Một trong những bước vô cùng quan trọng khi xử lý định lượng của bài luận văn, bài nghiên cứu đó chính là phân tích nhân tố khám phá EFA. Thông qua EFA, bạn sẽ có thể định hình lại cấu trúc các nhóm thang đo, xem xét sự hội tụ và phân biệt của các nhóm biến, đồng thời giúp loại bỏ đi những biến quan sát rác giúp cải thiện kết quả nghiên cứu.
Trong khi chúng ta sử dụng phương pháp Cronbach Alpha để đánh giá độ tin cậy của thang đo thì phương pháp phân tích nhân tố khám phá EFA [Exploratory Factor Analysis, gọi tắt là phương pháp EFA] lại giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Khái niệm phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA dùng để rút gọn một tập hợp x biến quan sát thành một tập F [với F < x] các nhân tố có ý nghĩa hơn. Khi thực hiện việc nghiên cứu, thông thường bạn sẽ thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau. Thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, thì bạn có thể chỉ nghiên cứu 4 đặc điểm lớn, và đối với từng đặc điểm lớn này gồm 5 đặc điểm nhỏ có sự tương quan với nhau. Từ đó giúp bạn tiết kiệm thời gian và kinh phí rất nhiều trong quá trình nghiên cứu.
Những tiêu chí trong phân tích EFA bao gồm những gì?
- Hệ số tải nhân tố [Factor loading]: Được định nghĩa là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
Theo Hair & ctg [1998, 111], hệ số tải nhân tố hay trọng số nhân tố[Factor loading] là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
• Nếu Factor loading > 0.3 được xem là đạt mức tối thiểu
• Nếu Factor loading > 0.4 được xem là quan trọng
• Nếu Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Tuy nhiên, bạn cần chú ý giá trị tiêu chuẩn của hệ số tải Factor Loading cần phải phụ thuộc vào kích thước mẫu. Trong thực tế, việc nhớ từng mức hệ số tải với từng khoảng kích thước mẫu không hề dễ dàng, chính vì thế người ta thường lấy hệ số tải 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350; lấy tiêu chuẩn hệ số tải là 0.3 với cỡ mẫu từ 350 trở lên.
- Kiểm định Bartlett có ý nghĩa thống kê [Sig. < 0.05]: Kiểm định Bartlett là một đại lượng thống kê được dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Trong trường hợp kiểm định này có ý nghĩa thống kê [Sig. < 0.05] thì các biến quan sát có mối tương quan với nhau trong tổng thể.
– Hệ số KMO [Kaiser-Meyer-Olkin] là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu. Trị số của KMO phải đạt giá trị 0.5 trở lên [0.5 ≤ KMO ≤ 1] là điều kiện đủ để phân tích nhân tố là phù hợp.
- Phần trăm phương sai trích [Percentage of variance] > 50%: Nó thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
- Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.
Nếu quá khó khăn trong quá trình chạy spss bạn hay tham khảo và lựa chọn một trong các trung tâm cung cấp Dịch Vụ SPSS để được hỗ trợ nhiệt tình với giá cả tốt nhất.
Hai quy tắc loại biến xấu trong phân tích nhân tố
Quy tắc loại biến xấu
Để quyết định giữ biến hay loại biến, bạn cần nắm rõ những yếu tố cần thiết để bảng kết quả ma trận xoay có ý nghĩa thống kê là:
- Kiểm định Bartlett có sig phải nhỏ hơn 0.05
- Hệ số KMO phải nằm trong đoạn từ 0.5 đến 1
- Tổng phương sai trích lớn hơn hoặc bằng 50%.
- Giá trị Eigenvalue lớn hơn hoặc bằng 1
Vì nếu như chỉ cần một trong các tiêu chí trên bị vi phạm, bảng ma trận xoay sẽ không còn có ý nghĩa nữa. Nếu mọi thứ OK hết, bạn mới đi đến phần loại biến ở ma trận xoay nhé.
Dù bạn loại lần lượt từng biến hay loại một loạt các biến xấu trong một lần phân tich EFA thì bạn cũng cần đảm bảo 2 yếu tố quan trọng sau đây:
Quy tắc 1: Đảm bảo độ giá trị hội tụ.
Về mặt ý nghĩa, các hệ số tải nhân tố factor loading phải lớn hơn 0.5. Các items có hệ số tải bé hơn 0.5 cần phải được loại bỏ và chạy lại khi phân tích nhân tố.
Quy tắc 2: Đảm bảo độ giá trị phân biệt.
Xét trong cùng 1 dòng, chênh lệch giữa giá trị lớn nhất và giá trị lớn thứ nhì phải lớn hơn 0.3
Với những chia sẻ bên trên về phân tích nhân tố khám phá EFA, hi vọng rằng bạn sẽ nắm được những kiến thức cơ bản về EFA. Cảm ơn bạn đã đọc bài viết của chúng tôi.
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.
Mục lục
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:
Bước 1: Trên thanh công cụ chính trong SPSS, vào mục Analyze → Dimension Reduction, chọn Factor...
Xuất hiện hộp thoại Factor Analysis như ảnh dưới.
Bước 2: Trong hộp thoại, chọn tất cả các biến quan sát cần phân tích đưa 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.
- Trong mục Extraction…, chọn Principal components ở tab Method. Sau đó nhấp Continue.
- Trong mục Rotation…, tích vào mục Varimax và tương tự chọn Continue để tiếp tục.
- 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.
Bước 4: Nhấn OK để nhận kết quả phân tích.
Hình ảnh các bảng kết quả phân tích quan trọng nhận được:
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
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,...
Đội ngũ của Tri Thức Cộng Đồng luôn lắng nghe, tư vấn tận tình cho từng khách hàng về chạy spss thuê, giảm bớt nỗi lo về thời gian, chi phí mà vẫn hoàn thành bài đúng thời hạn.
5. Mô hình của EFA
EFA hoạt động dựa vào mô hình nhân tố chung [Common factor model] [theo DeCoster,1998].
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
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
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.