Muốn phân tích EFA hiệu quả và chính xác? Bạn không thể bỏ qua bài viết này! Chúng ta sẽ cùng nhau khám phá những vấn đề thường gặp trong quá trình phân tích EFA, từ đó đưa ra những giải pháp tối ưu để đảm bảo kết quả nghiên cứu của bạn có độ tin cậy cao.

Các vấn đề trong phân tích EFA – P1

Vấn đề 1: Xuất hiện biến xấu trong phân tích EFA

Phân tích EFA (Exploratory Factor Analysis) là một công cụ mạnh mẽ trong việc khám phá cấu trúc tiềm ẩn của dữ liệu, giúp các nhà nghiên cứu và phân tích hiểu rõ hơn về mối quan hệ giữa các biến số. Tuy nhiên, trong quá trình thực hiện phân tích EFA, sự xuất hiện của các “biến xấu” có thể gây ra những ảnh hưởng tiêu cực đến kết quả.

Những biến này không chỉ làm giảm tính tin cậy của mô hình mà còn có thể dẫn đến việc giải thích sai lệch. Vậy làm thế nào để nhận diện và xử lý các biến xấu khi thực hiện phân tích EFA? Hãy cùng tìm hiểu chi tiết trong bài viết dưới đây.

Các dạng biến xấu trong phân tích EFA

Dưới đây là 3 dạng biến xấu thường gặp nhất trong phân tích EFA tương ứng với bảng ma trận xoay ví dụ sau:

Biến xấu 1: Biến quan sát không đảm bảo hệ số tải tiêu chuẩn

Hệ số tải trong phân tích EFA đóng vai trò quan trọng trong việc xác định mức độ ảnh hưởng của một biến quan sát đối với một nhân tố cụ thể. Một biến quan sát với hệ số tải thấp hơn ngưỡng tiêu chuẩn có thể không đảm bảo đủ sự đóng góp cần thiết, từ đó ảnh hưởng đến độ tin cậy của kết quả nghiên cứu.

Chẳng hạn, trong bảng ma trận xoay minh họa, biến SI1 có hệ số tải nhỏ hơn 0.5. Với ngưỡng hệ số tải 0.5 đã được chọn, các biến có hệ số tải dưới 0.5 sẽ bị loại bỏ. Do đó, biến SI1 với hệ số tải dưới 0.5 không đáp ứng tiêu chí này và cần được loại bỏ để đảm bảo tính chính xác của mô hình.

Biến xấu 2: Biến quan sát chỉ nằm tách biệt một mình ở một nhân tố

Việc xây dựng thang đo cho các biến quan sát trong phân tích EFA nhằm đo lường một khái niệm chung hoặc các khía cạnh liên quan. Khi một biến quan sát chỉ xuất hiện duy nhất trong một nhân tố mà không có liên kết với các biến khác, nó biểu hiện một khái niệm riêng lẻ, không đóng góp vào việc đo lường tổng thể. Đây là một “biến xấu” và cần được xem xét loại bỏ trong quá trình phân tích EFA.

Ví dụ, trong bảng ma trận xoay, biến WC3 chỉ hiện diện duy nhất trong nhân tố số 5, tách biệt hoàn toàn khỏi các nhân tố khác. Điều này cho thấy biến này không đạt yêu cầu để đại diện cho một khái niệm chung và nên được loại bỏ để duy trì sự chính xác trong phân tích EFA.

Biến xấu 3: Tải liên nhiều nhóm nhân tố và chênh lệch hệ số tải nhỏ hơn 0.3

Trong phân tích EFA, kỳ vọng chung là mỗi biến quan sát chỉ tải mạnh vào một nhân tố duy nhất, đại diện cho một khái niệm cụ thể. Nếu một biến quan sát có hệ số tải lớn ở nhiều nhân tố khác nhau, điều này có thể gây nhầm lẫn về khái niệm mà biến đó đo lường, từ đó làm giảm độ phân biệt của thang đo. Theo Matt C. Howard (2015), nếu chênh lệch giữa các hệ số tải của một biến quan sát ở hai nhân tố nhỏ hơn 0.3, biến này nên được xem xét loại bỏ.

Ví dụ, trong bảng ma trận xoay, biến DI4 có hệ số tải vào nhân tố số 1 và số 2 lần lượt là 0.654 và 0.884, với chênh lệch là 0.230, thấp hơn 0.3. Do đó, biến DI4 cần được loại bỏ để đảm bảo tính nhất quán của phân tích.

Trong trường hợp có nhiều biến quan sát có hệ số tải gần như bằng nhau ở nhiều nhân tố khác nhau, nhưng chênh lệch không đáng kể, thì cần giữ lại biến với hệ số tải cao nhất, loại bỏ những biến còn lại để duy trì tính rõ ràng và chính xác của mô hình. Ngoài ra, ta cũng có thể căn cứ vào hệ số tải tối đa của từng biến để quyết định biến nào cần loại bỏ trước. 

Cách thức loại biến xấu trong phân tích EFA

Trong quá trình thực hiện phân tích nhân tố khám phá (EFA), việc xác định và loại bỏ các biến xấu là một bước vô cùng quan trọng để đảm bảo kết quả phân tích chính xác và đáng tin cậy. Có hai phương pháp chính được sử dụng phổ biến để loại bỏ các biến này

Cách 1: Loại lần lượt từng biến

– Bước 1: Xác định các biến xấu trong lần phân tích EFA đầu tiên.
– Bước 2: Phân loại các biến xấu thành các nhóm dựa trên mức độ ảnh hưởng đến kết quả phân tích.
– Bước 3: Loại bỏ toàn bộ các biến xấu thuộc nhóm có ảnh hưởng lớn nhất và thực hiện lại phân tích EFA.
– Bước 4: Tiếp tục quá trình loại bỏ cho đến khi không còn biến xấu thuộc nhóm đó xuất hiện.
– Bước 5: Lặp lại quá trình trên cho các nhóm biến xấu còn lại theo thứ tự giảm dần mức độ ảnh hưởng.

Cách 2: Loại một lượt các biến xấu trong một lần phân tích EFA

– Bước 1: Xác định tất cả các biến xấu trong lần phân tích EFA đầu tiên.
– Bước 2: Loại bỏ toàn bộ các biến xấu đã xác định và thực hiện lại phân tích EFA.
– Bước 3: Tiếp tục quá trình loại bỏ cho đến khi không còn biến xấu xuất hiện hoặc đạt được kết quả phân tích ổn định.

Vấn đề 2: Ma trận xoay nhân tố bị xáo trộn, không hội tụ

Phân tích EFA đòi hỏi dữ liệu chất lượng cao để đảm bảo kết quả phân tích chính xác. Khi dữ liệu chứa nhiều lỗi, các biến không đáng tin cậy hoặc phương pháp phân tích chưa phù hợp, ma trận xoay thu được thường không ổn định, các nhóm biến bị trộn lẫn và khó giải thích.

Điều này ảnh hưởng trực tiếp đến độ tin cậy của kết quả nghiên cứu. Vậy chúng ta cần làm gì để khắc phục tình trạng này?

Ma trận xoay lộn xộn là xấu hay bình thường?

Trong phân tích EFA, sự thay đổi cấu trúc nhân tố qua các lần chạy là một hiện tượng phổ biến và không nhất thiết là dấu hiệu của lỗi. Tuy nhiên, khi các tải trọng nhân tố không ổn định, các nhân tố mới xuất hiện không có ý nghĩa lý thuyết hoặc cấu trúc nhân tố trở nên quá đơn giản hóa, điều đó cho thấy mô hình EFA chưa phù hợp với dữ liệu. Để khắc phục tình trạng này, chúng ta cần kiểm tra lại các giả định của phân tích EFA và điều chỉnh các thông số kỹ thuật.

Cách xử lý ma trận xoay không hội tụ

Việc khám phá các nhân tố mới trong EFA có thể bao gồm tăng hoặc giảm số lượng nhân tố, hoặc sự chuyển đổi của biến nhóm, mặc dù số lượng này thường ít và sự mất đi biến số là nhỏ so với tổng số nhóm hiện có. Đôi khi, các thang đo ban đầu không thể hiện đúng như mong đợi do sự thay đổi hoặc xuất hiện các thang đo mới. Để giải thích hợp lý cho những thay đổi này, các nhà nghiên cứu cần áp dụng các quy tắc rõ ràng về các loại biến đổi trong EFA và quy tắc đặt tên biến mới, như đã đề cập trong các bài viết chuyên sâu.

Khi gặp phải tình trạng các thang đo bị phá vỡ cấu trúc, việc đánh giá lại dữ liệu là cần thiết. Điều này đặc biệt quan trọng khi nghiên cứu dựa trên các thang đo kế thừa từ những nghiên cứu có uy tín, được nhiều chuyên gia và tác giả nổi tiếng chấp thuận và sử dụng. Một sự thay đổi nhỏ trong cấu trúc thang đo có thể làm mất đi tính nhất quán của dữ liệu ban đầu, ảnh hưởng đến chất lượng và độ tin cậy của nghiên cứu.

Để xử lý những trường hợp này, việc tuân theo một quy trình rõ ràng và có hệ thống là điều quan trọng. Tuy nhiên, cần nhớ rằng các phương pháp xoay ma trận không luôn mang lại kết quả tốt hơn; đôi khi chúng có thể làm giảm tính thuyết phục của mẫu dữ liệu. Vì vậy, các bước dưới đây sẽ hướng dẫn bạn loại bỏ những yếu tố không quan trọng và đảm bảo dữ liệu của bạn đạt chất lượng tốt nhất.

Bước 1

Bắt đầu bằng việc kiểm tra thống kê các giá trị trung bình để phát hiện những biến có giá trị bất thường hoặc không phù hợp trong bộ dữ liệu. Kiểm tra các chỉ số như trung bình (mean), giá trị nhỏ nhất (min), giá trị lớn nhất (max), và độ lệch chuẩn có thể giúp nhận diện lỗi nhập liệu hoặc những giá trị không hợp lý.

Chẳng hạn, nếu giá trị tối đa là 55 trong khi thang đo chỉ từ 1-5, hoặc nếu độ lệch chuẩn vượt quá giới hạn này, thì rất có thể đã có lỗi trong quá trình nhập dữ liệu. Bạn có thể tham khảo hướng dẫn chi tiết để kiểm tra những biến này tại đây.

Bước 2

Tiếp theo, áp dụng các quy tắc loại bỏ biến xấu trong EFA để xác định và loại trừ những biến không phù hợp, nhằm tối ưu hóa ma trận xoay. Hãy thực hiện quá trình loại bỏ một cách có hệ thống, xem xét từng biến một để tìm ra cấu trúc tốt nhất cho dữ liệu của bạn.

Nếu loại bỏ một biến nào đó giúp cải thiện mô hình, hãy tiếp tục loại bỏ các biến tương tự. Nếu không, hãy chuyển sang các biến khác để đảm bảo kết quả phân tích chính xác và hiệu quả.

Bước 3

Trong trường hợp vẫn tồn tại nhiều biến không phù hợp và thang đo không được cải thiện rõ rệt, hãy tiến hành phân tích kỹ hơn để loại bỏ những điểm quan sát bất thường. Sử dụng các công cụ như biểu đồ hộp (boxplot) hoặc biểu đồ phân tán (scatter plot) để xác định những điểm dữ liệu nằm ngoài xu hướng chính.

Có thể dễ dàng tìm thấy nhiều hướng dẫn và video chi tiết trên các nền tảng như YouTube hoặc các trang web nghiên cứu. Sau khi xác định và loại bỏ các điểm ngoại lệ này, ví dụ như các quan sát nằm xa khỏi xu hướng chính của dữ liệu, kết quả phân tích sẽ trở nên rõ ràng và chính xác hơn.

Nhận trợ giúp cho phân tích SPSS của bạn

Hỗ trợ dịch vụ chạy SPSS giá rẻ cho sinh viên

Nếu bạn gặp khó khăn trong việc phân tích hồi quy tuyến tính, hãy bắt đầu hành trình nghiên cứu với xulysolieu.info, nơi đội ngũ tận tâm của chúng tôi cung cấp hỗ trợ phân tích dữ liệu chuyên môn cho sinh viên, học giả và cá nhân. Chúng tôi đảm bảo nghiên cứu của bạn được nâng cao với độ chính xác. Khám phá các trang của chúng tôi:

Hệ số hồi quy âm nói lên điều gì?

Làm thế nào để xác định đề tài nghiên cứu phù hợp với lĩnh vực?

3 bước phân biệt Tương quan và Hồi quy trên SPSS 26, 27 cần biết ngay

Hoặc bạn có thể trực tiếp liên hệ thông quan fanpage chính thức và Dịch vụ SPSS trên trang web chính thức của xulysolieu.info.