Phân tích nhân tố khám phá EFA là gì? Các tiêu chí trong phân tích EFA

June 12, 2020
Spss


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 là gì?
Phân tích nhân tố khám phá EFA là gì?

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

Phân tích nhân tố khám phá EFA là gì?
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.

Anna PhạmAnna Phạm

Xin chào, tôi tên là Anna Phạm và tôi có kinh nghiệm 5 năm trong lĩnh vực giáo dục. Sau khi tốt nghiệp đại học Quốc gia Hà Nội, tôi đã bắt đầu công việc viết lách và chia sẻ kiến thức và kinh nghiệm về làm luận văn.

Bài viết liên quan

Đăng Ký Tư Vấn

Thank you! Your submission has been received!

Oops! Something went wrong while submitting the form