Tổng quan về phân tích nhân tố khám phá EFA trong SPSS

Việc thực hiện dữ liệu định lượng bằng SPSS khi làm bài luận văn hay làm nghiên cứu khoa học không thể thiếu một bước vô cùng quan trọng đó là phân tích nhân tố khám phá SPSS. Bởi vì khi khi kiểm định một lý thuyết khoa học, bạn cần đánh giá độ tin cậy của thang đo (Cronbach Alpha) và giá trị của thang đo (EFA).

Hãy liên hệ với đội ngũ Luận Văn 24 để được hỗ trợ chạy spss thuê Với kinh nghiệm và đội ngũ trình độ cao, chúng tôi cam kết sẽ mang đến cho bạn nhiều lợi ích nhất

Tổng quan về phân tích nhân tố khám phá EFA trong SPSS

Tổng quan về phân tích nhân tố khám phá EFA trong SPSS

1. Phân tích nhân tố khám phá EFA trong SPSS là gì?

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).

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). Nó hướng đến việc khám phá ra cấu trúc cơ bản của một tập hợp các biến có liên quan với nhau.

Phân tích nhân tố khám phá 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. Trong nghiên cứu, chúng ta thường 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, chúng ta có thể chỉ nghiên cứu 4 đặc điểm lớn, trong mỗi đặc điểm lớn này gồm 5 đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người nghiên cứu.

Ứng dụng của EFA

EFA thường được sử dụng nhiều trong các lĩnh vực quản trị, kinh tế, tâm lý, xã hội học,… khi đã có được mô hình khái niệm (Conceptual Framework) từ các lý thuyết hay các nghiên cứu trước. Trong các nghiên cứu về kinh tế, người ta thường sử dụng thang đo(scale) chỉ mục bao gồm rất nhiều câu hỏi (biến đo lường) nhằm đo lường các khái niệm trong mô hình khái niệm, và EFA sẽ góp phần rút gọn một tập gồm rất nhiều biến đo lường thành một số nhân tố. Khi có được một số ít các nhân tố, nếu chúng ta sử dụng các nhân tố này với tư cách là các biến độc lập trong hàm hồi quy bội thì khi đó, mô hình  sẽ giảm khả năng vi phạm hiện tượng đa cộng tuyến. Ngoài ra, các nhân tố được rút ra sau khi thực hiện EFA sẽ có thể được thực hiện trong phân tích hồi quy đa biến (Multivariate Regression Analysis), mô hình Logit, sau đó có thể tiếp tục thực hiện phân tích nhân tố khẳng định(CFA) để đánh giá độ tin cậy của mô hình hay thực hiện mô hình cấu trúc tuyến tính (Structural Equation Modeling, SEM) để kiểm định về mối quan hệ phức tạp giữa các khái niệm.

>>>Xem thêm bài viết có nội dung liên quan:

+ Kiểm định Cronbach Alpha là gì? Thực hành phân tích Cronbach Alpha

+ Hướng dẫn cách tạo bộ dữ liệu đẹp trong phân tích định lượng

2. Điều kiện để áp dụng EFA

2.1. Mức độ tương quan giữa các biến đo lường

Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường, vì vậy, trước khi quyết định sử dụng EFA, chúng ta cần xem xét mối quan hệ giữa các biến đo lường này. Sử dụng ma trận hệ số tương quan(correlation matrix), chúng ta có thể nhận biết được mức độ quan hệ giữa các biến.  Nếu các hệ số tương quan nhỏ hơn 0.30, khi đó sử dụng EFA không phù hợp(Hair et al. 2009)

Sau đây là một số tiêu chí đánh giá mối quan hệ giữa các biến:

Kiểm định Bartlett:

Kiểm định Bartlett dùng để xem xét ma trận tương quan có phải là ma trận đơn vị  (identity matrix) hay không ?. Ma trận đơn vị ở đây được hiểu là ma trận có hệ số tương quan giữa các biến bằng 0, và hệ số tương quan với chính nó bằng 1.

Nếu phép kiểm định Bartlett có p<5%, chúng ta có thể từ chối giả thuyết H0 (ma trận tương quan là ma trận đơn vị), có nghĩa là các biến có quan hệ với nhau.

Kiểm định KMO:

Kiểm định KMO(Kaiser – Meyer – Olkin) là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng phần của chúng.

Để sử dụng EFA, thì KMO phải lớn hơn 0.50

Kaiser(1974) đề nghị

KMO >= 0.90: Rất tốt;

0.80 <= KMO < 0.90: Tốt;

0.70 <= KMO <0. 80: Được;

0.60 <= KMO <0. 70: Tạm được;

0.50 <= KMO <0. 60: Xấu;

KMO <0. 50: Không chấp nhận được

2.2. Kích thước mẫu

Để sử dụng EFA, chúng ta cần kích thước mẫu lớn, nhưng vấn đề xác định kích thước mẫu phù hợp là việc phức tạp. Các nhà nghiên cứu thường dựa theo theo kinh nghiệm.

Trong EFA, kích thước mẫu thường được xác định dựa vào “kích thước tối thiểu” và “số lượng biến đo lường đưa vào phân tích”, sau đây là một vài ý kiến, đề nghị từ các chuyên gia về phân tích nhân tố, chúng ta có thể xem xét:

– Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), số lượng quan sát (cỡ mẫu) ít nhất phải gấp 4 đến 5 lần số biến trong phân tích nhân tố.

– Hair et al. (2009) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt hơn nên là 100.  Ông Hair đề nghị, cố gắng tối đa hóa tỷ lệ quan sát trên mỗi biến đo lường là 5:1, có nghĩa là cứ 1 biến đo lường thì cần tối thiểu là 5 quan sát.

– Stevens (2002, theo Habing 2003) một nhân tố được gọi là tin cậy nếu nhân tố này có từ 3 biến đo lường trở lên.

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

Lần lượt chạy phân tích nhân tố khám phá cho biến độc lập và biến phụ thuộc. Lưu ý, các biến quan sát bị loại ở bước Cronbach Alpha trước đó sẽ không được đưa vào để kiểm định EFA.

Để thực hiện phân tích nhân tố khám phá EFA trong SPSS 20, chúng ta vào Analyze > Dimension Reduction > Factor…

Ảnh 1 - Các bước phân tích nhân tố khám phá EFA

Ảnh 1 – Các bước phân tích nhân tố khám phá EFA

Tiếp đó, đưa các biến quan sát cần thực hiện phân tích EFA vào mục Variables.

Ảnh 2 - Các bước phân tích nhân tố khám phá EFA

Ảnh 2 – Các bước phân tích nhân tố khám phá EFA

Descriptives: Tích 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.

Ảnh 3 - Các bước phân tích nhân tố khám phá EFA

Ảnh 3 – Các bước phân tích nhân tố khám phá EFA

– Extraction: Ở đây, chúng ta 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.

Ảnh 4 - Các bước phân tích nhân tố khám phá EFA

Ảnh 4 – Các bước phân tích nhân tố khám phá EFA

Khi các bạn nhấp chuột vào nút mũi tên hướng xuống sẽ có nhiều tùy chọn phép trích khác nhau. Số lượng nhân tố được trích ra ở ma trận xoay phụ thuộc khá nhiều vào việc lựa chọn phép trích, tuy nhiên, tài liệu này sẽ chỉ tập trung vào phần PCA.

– Rotation: Ở đây có các phép quay, thường chúng ta hay sử dụng Varimax và Promax. Riêng với dạng đề tài đã xác định được biến độc lập và biến phụ thuộc, chúng ta sử dụng phép quay Varimax. Nhấp Continue để quay lại cửa sổ ban đầu.

Ảnh 5 - Các bước phân tích nhân tố khám phá EFA

Ảnh 5 – Các bước phân tích nhân tố khám phá EFA

– Options: Tích vào 2 mục như hình bên dưới. Sorted by size giúp sắp xếp ma trận xoay thành từng cột dạng bậc thang để dễ đọc dữ liệu hơn. Suppress small coefficients giúp loại bỏ các hệ số tải không đạt tiêu chuẩn khỏi ma trận xoay, giúp ma trận gọn gàng, trực quan hơn. 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 tác giả sẽ nhập vào 0.5. Nhấp Continue để quay lại cửa sổ ban đầu.

Ảnh 6 - Các bước phân tích nhân tố khám phá EFA

Ảnh 6 – Các bước phân tích nhân tố khám phá EFA

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

Ảnh 7 - Các bước phân tích nhân tố khám phá EFA

Ảnh 7 – Các bước phân tích nhân tố khám phá EFA

Có khá nhiều bảng ở Output, nhưng bạn chỉ cần quan tâm 3 bảng dưới đây:

  • Total Variance Explained: xem tổng phương sai trích Total Variance Explained và giá trị Eigenvalue.
  • KMO and Barlett’s Test: xem hệ số KMO và sig kiểm định Bartlett.
  • Rotated Component Matrix: xem ma trận xoay và kiểm tra hệ số tải Factor Loading của các biến quan sát.

 

Ảnh 8 - Bảng KMO and Barlett’s Test

Ảnh 8 – Bảng KMO and Barlett’s Test

Ảnh 9 - Bảng Total Variance Explained

Ảnh 9 – Bảng Total Variance Explained

Ảnh 10 - Bảng Rotated Component Matrix

Ảnh 10 – Bảng Rotated Component Matrix

Nguồn: luanvan24.com

Từ khóa: spss for mac, efa spss, efa là gì, phan tich efa, conceptual framework là gì, phân tích spss, phan tich spss, component matrix spss, spss efa

Tổng quan về phân tích nhân tố khám phá EFA trong SPSS
5 (100%) 5 vote[s]
avatar
1 Chủ đề bình luận
0 Trả lời chủ đề
0 Người theo dõi
 
Phản ứng nhiều nhất
Chủ đề bình luận nóng nhất
1 Tác giả bình luận
Ánh Ngọc Tác giả bình luận gần đây
  Theo dõi  
Thông báo về
Ánh Ngọc
Khách
Ánh Ngọc

3 biến phụ thuộc thì chuyển qua chạy mô hình SEM của AMOS