Một trong những bước rất quan trọng khi chạy SPSS được nhiều người sử dụng chính là phân tích nhân tố khám phá EFA. Tuy nhiên, còn rất nhiều bạn đọc chưa hiểu rõ về khám niệm này cũng như cách thực hiện phân tích ra sao. Vậy thì hãy để đội ngũ tại Best4team giúp bạn giải đáp chi tiết những thắc mắc này thông qua bài viết dưới đây.
1. Phân tích nhân tố khám phá EFA là gì?
Phân tích nhân tố khám phá (EFA) là phương pháp sử dụng các công cụ phân tích nhằm thu gọn một tập hợp các biến ban đầu thành một tập hợp ít hơn với các nhân tố có ý nghĩa hơn (Hair et al, 2009).
Ví dụ: Thay vì phải nghiên cứu tổng hợp 20 đặc điểm nhỏ của một đối tượng, thì sử dụng phân tích nhân tố khám phá EFA bạn sẽ :
- Gộp 20 đặc điểm này thành tập hợp chỉ gồm 4 đặc điểm lớn
- Đối với từng đặc điểm lớn sẽ gồm 5 đặc điểm nhỏ có sự tương quan với nhau.
Với phân tích nhân tố khám phá EFA, bạn sẽ tiết kiệm được rất nhiều thời gian và kinh phí trong quá trình thực hiện bài nghiên cứu của mình.
2. Mục tiêu của phân tích nhân tố EFA
Phương pháp phân tích nhân tố khám phá EFA trong SPSS thường được sử dụng với 3 mục đích chính sau:
- Giảm số lượng biến quan sát trùng lặp: Do trong quá trình phân tích chúng ta có thể rút ra được một số đặc điểm chung giữa các biến, sử dụng công cụ phân tích nhân tố EFA sẽ giúp tập hợp các biến có đặc điểm giống nhau đó thành một biến chung, làm giảm số lượng biến cần nghiên cứu.
- Xác định số lượng các nhân tố ảnh hưởng đến biến quan sát: Việc tập hợp các biến có đặc điểm giống nhau vào thành một biến sẽ giúp cho chúng ta dễ dàng xác định số lượng các nhân tố có ảnh hưởng đến biến quan sát mục tiêu của nghiên cứu.
- Xác định mối tương quan giữa mỗi nhân tố với biến quan sát: Bên cạnh tập hợp các yếu tố giống nhau, phân tích nhân tố EFA còn đưa ra số liệu thống kê để xác định được mức độ tương quan giữa các biến này với nhân tố chung.
3. Mô hình của EFA
Nhân tố khám phá EFA được đưa ra hoạt động theo mô hình nhân tố chung, có tên tiếng anh là Common factor model (DeCosster, 1998) với mô hình như sau:
Theo mô hình trên, ta dễ dàng nhận thấy rằng:
- Các nhân tố chung cơ bản (Common factor) là Factor 1 và Factor 2 sẽ tác động lên các biến quan sát từ Measure 1 đến Measure 5.
- Các biến quan sát Measure 1 đến Measure 5 lại có tác động lên các nhân tố đặc trưng cơ bản (unique factor) là E1, E2, E3, E4 và E5.
Nếu mô hình trên chứa các biến được chuẩn hóa thì mô hình sẽ có phương trình như sau:
Xi = Ai1*F1 + Ai2*F2 + Ai3*F3 + … + Aim*Fm + Vi*Ui
Trong đó:
- Xi: Biến quan sát thứ i đã được chuẩn hóa
- Ại: Hệ số hồi quy bội được chuẩn hóa của nhân tố chung thứ j với biến i
- F: Nhân tố chung
- Vi: Hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến thứ i
- Ui: Nhân tố đặc trưng của biến thứ i
- m: Số nhân tố chung
Các nhân tố chung cũng có thể được diễn tả qua những tổ hợp tuyến tính của biến quan sát như trong phương trình:
Fi = Wi1*X1 + Wi2*X2 + Wi3*X3 + … + Wik*Xk
Trong đó:
- Fi: Trị số của nhân tố thứ i ước lượng
- Wi: trọng số hay quyền số nhân tố
- k: Số biến
4. Cách phân tích nhân tố khám phá EFA trong SPSS
Bước 1: Xác định vấn đề
Trọng tâm chính cần làm khi phân tích dữ liệu EFA là cần giảm bớt dữ liệu. Điều quan trọng cần lưu ý là các biến phải có thể đo lường được trên thang đó khoảng thời gian hoặc thang đo tỷ lệ.
Tại đây bạn cần xác định cỡ mẫu sẽ được sử dụng để phân tích nhân tố. Theo quy tắc chung, kích thước mẫu phải gấp 4-5 lần biến số mới được đưa vào phân tích nhân tố EFA.
Bước 2: Xác định yêu cầu của EFA
Xác định mối tương quan giữa các biến, nếu tính tương quan giữa các biến là rất thấp thì tính phù hợp của nhân tố sẽ bị nghi ngờ nghiêm trọng. Tại đây sử dụng kiểm định Bartlett, nếu kiểm định này có giá trị p > 0.05 thì chứng tỏ ma trận tương quan có ý nghĩa.
Bước 3: Tính số lượng nhân tố
Xác định số lượng nhân tố khám phá phân tích thường dựa trên 3 đại lượng sau:
- Giá trị Eigen: Thể hiện số lượng phương sai trong biến được thực hiện cho nghiên cứu có liên quan đến 1 yếu tố. Nếu các yếu tố có nhiều hơn 1 Eigenvalue thì sẽ được đưa vào mô hình
- Biểu đồ sàng lọc: Là biểu đồ gồm các giá trị đặc trưng và số thành phần (yếu tố) theo thứ tự trích xuất
- Tiêu chí phần trăm phương sai: Cung cấp phần trăm phương sai có thể được quy cho từng yếu tố cụ thể so với tổng phương sai. Các yếu tố giải thích hơn 60-70% phương sai nên được giữ lại trong mô hình.
Bước 4: Xoay các nhân tố
Sau khi đã lựa chọn các yếu tố, bước tiếp theo là xoay các yếu tố. Bảng xoay các yếu tố thường có cấu trúc đơn giản và dễ giải thích hơn những yếu tố chưa được rút gọn (chưa xoay chuyển) ban đầu.
Bước 5: Chạy phân tích nhân tố khám phá
Các bước chạy phân tích nhân tố khám phá EFA được thực hiện như sau:
- Chọn Analyze → Dimension Reduction → Factor
- Chọn các biến cần phân tích từ hộp bên trái sang hộp bên phải có nhãn Variables:
- Nhấn chọn phần Descriptives trên cùng, đánh dấu tick như hình minh họa dưới đây. Sau đó nhấn Continue để kết thúc.
- Nhấn chọn phần Rotation, đánh dấu tick như hình minh họa dưới đây. Sau đó nhấn Continue để kết thúc.
- Nhấn chọn phần Options, đánh dấu tick như hình minh họa dưới đây. Sau đó nhấn Continue để kết thúc.
- Sau khi hoàn tất, trở về hộp thoại chính và ấn Continue, sau đó click OK để phần mềm SPSS tiến hành phân tích
Bước 6: Diễn giải và báo cáo
Tại bảng kết quả trên, ta thấy tất cả các hệ số tải đều lớn hơn 0.50, chứng tỏ các biến quan sát đều có thích hợp với nhân tố khám phá mới tạo ra. Tuy nhiên, trong bảng kết quả trên có 3 biến lần lượt là PR1, RDR1 và RDR2 do không thỏa mãn nên đã bị loại bỏ khỏi phân tích nhân tố khám phá trên.
Ba yếu tố được xác định là một phần của EFA này phù hợp với đề xuất lý thuyết trong nghiên cứu:
- Yếu tố 1 bao gồm các mục từ ER1 đến ER7, đề cập đến Trách nhiệm đạo đức (ER).
- Yếu tố 2 tập hợp các mục từ RDR2 đến RDR6, thể hiện các Trách nhiệm Nghiên cứu và Phát triển (RDR).
- Yếu tố 3 bao gồm các mục từ PR2 đến PR6, đề cập đến Trách nhiệm từ thiện (PR).
5. Điều kiện để bảng kết quả EFA có ý nghĩa
Để bảng kết quả phân tích nhân tố EFA có ý nghĩa, các biến được thực hiện phân tích phải đảm bảo các điều kiện sau:
- Hệ số KMO thuộc đoạn 0.5 đến 1
- Kiểm định Bartlett phải có sig nhỏ hơn 0.05
- Giá trị Eigenvalue lớn hơn hoặc bằng 1
- Tổng phương sai lớn hơn hoặc bằng 50%
5.1. Mối quan hệ giữa các biến đo lường
Phân tích nhân tố khám phá EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường nên chúng ta cần xem xét kỹ lưỡng các mối quan hệ này. Đánh giá chúng thông qua hệ số tương quan (correlation matrix), nếu hệ số này nhỏ hơn 0.30 thì việc sử dụng phân tích nhân tố khám phá EFA không phù hợp.
Sau đây là 4 tiêu chí đánh giá mối quan hệ giữa các biến như sau:
- Kiểm định Bartlett
Kiểm định Bartlett giúp xem xét ma trận tương quan có phải là ma trận đơn vị (identity matrix) hay không? Nếu pháp kiểm định này cho kết quả p<5% thì giả thuyết H0 bị bác bỏ, có nghĩa là các biến có quan hệ với nhau.
- Kiểm định KMO
Kiểm định KMO dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng của chúng. Trị số này nằm giữa khoảng 0.5 đến 1 là đủ điều kiện để nhân tố khám phá EFA thích hợp với các dữ liệu.
- Hệ số tải Factor loadings
Hệ số tải Factor loadings biểu thị mối tương quan đơn giữa các biến và các nhân tố. Những biến nào có hệ số nhỏ hơn 0.5 thì sẽ bị loại để đảm bảo giá trị hội tụ giữa các biến. Hệ số tải càng lớn chứng tỏ biến quan sát càng có mối liên quan chặt chẽ với nhân tố.
- Trị số Eigenvalue
Trị số này để xác định số lượng nhân tố trong phân tích EFA, những nhân tố này có trị số Eigenvalue lớn hơn hoặc bằng 1 mới đủ điều kiện giữ lại trong mô hình phân tích.
5.2. Điều kiện về kích thước mẫu
3 điều kiện để chọn lượng được kích thước mẫu phù hợp:
- Số lượng quan sát (cỡ mẫu) ít nhất phải gấp 4 đến 5 lần số biến thu được trong phân tích nhân tố EFA
- Để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt nhất là nên trên 100 mẫu. Sau đó tối đa hóa tỷ lệ 5:1, tức là cứ 5 biến quan sát thì chọn được 1 biến đo lường, là hợp lý nhất.
- Một nhân tố được gọi là đáng tin cậy nếu nhân tố này có từ 3 biến đo lường trở lên.
6. Ứng dụng của EFA
Nhân tố khám phá EFA thường được sử dụng rất nhiều trong các lĩnh vực phổ biến trong cuộc sống hiện nay như quản trị, kinh tế, tâm lý hay xã hội… Bởi vậy, nhu cầu nắm bắt và biết cách phân tích nhân tố khám phá EFA ngày càng cao.
Trong các nghiên cứu về kinh tế, người ta thường sử dụng thang đo (scale) để đo lường các khái niệm trong mô hình. Lúc này nhân tố EFA sẽ phát huy là phương pháp giúp rút gọn một tập hợp gồm rất nhiều biến khái niệm khác nhau thành một số nhân tố có đặc điểm chung.
Bên cạnh đó, nếu chúng ta sử dụng các nhân tố rút gọn này với tư cách là các biến độc lập trong hàm hồi quy bội thì mô hình mới sẽ giúp giảm vi phạm hiện tượng đa cộng tuyến.
Và cuối cùng, các kết quả rút ra được từ bước phân tích nhân tố khám phá EFA sẽ có thể được thực hiện trong phân tích hồi quy đa biến, phân tích mô hình Logit… để đánh giá mức độ tin cậy cũng như kiểm định mối quan hệ giữa các biến này.
7. 3 lưu ý khi phân tích EFA trong SPSS
Để đảm bảo khi thực hiện phân tích nhân tố khám phá EFA, bạn cần phải lưu ý 3 vấn đề sau đây:
- Không đưa biến phụ thuộc vào chung với biến độc lập để xử lý EFA cùng một lúc khi sử dụng phép quay và sử dụng giá trị nhân tố do EFA tạo ra
- Việc đánh giá giá trị thang đo nếu sử dụng EFA cho từng thang đo riêng lẻ sẽ không đạt được giá trị phân biệt.
- Dùng phân tích nhân tố khám phá EFA để đánh giá giá trị phân biệt chỉ mang tính chất tham khảo, cần xem xét hệ số tương quan giữa hai khái niệm biến độc lập và biến phụ thuộc.
Như vậy, thông qua bài viết này, đơn vị Best4team đã cung cấp đến bạn toàn bộ thông tin cũng như hướng dẫn chi tiết về phân tích nhân tố khám phá EFA. Rất hy vọng với những thông tin này, bạn sẽ nhanh chóng nắm bắt và ứng dụng thành công cách phân tích trên vào bài làm của bạn. Nếu có bất cứ thắc mắc gì thì cũng đừng ngần ngại liên hệ ngay với chúng tôi để được tư vấn và giải đáp sớm nhất.
Trong quá trình phân tích SPSS, bạn muốn tìm kiếm thêm nhiều tài liệu về hướng dẫn cách chạy SPSS cập nhật mới của Trung tâm Best4Team .Hoặc qua SĐT Zalo: 091.552.1220 hoặc email: best4team.com@gmail.com để hỗ trợ ngay nhé!
