Hướng dẫn Phân tích nhân tố khám phá EFA trong SPSS

Trong một nghiên cứu khoa học hoặc luận văn, việc phân tích dữ liệu định lượng bằng phần mềm SPSS đòi hỏi hai bước kiểm tra quan trọng: đánh giá độ tin cậy của thang đo (sử dụng Cronbach’s Alpha) và đánh giá giá trị của thang đo (thông qua Phân tích nhân tố khám phá – EFA). Sau khi đã tìm hiểu về độ tin cậy của thang đo ở phần trước, chúng ta sẽ tiếp tục đi sâu vào việc đánh giá giá trị của nó.

1. Tìm hiểu về Phân tích nhân tố khám phá EFA

Khi các nghiên cứu trở nên chi tiết và chuyên sâu, lượng câu hỏi được sử dụng để đo lường các khía cạnh khác nhau cũng tăng theo, dẫn đến sự gia tăng về số lượng biến quan sát. Phân tích từng biến một trong số này sẽ rất phức tạp và không hiệu quả. Để khắc phục vấn đề này, các nhà nghiên cứu đã phát hiện ra rằng, nhiều biến quan sát có xu hướng tương quan chặt chẽ với nhau vì cùng phản ánh một đặc tính chung. Bằng cách gom những biến này vào một nhân tố duy nhất, họ có thể rút gọn bộ dữ liệu ban đầu. Giải pháp này cho phép các nhà nghiên cứu tập trung phân tích một số ít nhân tố thay vì một lượng lớn biến số, giúp tiết kiệm đáng kể thời gian, công sức và kinh phí.

2. Các tiêu chuẩn trong phân tích EFA

Hệ số KMO (Kaiser-Meyer-Olkin)

Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để đánh giá mức độ phù hợp của dữ liệu cho phân tích nhân tố. Theo Kaiser (1974), để phân tích nhân tố hiệu quả, chỉ số KMO phải có giá trị từ 0.5 trở lên. Nếu KMO dưới 0.5, nhà nghiên cứu nên xem xét lại bộ dữ liệu, có thể bằng cách thu thập thêm hoặc loại bỏ các biến quan sát không phù hợp. Hutcheson và Sofroniou (1999) đã đưa ra các ngưỡng giá trị cụ thể hơn để đánh giá chất lượng của KMO, giúp nhà nghiên cứu xác định rõ hơn mức độ thích hợp của dữ liệu.

Kiểm định Bartlett (Bartlett’s test of sphericity)

Kiểm định Bartlett (Bartlett’s test of sphericity) là một phép thử thống kê quan trọng, nhằm đánh giá liệu ma trận tương quan của các biến quan sát có phải là ma trận đơn vị hay không. Nói cách khác, kiểm định này nhằm xem xét các biến có mối tương quan tuyến tính với nhau đủ mạnh để có thể thực hiện phân tích nhân tố. Một kết quả kiểm định có ý nghĩa thống kê (p-value hay giá trị Sig. nhỏ hơn 0.05) chứng tỏ các biến có tương quan đáng kể với nhau, đáp ứng điều kiện cần để tiến hành phân tích EFA. Ngược lại, nếu kết quả không có ý nghĩa thống kê, điều đó cho thấy các biến tương quan rất yếu và việc sử dụng phân tích nhân tố là không phù hợp.

Trị số Eigenvalue

Tiêu chí Eigenvalue là một trong những phương pháp được áp dụng rộng rãi để quyết định số lượng nhân tố cần trích xuất trong phân tích EFA. Dựa trên tiêu chí của Kaiser, một nhân tố chỉ được xem xét giữ lại nếu trị số Eigenvalue của nó lớn hơn 1, vì đây là những nhân tố có khả năng giải thích phương sai một cách đáng kể

Tổng phương sai trích (Total Variance Explained

Trong phân tích nhân tố khám phá, Tổng phương sai trích (Total Variance Explained) biểu thị tổng lượng phương sai của các biến quan sát được giải thích bởi các nhân tố tiềm ẩn đã được trích ra từ dữ liệu. Tiêu chí này là cơ sở để đánh giá mức độ hiệu quả của mô hình tổng thể. Theo khuyến nghị của một số nhà nghiên cứu, tổng phương sai trích nên đạt tối thiểu từ 50% trở lên để đảm bảo các nhân tố được trích xuất có thể giải thích một cách hợp lý cho sự biến thiên của bộ dữ liệu

 Hệ số tải nhân tố (Factor Loading)

Hệ số tải nhân tố (còn gọi là trọng số nhân tố) là chỉ số đo lường mức độ tương quan giữa biến quan sát và nhân tố. Một hệ số tải cao cho thấy biến quan sát đó có mối liên hệ mạnh mẽ với nhân tố tương ứng. Dựa trên các tiêu chí từ nghiên cứu của Hair và cộng sự (2010) trong cuốn Multivariate Data Analysis, một biến quan sát được đánh giá là đạt chất lượng tốt nếu hệ số tải của nó đạt mức 0.5 hoặc cao hơn, và giá trị tối thiểu có thể chấp nhận là 0.3.

• Factor Loading ở mức ± 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại.
• Factor Loading ở mức ± 0.5: Biến quan sát có ý nghĩa thống kê tốt.
• Factor Loading ở mức ± 0.7: Biến quan sát có ý nghĩa thống kê rất tốt.

3. Hướng dẫn các bước Phân tích nhân tố khám phá EFA trên phần mềm SPSS

Lần lượt chạy phân tích nhân tố khám phá cho biến độc lập và biến phụ thuộc. Chú ý, ở bước phân tích Cronbach Alpha trước đó sẽ không được đưa vào để kiểm định EFA.

Để thực hiện phân tích nhân tố khám phá EFA trong SPSS, chúng ta vào Analyze > Dimension Reduction > Factor

Đưa biến quan sát của các biến độc lập cần thực hiện phân tích EFA vào mục Variables, nếu có biến quan sát nào bị loại ở bước trước đó, chúng ta sẽ không đưa vào phân tích EFA. Chú ý các tùy chọn bên phải, chúng ta sẽ đi qua lần lượt các tùy chọn này.

– Tùy chọn Descriptives: Tích vào 3 mục: Initial solution, Coefficients, KMO and Barlett’s test of sphericity. Nhấp Continue để quay lại cửa sổ ban đầu.

 

Kết quả khi chạy SPSS  cho thấy”

• Hệ số KMO (Kaiser-Meyer-Olkin Measure of Sampling Adequacy) =0,630: Đạt
• Giá trị Sig trong kiểm định Bartlett(Sig)= 0,000: Đạt
• Phương sai trích (% cumulative)= 73,597 ≥ 50%: Đạt
• Giá trị Eigenvalue= 1,801>1: Đạt
• Bảng ma trận xoay cho thấy các yếu tố đều hội tụ

Nếu phần hướng dẫn Phân tích nhân tố khám phá EFA trong SPSS trong bài viết chưa giúp bạn thực hiện các thao tác mô tả trong SPSS trở nên dễ dàng hơn, hãy xem xét việc sử dụng dịch vụ chạy SPSS tại XulysolieuAZ – đơn vị có hơn 10 năm kinh nghiệm trong ngành và đội ngũ chuyên gia trình độ từ thạc sĩ trở lên.

Trong bài viết này, chúng tôi đã hướng dẫn Phân tích nhân tố khám phá EFA trong SPSS một cách hiệu quả nhất. Hy vọng những thông tin này sẽ hữu ích cho bạn trong quá trình các bài nghiên cứu.

Hoàng Long

Tôi là Hoàng Long, hiện tại tôi là Quản lý nội dung của Xử lý số liệu AZ– Cung cấp dịch vụ xử lý số liệu: SPSS, Stata, Eviews, Amos,…

Cam kết  uy tín chất lượng. Chúng tôi đặt lợi ích của khách hàng là ưu tiên hàng đầu.  Website: https://xulysolieuaz.com/– Hotline: 0911.070.546