Hotline 24/7: 0946883350

Email: ttcd.group@gmail.com

logo

Tổng Hợp Về Phân Tích Nhân Tố Khám Phá EFA Trong SPSS

0/5 (0 đánh giá) 0 bình luận

Trong quá trình thực hiện nghiên cứu định lượng, phân tích nhân tố khám phá EFA là một trong những yếu tố vô cùng quan trọng khi xử lý dữ liệu. Tuy nhiên, không ít bạn còn nhiều bỡ ngỡ khi bước đầu làm quen với EFA trong SPSS. Bài viết này Tri Thức Cộng Đồng sẽ cung cấp tất tần tật thông tin về EFA, từ khái niệm, phân tích nhân tố khám phá EFA trong SPSS đến các điều kiện và lưu ý khi sử dụng nó.

1. Khái niệm về nhân tố khám phá EFA

Khái niệm về phân tích nhân tố khám phá EFA

Khái niệm về phân tích nhân tố khám phá EFA

Phân tích nhân tố khám phá (EFA - Exploratory Factor Analysis) là một kỹ thuật đặc biệt phổ biến để xác định cấu trúc chung cơ bản cho một nhóm biến quan sát trong nghiên cứu định lượng (Hair et al. 2014). 

EFA được sử dụng để rút gọn một tập gồm nhiều biến quan sát có sự tương quan với nhau thành một tập nhỏ hơn các biến tổng hợp (còn gọi là các nhân tố) có ý nghĩa hơn nhưng vẫn đảm bảo nội dung thông tin của tập dữ liệu ban đầu. 

2. Hướng dẫn thực hiện EFA trong SPSS

Thực hiện EFA trong SPSS là một thao tác không phải quá khó. Nhưng trên thực tế, đối với những người mới tìm hiểu và sử dụng EFA trong nghiên cứu thống kê, thì sẽ cảm thấy khá phức tạp.

Chính vì vậy, sau khi đã kiểm định chất lượng thang đo (Cronbach’s Alpha), để việc phân tích nhân tố khám phá EFA trong SPSS trở nên dễ dàng hơn, hãy tham khảo ngay 4 bước sau đây:

Hướng dẫn 4 bước thực hiện EFA trong SPSS

Hướng dẫn 4 bước thực hiện EFA trong SPSS

Bước 1: Trên thanh công cụ chính trong SPSS, vào mục Analyze → Dimension Reduction, chọn Factor...

Chọn Factor từ thanh Analyze

Chọn Factor từ thanh Analyze

Xuất hiện hộp thoại Factor Analysis như ảnh dưới.

Hộp thoại Factor Analysis

Hộp thoại Factor Analysis

Bước 2: Trong hộp thoại, chọn tất cả các biến quan sát cần phân tích đưa vào hộp Variables.

Chọn các biến quan sát vào hộp Variables

Chọn các biến quan sát vào hộp Variables

Bước 3: Ở các ô tùy chọn bên phải, lần lượt lựa chọn và điều chỉnh theo hướng dẫn dưới đây.

- Trong mục Descriptives..., tích vào mục KMO and Bartlett's test of sphericity. Nhấp Continue để quay lại cửa sổ ban đầu.

Tích vào mục KMO and Bartlett’s test of sphericity trong Descriptives...

Tích vào mục KMO and Bartlett’s test of sphericity trong Descriptives...

- Trong mục Extraction…, chọn Principal components ở tab Method. Sau đó nhấp Continue.

Chọn Principal components trong tab Method

Chọn Principal components trong tab Method

- Trong mục Rotation…, tích vào mục Varimax và tương tự chọn Continue để tiếp tục.

Tích vào ô Varimax trong mục Rotation

Tích vào ô Varimax trong mục Rotation

- Cuối cùng trong mục Option..., đánh dấu vào 2 mục:

  • Sorted by size: sắp xếp dữ liệu trong ma trận xoay thành từng cột dạng bậc thang để dễ đọc hơn
  • Suppress small coefficients: loại bỏ các hệ số tải không đạt tiêu chuẩn ra khỏi ma trận để gọn gàng và trực quan hơn. Điều chỉnh hệ số tải tại Absolute value below: giá trị tối thiểu là 0.3.

Chọn Continue để hoàn thành.

Tích và 2 mục ở Coefficient Display Format - Điều chỉnh hệ số tải

Tích và 2 mục ở Coefficient Display Format - Điều chỉnh hệ số tải

Bước 4: Nhấn OK để nhận kết quả phân tích.

Chọn OK để nhận kết quả

Chọn OK để nhận kết quả

Hình ảnh các bảng kết quả phân tích quan trọng nhận được:

Bảng hệ số KMO và kiểm định Bartlett’s Test

Bảng hệ số KMO và kiểm định Bartlett’s Test

Bảng tổng phương sai trích

Bảng tổng phương sai trích

Bảng ma trận xoay

Bảng ma trận xoay

3. Mục tiêu của chạy EFA

Phân tích nhân tố khám phá EFA có 3 mục tiêu chính khi sử dụng là:

  • Xác định số lượng các nhân tố ảnh hưởng đến một tập các biến quan sát.
  • Xác định mức độ tương quan giữa mỗi nhân tố với từng biến quan sát.
  • Giảm số lượng biến quan sát trùng lặp có ý nghĩa tương tự nhau trong một phân tích.

4. Ứng dụng của EFA  

Ứng dụng của EFA

Ứng dụng của EFA

Phân tích nhân tố khám phá EFA thường được ứng dụng trong các nghiên cứu thuộc lĩnh vực kinh tế - xã hội hoặc tâm lý học nhằm kiểm định mối quan hệ giữa các khái niệm trừu tượng và không thể đo lường trực tiếp.

Một số trường hợp sử dụng EFA phổ biến:

- Trong nghiên cứu kinh tế:

  • Phân khúc thị trường: xác định các nhân tố quan trọng dùng để phân nhóm khách hàng.
  • Phát triển sản phẩm: tìm ra các thuộc tính ảnh hưởng mạnh mẽ đến quyết định mua hàng của người tiêu dùng
  • Hoạt động Marketing: phân tích các nhân tố tìm hiểu thói quen dùng phương tiện truyền thông của phân khúc thị trường mục tiêu.
  • Đánh giá chất lượng: xác định các nhân tố ảnh hưởng đến sự hài lòng của khách hàng khi sử dụng sản phẩm/dịch vụ.

- Trong nghiên cứu tâm lý: 

  • Phân tích các nhân tố ảnh hưởng đến động lực làm việc của người lao động.
  • Xác định các nhân tố ảnh hưởng đến kết quả học tập của học sinh, sinh viên.
  • Tổ chức - nhân sự: nghiên cứu thái độ, hành vi của người lao động và người sử dụng lao động, mối quan hệ giữa các cá nhân, văn hoá công ty,...

5. Mô hình của EFA

EFA hoạt động dựa vào mô hình nhân tố chung (Common factor model) (theo DeCoster,1998).

Mô hình nhân tố chung

Mô hình nhân tố chung

Mô hình chỉ ra rằng mỗi biến quan sát từ Measure 1 đến Measure 5 sẽ bị phụ thuộc một phần bởi các nhân tố chung cơ bản (common factor) là factor 1 và factor 2, đồng thời cũng bị ảnh hưởng một phần bởi các nhân tố đặc trưng cơ bản (unique factor) là E1, E2, E3, E4, E5. 

Nếu các biến quan sát được chuẩn hóa thì mô hình nhân tố khám phá được thể hiện bằng phương trình:

Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Aim * Fm + Vi * Ui

Trong đó:

  • Xi : biến quan sát thứ i đã được chuẩn hóa
  • Aij: hệ số hồi quy bội đã được chuẩn hóa của nhân tố chung j đối với biến i 
  • F: nhân tố chung
  • Vi: hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i
  • Ui: nhân tố đặc trưng của biến i
  • m: số nhân tố chung

Giữa các nhân tố đặc trưng có tương quan với nhau và tương quan với các nhân tố chung. Các nhân tố chung cũng có thể được diễn tả như những tổ hợp tuyến tính của các biến quan sát, thể hiện qua phương trình sau:

Fi = Wi1 * X1 + Wi2 * X2 + Wi3 * X3 + . . . + Wik * Xk

Trong đó:

  • Fi: ước lượng trị số của nhân tố thứ i
  • Wi: trọng số hay quyền số nhân tố
  • k: số biến

6. Điều kiện để áp dụng EFA

Điều kiện để áp dụng EFA

Điều kiện để áp dụng EFA

Dưới đây là 6 điều kiện quan trọng để việc phân tích nhân tố khám phá EFA trở nên có ý nghĩa thống kê:

  • Hệ số KMO (Kaiser - Meyer- Olkin): là chỉ số dùng để xem xét độ thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 ≤ KMO ≤ 1. Trị số này càng lớn thì phân tích nhân tố càng thích hợp với tập dữ liệu nghiên cứu.
  • Hệ số tải nhân tố (Factor Loading): là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Thông thường, tùy vào kích cỡ mẫu để chọn giá trị hệ số tải cho phù hợp. Hệ số này phải đạt giá trị tối thiểu ở mức 0.3 để biến được giữ lại. Tuy nhiên, để đảm bảo các biến quan sát có ý nghĩa thống kê tốt, hệ số tải nên duy trì ở mức từ 0.5 trở lên trong đa số các trường hợp. 
  • Kiểm định Bartlett (Bartlett's Test of Sphericity): dùng để xem xét mối tương quan giữa các biến quan sát trong nhân tố. Để kiểm định Bartlett có ý nghĩa thì sig Bartlett’s Test < 0.05, chứng tỏ giữa các biến quan sát có tương quan với nhau.
  • Trị số Eigenvalues: là tiêu chí để xác định tổng số lượng nhân tố trong EFA. Thường giá trị chuẩn của trị số Eigenvalue là 1. Nghĩa là chỉ những nhân tố nào có trị số Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích nhân tố.
  • Tổng phương sai trích (Total Variance Explained): là trị số thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là trong mức đánh giá biến thiên 100% thì phân tích các nhân tố sẽ giải thích được bao nhiêu %. Trị số này phải đạt mức ≥ 50% thì mô hình EFA mới là phù hợp.
  • Kích thước mẫu: Theo Hair et al. 2009, kích thước mẫu tối thiểu là gấp 5 lần tổng số biến quan sát. Đây là cỡ mẫu phù hợp cho nghiên cứu có sử dụng phân tích nhân tố EFA. Xác định kích thước mẫu theo công thức n = 5 * m (với m là số biến quan sát tham gia nghiên cứu).

7. Lưu ý trong phân tích EFA

Lưu ý trong phân tích EFA

Lưu ý trong phân tích EFA

Muốn việc thực hiện phân tích nhân tố khám phá EFA được hiệu quả và chính xác, có 2 vấn đề cần chú ý như sau:

  • Đối với các mô hình đã xác định được biến độc lập và biến phụ thuộc, không xử lý EFA cùng một lúc cho hai loại biến này khi sử dụng phép quay, vừa tránh tình trạng ma trận xoay lộn xộn vừa hợp lý về tính chất tương quan giữa các biến.
  • Trong trường hợp sử dụng EFA để đánh giá giá trị thang đo, không nên thực hiện đánh giá cho giá trị của từng thang đo riêng lẻ mà nên đánh giá các thang đo trong mô hình phân tích cùng một lúc, nhằm đảm bảo đạt được các giá trị phân biệt.

Trên đây là thông tin giới thiệu về EFA là gì, cách phân tích nhân tố khám phá EFA cũng như các điều kiện áp dụng và lưu ý khi chạy EFA trong SPSS. Tri Thức Cộng Đồng mong rằng những chia sẻ này sẽ giúp bạn không còn lúng túng khi thực hiện các thao tác trên SPSS cũng như có thể phân tích dữ liệu cho việc nghiên cứu một cách dễ dàng và hiệu quả nhất.

Bình luận

0 bình luận

Sắp xếp: Mới nhất

Đăng ký nhận tư vấn
Số điện thoại là bắt buộc ! Số điện thoại không hợp lệ !
Tin tức mới nhất
Tải Mẫu Tiểu Luận Thu Hút Vốn Đầu Tư Nước Ngoài - Kho 25 Đề Tài
Tải Mẫu Tiểu Luận Thu Hút Vốn Đầu Tư Nước Ngoài - Kho 25 Đề Tài
Cách Làm Questionnaire For Thesis/ Dissertation/ Methodology
Cách Làm Questionnaire For Thesis/ Dissertation/ Methodology
Kiểm Định Anova Trong Spss: Khái Niệm, Phân Loại, Cách Chạy
Kiểm Định Anova Trong Spss: Khái Niệm, Phân Loại, Cách Chạy
Thống Kê Mô Tả Trong Spss - Khái Niệm Và Cách Thực Hiện Chi Tiết
Thống Kê Mô Tả Trong Spss - Khái Niệm Và Cách Thực Hiện Chi Tiết
Tổng Hợp Về Phân Tích Nhân Tố Khám Phá EFA Trong SPSS
Tổng Hợp Về Phân Tích Nhân Tố Khám Phá EFA Trong SPSS