1、KMO統計量：是透過比較各變數間簡單相關係數和偏相關係數的大小判斷變數間的相關性，相關性強時，偏相關係數遠小於簡單相關係數，KMO值接近1。一般情況下，KMO>0.9非常適合因子分析；0.8＜KMO＜0.9適合；0.7以上尚可，0.6時效果很差，0.5以下不適宜作因子分析。
2、Bartlett’s球型檢驗（巴特利球形檢驗（Barlett Test of Sphericity）。）：用於檢驗相關陣是否是單位陣，即各變數是否獨立。它是以變數的相關係數矩陣為出發點，零假設：相關係數矩陣是一個單位陣。如果巴特利球形檢驗的統計計量數值較大，且對應的相伴機率值小於使用者給定的顯著性水平，則應該拒絕零假設；反之，則不能拒絕零假設，認為相關係數矩陣可能是一個單位陣，不適合做因子分析。若假設不能被否定，則說明這些變數間可能各自獨立提供一些資訊，缺少公因子。
3、舉例：巴特利球形檢驗統計量為131.051，相應的機率Sig為0.000，因此可認為相關係數矩陣與單位陣有顯著差異。同時，KMO值為0.762，根據Kaiser給出的KMO度量標準可知原有變數適合作因子分析。
1、KMO統計量：是透過比較各變數間簡單相關係數和偏相關係數的大小判斷變數間的相關性，相關性強時，偏相關係數遠小於簡單相關係數，KMO值接近1。一般情況下，KMO>0.9非常適合因子分析；0.8＜KMO＜0.9適合；0.7以上尚可，0.6時效果很差，0.5以下不適宜作因子分析。
2、Bartlett’s球型檢驗（巴特利球形檢驗（Barlett Test of Sphericity）。）：用於檢驗相關陣是否是單位陣，即各變數是否獨立。它是以變數的相關係數矩陣為出發點，零假設：相關係數矩陣是一個單位陣。如果巴特利球形檢驗的統計計量數值較大，且對應的相伴機率值小於使用者給定的顯著性水平，則應該拒絕零假設；反之，則不能拒絕零假設，認為相關係數矩陣可能是一個單位陣，不適合做因子分析。若假設不能被否定，則說明這些變數間可能各自獨立提供一些資訊，缺少公因子。
3、舉例：巴特利球形檢驗統計量為131.051，相應的機率Sig為0.000，因此可認為相關係數矩陣與單位陣有顯著差異。同時，KMO值為0.762，根據Kaiser給出的KMO度量標準可知原有變數適合作因子分析。