Phân tích nhân tố khám phá EFA trong SPSS: 7 bước phải biết

Sau khi thực hiện kiểm định độ tin cậy bằng Cronbach’s Alpha trên SPSS, xulysolieu.info sẽ tiếp tục hướng dẫn các bạn cách phân tích nhân tố khám phá EFA và diễn giải đơn giản các chỉ số trong kết quả.

Xem thêm: 

3 cách tăng hệ số Cronbach’s Alpha trong SPSS

Kinh nghiệm thực hiện luận văn/ KLTN và các vấn đề liên quan

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

Khái niệm

Phân tích nhân tố khám phá (EFA) được thiết kế để tìm ra các yếu tố tiềm ẩn hoặc các biến số cơ bản nhằm giải thích mối quan hệ tương quan giữa các biến quan sát. EFA thường được áp dụng để giảm bớt độ phức tạp của dữ liệu, giúp nhận diện một số ít các yếu tố có thể giải thích phần lớn sự biến thiên trong một tập hợp lớn hơn các biến số.

EFA cũng có thể được sử dụng để đề xuất các giả thuyết liên quan đến các cơ chế nguyên nhân hoặc để sàng lọc các biến số cho các phân tích tiếp theo (ví dụ như xác định đa cộng tuyến trước khi thực hiện phân tích hồi quy tuyến tính).

Thay vì nghiên cứu 20 đặc điểm chi tiết của một đối tượng, chúng ta có thể tập trung vào 4 đặc điểm chính, trong đó mỗi đặc điểm chính này bao gồm 5 đặc điểm phụ có liên quan với nhau. Cách tiếp cận này giúp tiết kiệm thời gian và chi phí cho quá trình nghiên cứu.

Mục đích

Mục đích của EFA là mô tả một tập dữ liệu đa chiều sử dụng ít biến hơn. Sau khi bảng câu hỏi được xác thực, một quy trình khác gọi là Phân tích nhân tố xác nhận có thể được sử dụng.

Phân tích nhân tố khám phá EFA có hai mục tiêu:

• Xác định và hiểu được ý tưởng cơ bản
• Giảm số lượng biến trong phân tích khi có quá nhiều biến, một số biến chồng chéo nhau vì chúng có ý nghĩa và hành vi tương tự nhau.

Mối liên hệ giữa EFA và Cronbach’s Alpha

Trong khi Cronbach’s Alpha tập trung vào sự đồng nhất của các biến trong cùng một nhóm, EFA lại quan tâm đến cách các biến này tương tác và phân bố trên nhiều nhóm khác nhau, từ đó xác định các yếu tố ẩn tiềm.

• Khi sử dụng kiểm định độ tin cậy thang đo Cronbach’s Alpha, chúng ta đánh giá mức độ nhất quán nội tại giữa các biến trong cùng một nhóm hoặc cùng một nhân tố. Cronbach’s Alpha không xem xét mối quan hệ giữa các biến quan sát nằm trong các nhóm hoặc nhân tố khác nhau.
• Ngược lại, phân tích nhân tố khám phá (EFA) lại xem xét mối quan hệ giữa các biến trong tất cả các nhóm hoặc nhân tố khác nhau. Mục tiêu của EFA là phát hiện ra những biến quan sát có tải số cao trên nhiều nhân tố hoặc những biến quan sát có phương sai nhân tố từ ban đầu.

Giả định của phân tích nhân tố khám phá EFA

• Kích thước mẫu (N > 150)
• Tính đủ điều kiện của ma trận tương quan để phân tích
• Tính tuyến tính
• Không có ngoại lệ

Những điều cần chuẩn bị trước khi phân tích

+ Kiểm tra ma trận tương quan

– Mục đích: Đánh giá mức độ liên quan giữa các biến.

– Cách thực hiện: Sử dụng Excel hoặc SPSS để tính toán ma trận tương quan

– Lưu ý: Các hệ số tương quan cao (trên 0.8) cho thấy có thể xảy ra đa cộng tuyến.

+ Xử lý đa cộng tuyến

– Loại bỏ biến: Loại bỏ một trong hai biến có hệ số tương quan cao nhất (trên 0.8).

+ Chọn phương pháp và phép quay

– Phương pháp: Thông thường sử dụng phương pháp thành phần chính (PCA).
– Phép quay: Bắt đầu với phép quay Varimax để đơn giản hóa cấu trúc

+ Xác định số lượng yếu tố

– Tiêu chí Kaiser: Giá trị riêng lớn hơn 1 (có thể cho kết quả quá nhiều yếu tố).
– Tiêu chí thực nghiệm: Tìm kiếm số lượng yếu tố tối ưu sao cho mỗi yếu tố có ít nhất 3 biến tải trọng cao (trên 0.4) và tải trọng chéo thấp.

+ Xóa bỏ các biến không phù hợp

– Giá trị Communalities : Loại bỏ biến có Communalities nhỏ hơn 0.2.
– Tải trọng: Loại bỏ biến có tải trọng trên tất cả các yếu tố nhỏ hơn 0.3.
– Tải trọng chéo: Loại bỏ biến có tải trọng chéo lớn hơn 75%.

+ Kiểm tra và điều chỉnh:

– Kiểm tra tải trọng: Đảm bảo các biến tải trọng cao trên một yếu tố và thấp trên các yếu tố khác.
– Kiểm tra tương quan yếu tố: So sánh tương quan giữa các yếu tố. Nếu quá cao, có thể thử phép quay xiên.
+ Tính điểm yếu tố:

– Sử dụng PCA: Sử dụng các biến đã xác định để tính điểm yếu tố.

Một số kiểm tra cuối cùng

Sau khi thực hiện phân tích nhân tố, cần tiến hành một số kiểm tra để đảm bảo kết quả đạt được độ tin cậy và hợp lý:

+ Total variance explained: Kiểm tra xem các yếu tố đã trích xuất giải thích được ít nhất 50% phương sai của dữ liệu ban đầu.

+ Độ tin cậy của mẫu:

– KMO: Giá trị KMO nên lớn hơn 0.5 để đảm bảo mẫu dữ liệu đủ lớn và phù hợp cho phân tích nhân tố.

– Trung bình cộng tải trọng:

– Mẫu nhỏ (<100): Trung bình cộng tải trọng của các mục trên mỗi yếu tố nên lớn hơn 0.6.

– Mẫu vừa (100-200): Trung bình cộng tải trọng nên lớn hơn 0.5.

+ Ma trận tương quan: Các giá trị trong ma trận tương quan nên lớn hơn 0.00001 để đảm bảo các mục trong cùng một yếu tố có mối liên hệ chặt chẽ.

+ Độ tin cậy nội bộ: Tính hệ số alpha của Cronbach cho mỗi thang đo để đánh giá độ tin cậy nội bộ của các mục trong cùng một thang đo.

+ Diễn giải ý nghĩa: Đặt tên cho các yếu tố dựa trên ý nghĩa của các mục tải lên yếu tố đó.

2. Các ngưỡng đánh giá chỉ số trong EFA

• Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để kiểm tra sự phù hợp của dữ liệu cho phân tích nhân tố. Giá trị KMO cần đạt từ 0.5 trở lên (0.5 ≤ KMO ≤ 1) để đảm bảo tính hợp lý của phân tích nhân tố. Nếu giá trị KMO dưới 0.5, phân tích nhân tố có thể không phù hợp với tập dữ liệu đó.
• Kiểm định Bartlett (Bartlett’s test of sphericity) được sử dụng để xác định xem các biến quan sát trong một nhân tố có tương quan với nhau hay không. Điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phải có mối tương quan với nhau, thể hiện qua giá trị hội tụ trong phân tích EFA. Nếu kiểm định Bartlett không có ý nghĩa thống kê (sig Bartlett’s Test ≥ 0.05), không nên tiến hành phân tích nhân tố cho các biến này.
• Trị số Eigenvalue là một tiêu chí phổ biến để xác định số lượng nhân tố trong phân tích EFA. Chỉ những nhân tố có Eigenvalue > 1 mới được giữ lại trong mô hình phân tích.
• Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là phù hợp. Nếu coi tổng biến thiên là 100%, chỉ số này thể hiện phần trăm biến thiên được giải thích bởi các nhân tố đã trích xuất, và phần trăm bị mất mát của các biến quan sát.
• Hệ số tải nhân tố (Factor Loading), hay còn gọi là trọng số nhân tố, biểu thị mối quan hệ tương quan giữa biến quan sát và nhân tố. Hệ số tải càng cao, nghĩa là tương quan giữa biến quan sát và nhân tố càng lớn. Theo Hair và cộng sự (2010) trong cuốn Multivariate Data Analysis, hệ số tải từ 0.5 trở lên cho thấy biến quan sát đạt chất lượng tốt, với ngưỡng tối thiểu nên là 0.3.
  • Hệ số tải Factor Loading ở mức ±0.3: Đây là ngưỡng tối thiểu để giữ lại biến quan sát.
  • Hệ số tải Factor Loading ở mức ±0.5: Biến quan sát có ý nghĩa thống kê tốt.
  • Hệ số tải Factor Loading ở mức ±0.7: Biến quan sát có ý nghĩa thống kê rất tốt.

Hair và các cộng sự cũng nhấn mạnh rằng, tiêu chuẩn của hệ số tải Factor Loading phải được đánh giá dựa trên kích thước mẫu. Mức độ trọng số nhân tố để biến quan sát có ý nghĩa thống kê sẽ thay đổi tùy thuộc vào kích thước mẫu. Bảng dưới đây cho thấy mối quan hệ giữa kích thước mẫu và trọng số nhân tố cần thiết để biến quan sát đạt được ý nghĩa thống kê:

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

3.1 Phân tích EFA cho biến độc lập

Lần lượt chạy phân tích nhân tố khám phá cho các biến độc lập và biến phụ thuộc. Lưu ý, các biến quan sát bị loại ở bước Cronbach’s Alpha trước đó sẽ không được đưa vào để kiểm định EFA. Để thao tác phân tích nhân tố khám phá EFA trong SPSS 27, chúng ta làm như sau:

Bước 1: Từ menu SPSS, chọn Analyze > Dimension Reduction > Factor

Bước 2: Từ hộp bên trái, chuyển các biến cần phân tích EFA vào hộp biến Variables. Chúng ta sẽ không đưa vào phân tích EFA các biến quan sát bị loại ở bước Cronbach’s Alpha trước đó. Chú ý 4 mục được đánh số ở hình minh họa bên dưới:

Bước 3: Nhấp vào nút Descriptives và một cửa sổ mới sẽ mở ra. Trong hộp Statistics, tích vào mục KMO and Barlett’s test of sphericity sau đó nhấp Continue.

Bước 4: Nhấp vào nút Extraction. Trong hộp Method, chọn Principal components. Trong hộp Analyze, chọn Correlation matrix sau đó nhấp Continue.

Lưu ý: Phép trích Principal Component Analysis (PCA) sẽ được viết tắt là Principal Components như trong hình dưới đây, đây cũng là tùy chọn mặc định trong SPSS. Ngoài PCA chúng ta cũng thường sử dụng PAF, các bạn có thể xem cách sử dụng hai phương pháp quay phổ biến này trong bài viết bên dưới:

Xem thêm: Phép trích Principal Components Analysis (PCA) và Principal Axis Factoring (PAF).

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, bài viết này sẽ chỉ tập trung vào phép trích PCA.

Bước 5: Chọn nút Rotation để truy cập các phương pháp xoay, thường dùng nhất là Varimax và Promax. Đối với những đề tài đã xác định biến độc lập và biến phụ thuộc, ta sử dụng phương pháp xoay Varimax. Hãy chọn Varimax trong hộp Method và tick chọn Rotated solution trong hộp Display, sau đó nhấn Continue.

Xem thêm: Phép quay vuông góc Varimax và phép quay không vuông góc Promax.

Bước 6:

Nhấp vào nút Options và chọn Sorted by size để sắp xếp ma trận xoay theo thứ tự bậc thang của các cột, giúp việc đọc kết quả trở nên dễ dàng hơn. Việc bật hay tắt tùy chọn này không ảnh hưởng đến kết quả phân tích. Lưu ý rằng, thứ tự của các yếu tố trong ma trận xoay không phản ánh tầm quan trọng của chúng.

Đối với mục Suppress small coefficients, nếu không chọn tùy chọn này, ma trận xoay sẽ hiển thị toàn bộ hệ số tải của từng biến quan sát trên mỗi yếu tố. Nếu bạn chỉ muốn hiển thị các ô có hệ số tải từ 0.3, 0.4, 0.5 trở lên, bạn cần chọn Suppress small coefficients. Khi đó, trường Absolute value below sẽ được kích hoạt, cho phép bạn nhập ngưỡng hệ số tải dưới mức đó mà không hiển thị trong ma trận xoay. Trong ví dụ này, để dễ theo dõi kết quả, Xulysolieu sẽ nhập ngưỡng 0.3 để chỉ hiển thị các ô có hệ số tải từ 0.3 trở lên. Sau đó, nhấp vào Continue để đóng cửa sổ.

Bước 7: Chọn OK để phân tích, kết quả phân tích nhân tố khám phá sẽ xuất hiện ở cửa sổ đầu ra.

3.2 Phân tích EFA cho biến phụ thuộc

4. Hướng dẫn đọc kết quả đầu ra của phân tích nhân tố khám phá EFA

Trong output có khá nhiều bảng (trong ví dụ này là kết quả EFA của các biến độc lập). Tất cả các bảng này đều đóng góp vào việc đánh giá kết quả phân tích EFA là tốt hay tệ. Tuy nhiên, ở đây Xulysolieu tập trung vào ba bảng kết quả chính: KMO and Bartlett’s Test, Total Variance Explained, và Rotated Component Matrix. Bằng cách sử dụng ba bảng này, chúng ta có thể đánh giá liệu kết quả phân tích EFA có phù hợp hay không.

Đọc kết quả bảng kiểm định KMO and Bartlett’s Test trong SPSS Output

+ Giá trị KMO: Dao động từ 0 đến 1.
+ Ý nghĩa các giá trị KMO:
– KMO gần 1: Dữ liệu rất phù hợp để phân tích nhân tố EFA. Các biến có mối tương quan cao với nhau, hỗ trợ cho việc tạo ra các yếu tố.
– KMO gần 0: Dữ liệu không phù hợp để phân tích nhân tố EFA. Các biến có ít mối tương quan với nhau, việc tạo ra các yếu tố không có ý nghĩa.
– KMO từ 0.5 đến 0.7: Dữ liệu có thể chấp nhận được để phân tích nhân tố khám phá EFA, nhưng nên cân nhắc kỹ hơn.
– KMO dưới 0.5: Dữ liệu không phù hợp để phân tích nhân tố khám phá EFA.

Xem xét kết quả EFA cho các biến độc lập: KMO = 0.799 > 0.5, sig Bartlett’s Test = 0.000 < 0.05, như vậy phân tích nhân tố khám phá EFA là phù hợp. 

Đọc kết quả bảng Total Variance Explained trong SPSS Output

+ Giá trị Eigenvalue:

– Một yếu tố có giá trị eigenvalue lớn hơn 1 thường được xem là có ý nghĩa và nên giữ lại.

– Tuy nhiên, tiêu chí này chỉ là một gợi ý, không phải là quy tắc cứng nhắc.

+ % of Variance:

– Cho biết mỗi yếu tố giải thích được bao nhiêu phần trăm biến động của dữ liệu.

– Các yếu tố có % of Variance cao hơn thường quan trọng hơn.

+ Cumulative %:

– Cho biết tổng tỷ lệ phương sai được giải thích bởi các yếu tố từ đầu đến yếu tố hiện tại.

– Mục tiêu là tìm một số lượng yếu tố có thể giải thích được một tỷ lệ phương sai đủ lớn (thường là trên 50%).

Có 5 nhân tố được trích với tiêu chí Eigenvalue lớn hơn 1 với tổng phương sai tích lũy là 75.589%. Như vậy, 5 nhân tố được trích giải thích được 75.589% biến thiên dữ liệu của tất cả các biến quan sát tham gia vào EFA.

Đọc kết quả bảng bảng ma trận các nhân tố trong SPSS Output

+ Giá trị tuyệt đối của hệ số tải trọng:
– Cao (thường từ 0.5 trở lên): Biến đó có liên kết chặt chẽ với yếu tố tương ứng.
– Thấp (gần 0): Biến đó có liên kết yếu hoặc không có liên kết với yếu tố tương ứng.
+ Dấu của hệ số tải trọng:
– Dấu dương: Biến và yếu tố cùng chiều biến thiên.
– Dấu âm: Biến và yếu tố ngược chiều biến thiên.

Tác giả mong muốn chọn ra các biến quan sát chất lượng nên sẽ sử dụng ngưỡng hệ số tải là 0.5 thay vì chọn hệ số tải tương ứng theo cỡ mẫu. So sánh ngưỡng này với kết quả ở ma trận xoay, tất cả các biến đều đáp ứng ngưỡng này. 

Đọc kết quả bảng Component Transformation Matrix trong SPSS Output

+ Mỗi hàng và mỗi cột: Đại diện cho một yếu tố.
+ Giá trị trong bảng: Là hệ số tương quan giữa hai yếu tố.
+ Giá trị hệ số tương quan: Dao động từ -1 đến 1.
– Gần 1: Hai yếu tố có mối tương quan dương rất mạnh, nghĩa là khi giá trị của yếu tố này tăng thì giá trị của yếu tố kia cũng tăng.
– Gần -1: Hai yếu tố có mối tương quan âm rất mạnh, nghĩa là khi giá trị của yếu tố này tăng thì giá trị của yếu tố kia giảm.
– Gần 0: Hai yếu tố không có mối tương quan hoặc mối tương quan rất yếu.

Đọc kết quả biểu đồ Scree Plot trong SPSS Output

– Xác định điểm uốn: Tìm điểm trên biểu đồ mà sau đó đường cong bắt đầu trở nên gần như phẳng.
– Quyết định số lượng yếu tố: Số lượng yếu tố bạn nên giữ lại thường tương ứng với số yếu tố nằm trước điểm uốn.

Phân tích nhân tố khám phá EFA là bước không thể thiếu trong quá trình chạy thống kê bằng SPSS. Vì vậy, nếu việc phân tích nhân tố khám phá EFA gây khó khăn cho bạn vì số liệu khảo sát không tốt, xulysolieu.info có Dịch vụ chạy SPSS hoặc bạn có thể liên hệ trực tiếp đến fanpage của chúng mình.