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.
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 và ctg [ 1998, 111 ], thông số tải tác nhân hay trọng số tác nhân [ Factor loading ] là chỉ tiêu để bảo vệ 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 tiễnTuy nhiên, bạn cần quan tâm giá trị tiêu chuẩn của thông số tải Factor Loading cần phải nhờ vào vào kích cỡ mẫu. Trong trong thực tiễn, việc nhớ từng mức thông số tải với từng khoảng chừng kích cỡ mẫu không hề thuận tiện, chính cho nên vì thế người ta thường lấy thông số tải 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350 ; lấy tiêu chuẩn thông 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 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.
Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA [Exploratory Factor Analysis, gọi tắt là phương pháp EFA] giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau [interdependence techniques], nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau [interrelationships]. EFA dùng để rút gọn một tập k biến quan sát thành một tập F [F 0.3 được xem là đạt mức tối thiểu • Factor loading > 0.4 được xem là quan trọng
• Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
- Hệ số tải nhân tố [Factor loading ] > 0.5
- 0.5 ≤ KMO ≤ 1: Hệ số KMO [Kaiser-Meyer-Olkin] là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
- Kiểm định Bartlett có ý nghĩa thống kê [Sig. < 0.05]: Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu 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.
- Phần trăm phương sai trích [Percentage of variance] > 50%: 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 %.
Cách phân tích nhân tố khám phá EFA
Vào chọn menu : Analyze-> Data Reduction ->Factor.
Chọn tất cả các biến[ hoặc độc lập hoặc phụ thuộc] đưa vào cột Variables bên phải.
Nhấn vào Descriptives, chọn KMO and Bartlett's test of sphericity
Bấm vào nút Rotation, chọn Varimax
Bấm vào nút Options, chọn Sorted by size và chọn Suppress absolute values less than, gõ vào .3
Sau đó nhấn OK, kết quả sẽ hiển thị khá dài, trong đó có bảng Rotated Component Matrix như sau:
Video hướng dẫn phân tích EFA:
Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.
– SMS, Zalo, Viber:
– Chat Facebook: //facebook.com/hoidapSPSS/
– Email:
– Xử lý/ hiệu chỉnh số liệu khảo sát để chạy ra kết quả phân tích nhân tố hội tụ,phân tích hồi quy hồi quy có ý nghĩa thống kê.
– Tư vấn mô hình/bảng câu hỏi/ traning trực tiếp về phân tích hồi quy, nhân tố, cronbach alpha… trong SPSS, và mô hình SEM, CFA, AMOS