KMO 与探索性因子分析（EFA）：什么时候做、怎么读
问卷开发或构念维度不清晰时，探索性因子分析帮助识别题项归属。说明 KMO/Bartlett 前提、Varimax 旋转、与 CFA 的分工，并对照 SchoolStore KMO/EFA 工具。
EFA 与 CFA 不要混用
探索性因子分析（EFA）用于「还不确定有几个因子、题项归哪」的探索阶段，常见于量表开发或预调查。验证性因子分析（CFA）用于「已有理论维度，检验拟合度与区分效度」，属于验证阶段。
学位论文若引用成熟量表，通常直接 CFA（或至少报告 α 与相关），而非对同一数据先 EFA 再 CFA（会被质疑 double dipping）。SchoolStore 提供主成分/KMO 探索性分析；CFA、AVE、CR 请使用 SEM 软件。
KMO 与 Bartlett 球形检验
KMO（取样 adequacy）整体 >0.6 通常认为适合做因子分析，>0.8 较好；单题 MSA 过低（<0.5）的题项可考虑删除。Bartlett 球形检验 p<0.05 表示相关矩阵显著异于单位阵，即变量间存在相关，适合因子分析。
SchoolStore KMO 工具基于 Pearson 相关矩阵计算整体 KMO、各题 MSA 与 Bartlett χ²。样本量较小时 Bartlett 极易显著，需结合 KMO 与题项数综合判断。
因子数怎么定
特征值 >1（Kaiser 准则）、碎石图拐点、事先理论维度数——三者综合，不要只盯 Kaiser。题项少时 >1 因子可能过多；有强理论时也可固定因子数提取。
SchoolStore EFA 基于相关矩阵主成分抽取，可选 Varimax 正交旋转，输出载荷矩阵与解释方差。Stata 对照：factor varlist, pcf factors(k)；rotate, varimax。
载荷怎么读、题项怎么删
一般规则：主载荷 |λ|≥0.5 或 0.6，且交叉载荷（在其它因子上的载荷）应明显更低（如差 0.2 以上）。载荷低的题项、双载荷题项需结合语义决定是否删除。
删题后应重新跑 EFA 与 α，直到结构稳定。最终用于假设检验的仍是合成后的构念得分，而非单个题项进入回归（除非题项级分析有特殊设计）。
论文写作注意
报告：KMO、Bartlett、旋转方法、因子数、累计解释方差、因子载荷表（常 suppress 小载荷）。方法部分说明抽取与旋转方法，与软件输出一致。
EFA 结果不支持「证明」构念有效，只支持「探索性维度结构」。正式效度论证仍需 CFA、收敛/区分效度（AVE/CR、Fornell-Larcker）等。诚实区分探索与验证，审稿人会更信任。
相关工具
- KMO / Bartlett在线 KMO 与 Bartlett 球形检验，判断是否适合因子分析。服务问卷效度探索与实证分析前检验。
- 主成分分析在线主成分分析（PCA）+ 可选 Varimax：载荷与共同度。适用于问卷维度探索；写作请写明主成分抽取。CFA / AVE / CR 请使用 SEM 软件。
- Cronbach α在线 Cronbach α 信度、反向题与删题后 α，对照 Stata alpha。适合问卷实证分析与研究生量表检验。
- 量表得分在线量表均分/总分（含反向题），写入共享数据后直接回归。打通信度→得分→中介调节，服务问卷实证分析。