlett检验分析的是变量是否需要相互独立。当卡方检验的概率（sig）大于10.05时，是因为变量之间又不是相当于的，变量之间存在不显著去相关。此时可以不做因子分析了。加入kmo值太小，或者sig为00.05，只能证明因子分析好是千万不能做了，因为才能做成的因子不代表性。
kmo是能做主成分讲的效度检验指标之一,以前的文献中写说,kmo在0.9以上，相当比较好做因子分析；在0.8-0.9之间，很比较适合；在0.7-0.8之间，比较适合；在0.6-0.7之间，尚可；在0.5-0.6之间，意思是不怎么好；在0.5以下应该是彻底放弃.
我觉着kmo在0.6左右还行,很有可能是交了任务之后效果不是很不错吧,我做因子分析时候的kmo在07左右的,没有无过0.65的,老师没有说不成绩合格的.
ps:0.6左右影响不会很大,但老师说不合格这点就好像有点各位,(你是可以去说服老师,或者你来改数据).主成分分析是因子分析的一个一种特例,主成分分析就是在进行因子分析的时候前几个主成分的特征值累计占总方差的80%以上,后面的因子省略因子分析应该是是没有去设置主因子,几乎凭数据来分析,同两道题,同一组数据,多元线性回归的结果比主成分分析解释什么性更强.
