탐색적 요인분석(EFA)은
설문 문항들 사이에 숨어 있는 공통 요인을 찾아내기 위한 분석입니다.
그런데
문항들이 서로 전혀 관련이 없다면
아무리 분석을 돌려도 요인이 나올 수 없겠죠?
그래서 요인분석의 첫 관문은
📍 데이터 적합성 검증입니다.
바로 여기서
KMO와 Bartlett 검정이 핵심 역할을 합니다.
🧠 KMO vs Bartlett, 역할이 다릅니다
| 항목 | 무엇을 확인하나요? | 좋은 기준은? |
|---|---|---|
| KMO | 표본과 변수들이 요인 분류가 가능한지 | ≥ .70 이상 권장 |
| Bartlett 검정 | 변수 간 상관이 충분한지 | p < .05 필요 |
하나만 통과해도 부족합니다❌
두 가지 모두 합격해야 요인분석 진행할 수 있습니다 ⭕️
📌 KMO (Kaiser-Meyer-Olkin)
문항끼리 공통 요인을 이룰 준비가 되었나요?
값 해석👇
| KMO 값 | 평가 |
|---|---|
| ≥ .90 | 최고 수준 (Marvelous🔥) |
| ≥ .80 | 우수함 |
| ≥ .70 | 적합함 |
| ≥ .60 | 개선 필요 |
| < .60 | 요인분석 비추 🚫 |
👉 너무 낮다면?
- 상관 낮은 문항 제거
- 표본 수 증가 필요
📌 Bartlett의 구형성 검정
“문항들이 서로 관계가 있나요?”를 통계적으로 검증합니다.
📍 기준
p < .05 → 요인분석 가능!
p ≥ .05 → 관계가 거의 없음 → EFA 불가
즉,
모두 제멋대로 움직이는 변수라면
요인으로 묶을 이유 자체가 없다는 뜻입니다.
💻 SPSS에서 확인하는 법 (아주 간단)
1️⃣ [분석(Analyze)]
2️⃣ [차원축소(Dimension Reduction)]
3️⃣ [요인(Factor)] 클릭
4️⃣ 변수 모두 추가
5️⃣ [기술통계량] → ‘KMO 및 Bartlett의 구형성 검정’ 체크
6️⃣ 실행 → 결과표 확인
📍 Output 창에서
KMO and Bartlett’s Test 표를 찾아보세요!
✨ 해석 예시 (논문용 문장 그대로 사용)
먼저, 요인분석 적합성을 확인하기 위해
KMO와 Bartlett 검정을 실시하였다.
분석 결과, KMO 값은 .812로 기준(.70 이상)을 충족하였으며,
Bartlett의 구형성 검정은 χ²=583.21, p<.001로 유의하여
요인분석에 적합한 데이터임이 확인되었다.
✔ 깔끔 ✔ 논리적 ✔ 심사 통과 확률↑
🎯 핵심 정리 (한 눈에 보기)
| 체크 포인트 | 합격 기준 |
|---|---|
| KMO 값 | ≥ .70 |
| Bartlett p값 | < .05 |
| 두 지표 모두 통과해야? | YES! |
요인분석은
“돌리는 것”보다
“돌릴 수 있는 조건인지 확인하는 것”이 더 중요합니다.
🔎 Tip. 기준 미달이면?
| 상황 | 해결 방법 |
|---|---|
| KMO 낮음 | 문항 재구성, 상관 낮은 문항 제외, 표본 수 증가 |
| Bartlett 유의하지 않음 | 문항 수정, 응답 척도 재검토 |
📌 데이터 품질을 다듬고 다시 실행!
✨ 이제 KMO와 Bartlett 검정,
헷갈리지 않고 명확하게 해석할 수 있겠죠?
요인분석은
데이터와 대화를 시작하는 지점입니다.
신뢰도 높은 분석을 위해
반드시 체크하고 넘어가세요! 😊
