Khi làm luận văn, hay làm nghiên cứu khoa học, phân tích nhân tố khám phá EFA là một khâu vô cùng quan trọng khi phân tích dữ liệu định lượng bằng SPSS.

Bởi khi kiểm định một lý thuyết khoa học, bạn sẽ phải đi đánh giá độ tin cậy của thang đo (phân tích Cronbach Alpha) và giá trị của thang đo (EFA).

Có hai giá trị bạn cần xem xét đó là giá trị phân biệt và giá trị hội tụ. Bạn có thể hiểu nôm na như sau:

– Thỏa mãn “Giá trị phân biệt”: Các biến quan sát thuộc về nhân tố này, phải khác biệt với nhau và không tương quan với nhau.

– Thỏa mãn “Giá trị hội tụ”: Các biến trong một yếu tố có mối tương quan cao

>>>Xem thêm bài viết liên quan:

1. Phân tích nhân tố khám phá EFA LÀ GÌ?

– Phân tích nhân tố khám phá(EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu(Hair et al. 2009)

– Phân tích nhân tố khám phá, gọi tắt là EFA, dùng để rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn. Thông thường bạn sẽ phải thu thập một số lượng biến đủ lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau khi tiến hành nghiên cứu.

Ví dụ như bạn có thể chỉ cần nghiên cứu 3 đặc điểm lớn của một đối tượng thay vì đi nghiên cứu 15 đặc điểm nhỏ. Và với mỗi đặc điểm lớn này sẽ có 5 đặc điểm nhỏ có sự tương quan với nhau. Từ đó giúp bạn tiết kiệm thời gian cũng như chi phí nhiều hơn.

– Khi kiểm định độ tin cậy thang đo Cronbach Alpha, bạn mới chỉ dừng lại ở đánh giá mối quan hệ giữa các biến trong cùng một nhóm, cùng một nhân tố, nhưng chưa xem xét mối quan hệ giữa tất cả các biến quan sát ở các nhân tố khác.

Và nhiệm vụ của EFA là xem xét mối liên hệ giữa các biến ở tất cả các nhóm (các nhân tố) khác nhau để tìm ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu.

2. Phân tích EFA cần quan tâm đến các tiêu chí nào?

– Hệ số KMO (Kaiser-Meyer-Olkin): Đây là một chỉ số sử dụng để xem xét sự thích hợp của phân tích nhân tố. Trị số này phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) thì mới đủ điều kiện để phân tích nhân tố. Nếu nó nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không phù hợp với dữ liệu nghiên cứu.

– Kiểm định Bartlett (Bartlett’s test of sphericity) là chỉ số được sử dụng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không.

Bạn hãy lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát thể hiện những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Điều này liên quan đến giá trị hội tụ trong phân tích EFA đã nêu ra ở trên.

Chính vì thế nếu như kiểm định mà không có ý nghĩa thống kê thì bạn không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.

– Trị số Eigenvalue là một chỉ số được dùng thường xuyên để xác định số lượng nhân tố trong phân tích EFA. Với chỉ số này, những nhân tố được giữ lại trong mô hình phân tích phải có Eigenvalue ≥ 1.

– Hệ số tải nhân tố (Factor Loading) có tên khác là trọng số nhân tố, nó thể hiện mối liên hệ tương quan giữa biến quan sát với nhân tố. Hệ số này mà càng lớn thì tương quan giữa biến quan sát đó với nhân tố càng cao và ngược lại.

– Tổng phương sai trích (Total Variance Explained) ≥ 50% có nghĩa là mô hình EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.

3. Cách thực hiện phân tích nhân tố khám phá EFA trong SPSS

Trước tiên bạn vào Analyze > Dimension Reduction > Factor…

Sau đó bạn nhập lần lượt các biến quan sát cần phải phân tích EFA vào mục Variables.

– Descriptives: Bạn click vào mục KMO and Barlett’s test of sphericity để xuất bảng giá trị KMO và giá trị sig của kiểm định Barlett. Nhấp Continue để quay lại cửa sổ ban đầu.

– Extraction: Đến đây, bạn sẽ sử dụng phép trích PCA (Principal Components Analysis). Với SPSS 20 và các phiên bản 21, 22, 23, 24, PCA sẽ được viết gọn lại là Principal Components như hình ảnh bên dưới, đây cũng là tùy chọn mặc định của SPSS.

Khi bạn click chuột vào nút mũi tên hướng xuống, nhiều tùy chọn phép trích khác nhau sẽ hiện ra. Số lượng nhân tố được trích ra ở ma trận xoay phụ thuộc khá nhiều vào việc lựa chọn phép trích.

– Rotation: Ở đây có 6 phép quay, trong đó Varimax và Promax là hai phép quay phổ biến nhất. Riêng với dạng đề tài đã xác định được biến độc lập và biến phụ thuộc, bạn dùng phép quay Varimax. Click Continue để trở lại cửa sổ ban đầu.

Chọn “Scores…”, sau đó bạn tích chọn như hình dưới:

– Options: Bạn click 2 mục như hình dưới. Sorted by size sẽ sắp xếp ma trận xoay thành từng cột dạng bậc thang để đọc dữ liệu dễ hơn. Suppress small coefficients sẽ loại bỏ các hệ số tải không đạt tiêu chuẩn khỏi ma trận xoay, giúp ma trận trực quan và gọn gàng. Tại mục này sẽ có hàng Absolute value below, bạn cần nhập vào giá trị hệ số tải nhân tố Factor Loading tối thiểu, thường là 0.3 và 0.5. Kích thước mẫu file dữ liệu là 220 nên bạn sẽ nhập vào 0.5. Click Continue để trở lại cửa sổ ban đầu.

Ghi chú:

Nếu bạn muốn các biến quan sát trong cùng một nhân tố đứng gần nhau, hãy chọn “Sorted by size”

Nếu bạn nhập giá trị 0.470, hãy chọn “Suppress absolute value less than”. Lúc này các trọng số nhân tố hay hệ số tải nhân tố (factor loading) sẽ có giá trị tuyệt đối < 0.470 và không hiện trên bảng kết xuất Rotated Component Matrix.

Trong cửa sổ tiếp theo, chọn OK để xuất kết quả ra Output.

Bạn chỉ cần quan tâm 3 bảng ở Outphut, đó là:

– KMO and Barlett’s Test: Biết được hệ số KMO và sig kiểm định Bartlett.

– Total Variance Explained: Biết được giá trị Eigenvalue và tổng phương sai trích Total Variance Explained

– Rotated Component Matrix: Xem ma trận xoay và kiểm tra hệ số tải Factor Loading của các biến quan sát.

4. Hướng dẫn tạo nhân tố, biến đại diện trong SPSS

Để tiến hành phân tích tương quan Peason và xa hơn nữa là hồi quy sau khi đã phân tích nhân tố khám phá xong, bạn cần tạo các biến đại diện từ kết quả xoay nhân tố cuối cùng.

Các biến quan sát được phân loại theo các nhóm nhân tố mới theo 2 tiêu chí: hội tụ và phân biệt. Dưới đây là một ví dụ về ma trận xoay nhân tố hoàn chỉnh:

Kết quả xoay nhân tố lần cuối bạn có được 6 nhân tố mới. Tương ứng với mỗi nhân tố sẽ là các biến đại diện nằm chung trên 1 cột. Muốn thực hiện đánh giá tương quan Pearson và hồi quy, bạn sẽ phải tạo các biến đại diện trung bình thông qua lệnh Mean trong Compute Variable.

Ở đây, bạn sẽ tạo lần lượt các biến đại diện là:

X1 = Mean (TN3, TN2, TN1, TN5, TN4)

X2 = Mean (LD2, LD5, LD4, LD3)

…..

X6 = Mean (DN3, DN4, DN2)

Tiến hành trong SPSS, bạn vào Transform > Compute Variable:

Một giao diện cửa sổ mới sẽ hiện ra như hình dưới. Tại ô Target Variable, bạn sẽ nhập tên biến đại diện mới (X1, X2, X3….). Tiếp theo trong mục Type & Label, bạn điền vào chú thích cho biến, vai trò của nó giống như Lable khi bạn tạo biến trong cửa sổ giao diện Variable View.

Ví dụ biến X1 là đại diện cho nhóm biến quan sát: TN3, TN2….TN4, bạn chú thích biến này là biến Thu nhập thì sẽ gõ vào mục Type & Label.

Trong ô Numeric Expression bạn điền hàm: MEAN(TN3,TN2,TN1,TN5,TN4). Tức là tạo biến đại diện X1 là trung bình của các biến quan sát TN3, TN2, TN1, TN5, TN4.

Tiếp đến bạn sẽ vào lại giao diện Data View sẽ xem được tất cả những biến đại diện vừa mới được tạo ra bên cạnh các biến quan sát ban đầu:

Như vậy là bạn đã tạo xong các biến đại diện sau khi phân tích EFA để sử dụng các biến này vào phân tích tương quan Pearson và hồi quy về sau.

5. Phân tích nhân tố khám phá EFA – Quy tắc loại biến xấu

Để hiểu chi tiết về quy tắc loại biến xấu trong EFA, trước tiên bạn cần nắm rõ bảng kết quả ma trận xoay có ý nghĩa thống kê khi nào?:

– Kiểm định Barlett 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

Nếu một trong các tiêu chí trên bị vi phạm, bảng ma trận xoay sẽ không có ý nghĩa. Chính vì vậy, trước khi đến với việc chọn biến nào, loại biến nào các bạn cần kiểm tra xem các tiêu chí ở trên đã thỏa mãn chưa. Mọi thứ OK hết mới đi đến phần loại biến ở ma trận xoay.

Để quyết định giữ biến hay loại biến trong phân tích nhân tố khám phá EFA (Exploratory Factor Analysis), dữ liệu cần thỏa mãn 2 điều kiện:

– Đảm bảo “Giá trị phân biệt”: Các biến quan sát thuộc về nhân tố này và phải phân biệt với nhân tố khác.

– Thỏa mãn “Giá trị hội tụ”: Các biến quan sát hội tụ về cùng một nhân tố.

Nếu bạn gặp khó khăn khi thực hiện phân tích EFA vì số liệu khảo sát xấu dẫn đến bảng ma trận xoay lung tung, biến bị loại rất nhiều, bạn có thể tham khảo Dịch Vụ Xử Lý Số Liệu SPSS. Với dịch vụ này của Tri Thức Cộng Đồng, chúng tôi sẽ giúp bạn nâng hệ số KMO, đảm bảo ma trận xoay hội tụ như mong muốn, không bị loại quá nhiều biến, khắc phục lỗi không xuất hiện bảng KMO, bị tách nhân tố, biến nhảy lung tung.

Nguồn:Tri Thức Cộng Ðồng