Lý thuyết về nhân tố khám phá EFA

Đinh Hà Uyên Thư 07/01/2020 SPSS - EVIEW
  • Lý thuyết về nhân tố khám phá EFA
    5/5 (1 đánh giá ) 0 bình luận

Trong bài viết này, tailuanvan.com xin chia sẻ đến bạn những lý thuyết chung về nhân tố khám phá EFA. Nếu bạn đang muốn tìm hiểu sâu về phần này, thì bài viết này nhất định không thể bỏ qua.

 

Lý thuyết về nhân tố khám phá EFA

1. Giới thiệu chung về phân tích nhân tố khám phá EFA

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<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).

Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Principal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.

Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:

  • Factor loading > 0.5 được xem là có ý nghĩa thực tiễn 
  • Factor loading > 0.3 được xem là đạt mức tối thiểu
  • Factor loading > 0.4 được xem là quan trọng

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 %.

2. Khắc phục lỗi không xuất hiện hệ số KMO

Với các tài liệu và bài viết trên mạng, đến giây phút này chúng ta tạm tin có 3 lý do cơ bản là - điều này có thể không đúng nhé!

  • Có một hoặc nhiều biến có độ lệch chuẩn bằng 0
  • Có hai biến quan sát giá trị hoàn toàn giống nhau, đây là điều dễ gặp khi các bạn "chế số" để ra kết quả chạy đẹp

Lý do chính của hai vấn đề trên là do số liệu SPSS được sửa lại để chạy kiểm định Cronbach's alpha…., điều này rất nguy hiểm, bởi vì số liệu cần phải đạt được tính thống nhất trong tất cả các bước của một bài luận văn: cronbach, efa, tương quan, hồi quy… Chỉ cần một bước dữ liệu bị thay đổi là các bước sau bị ảnh hưởng hết.

  • Khi phân tích nhân tố bạn chưa tick vào chọn hiển thị KMO như sau

Dưới đây là  ví dụ, và để khắc phục 2 lỗi này ta chỉ cần khắc phục 2 nguyên nhân trên

Tiếp tục với file dữ liệu lần trước khi tách- gộp các hệ số tải nhân tố.

 

Tại ảnh 1, dữ liệu tại cột x2 và x3; y1 và y3 đồng nhất nên KMO không xuất hiện

 

Tại ảnh sau, KMO đã xuất hiện khi điều chỉnh tại 2 ô số liệu được đánh dấu màu xanh

3. Điều chỉnh hệ số tải nhân tố KMO

Phần 1: Quan hệ giữa hệ số tải nhân tố và hệ số đo độ tin cậy của thang đo (Cronbach’s Alpha)

 

Các biến số tại mỗi quan sát gần như đồng nhất. Vậy không có gì khó hiểu khi chúng có điểm chung lớn và xác định là chỉ có 1 nhân tố đại diện được cho cả 6 nhân tố nhỏ.

Làm sao để tách hệ số tải ra 2 nhóm?

Cùng quan sát ví dụ phía dưới. Quan sát số 1, số 2 và số 7 được điều chỉnh mạnh tại biến y1 y2 y3 nhưng vẫn phải đảm bảo 3 biến số này đồng nhất.

Ngay lập tức các nhân tố chi ra làm 2 nhóm nhân tố.

 

Phần 2: Kết luận

Để các nhóm nhân tố có sự "hội tụ" và "phân biệt" rõ ràng thì

- Giữa các nhóm cần nhân tố đại diện khác nhau thì phải có sự khác biệt nhất định- khi đó mới tồn tại các nhóm nhân tố khác nhau. Bằng không nó chỉ còn ở 1 nhóm nhân tố.

- Các nhân tố thuộc cùng 1 nhóm phải có điểm tương đồng- có chung tiếng nói thì mới tìm được "tiếng nói chung"- đó chính là nhân tố đại diện

Phần 3: Thực hành

Qua ví  dụ và kết luận phía trên chắc hẳn các bạn cũng đã có những định hướng để xử lý cho vấn đề của mình- có thể là làm xuôi hay làm ngược.

Mọi chuyện có vẻ đơn giản nhưng thực chất là do bộ số liệu demo quá đơn giản, và thức tế không có chuyện CA băng 0.9 hay bằng 1 được. Ngoài ra nếu các nhân tố tương quan quá mạnh với nhau thì cũng không xuất hiện luôn hệ số KMO,...

Khi xử lý các bộ số liệu thực tế thì phức tạp hơn rất nhiều bởi lý do:

  • Độ phức tạp của mô hình
  • Số lượng biến quan sát hay nhân tố đưa và mô hình rất nhiều
  • Số lượng quan sát lớn (Cỡ mẫu)
  • EFA không đứng riêng mà liên quan tới các khâu trước (CA) hay các khâu phía sau, ví dụ như hồi quy
  • .....

Biện pháp triệt để và khoa học đó là:

- Thu thập dữ liệu cẩn thận. Mô tả đúng câu hỏi để đáp viên không hiểu lầm

- Điều chỉnh mô hình cho phù hợp với thực tiễn- Có thể cần xây dựng lại nghiên cứu

- Làm sạch dữ liệu trước khi phân tích- Loại bỏ các quan sát "rác"

nhận ngay bộ tài liệu tham khảo phù hợp nhất với bạn

Hotline: 0912 309 689
Đinh Hà Uyên Thư Bạn hãy tham khảo website https://tailuanvan.com để rõ hơn công việc của tôi nhé !
Bình luận đánh giá
Đánh giá

Chat với chúng tôi qua zalo