Tổng Hợp Về Phân Tích Nhân Tố Khám Phá Efa Phamlocblog, Phân Tích Nhân Tố Khám Phá Efa Trong Spss

Phân tích nhân tố khám phá EFA là một bước rất quan trọng khi thực hiện phân tích dữ liệu định lượng bằng SPSS trong luận văn khoa học hay bài nghiên cứu. Khi kiểm định một lý thuyết khoa học, chúng ta phải đánh giá độ tin cậy của thang đo (Phân tích Cronbach Alpha) và giá trị tỷ lệ (EFA). Ở phần trước chúng ta đã tìm hiểu về độ tin cậy của thang đo, vấn đề tiếp theo là thang đo cần được đánh giá đúng giá trị của nó.

Bạn đang xem: Phân tích nhân tố khám phá efa phamlocblog

Giá trị hội tụ: Các biến quan sát có cùng tính chất sẽ hội tụ về cùng một nhân tố, khi trình bày trong ma trận xoay các biến này sẽ cùng cột.Giá trị đặc biệt: Biến quan sát hội tụ nhân tố này cần phân biệt với biến quan sát hội tụ nhân tố khác, khi biểu diễn dưới dạng ma trận xoay, mỗi tập hợp biến sẽ được tách thành các cột riêng biệt.

Lấy các biến quan sát của các biến độc lập cần thiết thực hiện phân tích EFA Trong phần Biến, nếu có biến quan sát nào bị loại ở bước trước thì chúng tôi sẽ không đưa vào phân tích EFA. Chú ý 4 tùy chọn được đánh số trong hình bên dưới.

– Mô tả: Check vào ô KMO and Barlett test of sphericity để xuất bảng giá trị KMO và Barlett test sim. Nhấn Continue để quay lại cửa sổ ban đầu.

– Nhổ răng: Ở đây, chúng tôi sẽ sử dụng trích xuất PCA (Phân tích thành phần chính). Với SPSS 20 và các phiên bản 21, 22, 23, 24, PCA sẽ được viết tắt là Principal Component như trong hình bên dưới, đây cũng là tùy chọn mặc định của SPSS. Ngoài PCA, chúng ta cũng thường sử dụng PAF, cách sử dụng 2 phép quay thông dụng này các bạn xem trong bài viếtPhân tích thành phần chính (PCA) và trích xuất hệ số trục chính (PAF).

Khi nhấn vào nút mũi tên hướng xuống sẽ có nhiều tùy chọn trích xuất khác nhau. Số lượng nhân tố được trích xuất trong ma trận xoay phụ thuộc nhiều vào việc lựa chọn trích xuất, tuy nhiên, bài viết này sẽ chỉ tập trung vào phần PCA.

– Vòng xoay: Ở đây có các phép quay, chúng ta thường sử dụng Varimax và Promax. Đặc biệt đối với loại đối tượng đã xác định biến độc lập và biến phụ thuộc, chúng tôi sử dụng phép quay Varimax. Bạn có thể tìm hiểu sự khác biệt và khi nào nên sử dụng phép quay nào trong bài viết Phép quay Varimax vuông góc và phép quay Promax không vuông góc. Nhấn Continue để quay lại cửa sổ ban đầu.

– Tùy chọn:Đánh dấu chọn Sorted by size để ma trận xoay được đặt trong các cột theo dạng tỷ lệ để dễ đọc kết quả hơn, ta có thể có volume hay không cũng không ảnh hưởng đến kết quả. Hãy nhớ rằng, thứ tự của các yếu tố trong ma trận xoay kết quả không phản ánh mức độ quan trọng của yếu tố đó. Với mục Suppress smallhệ số, nếu bỏ chọn, ma trận xoay sẽ hiển thị tất cả hệ số tải của từng biến quan sát lên từng nhân tố.

Trong cửa sổ tiếp theo, chọn OK để trích xuất kết quả.

Có khá nhiều bảng trong đầu ra, tất cả đều góp phần đánh giá xem kết quả phân tích EFA là tốt hay xấu. Tuy nhiên, ở đây tác giả tập trung vào 3 bảng kết quả chính: KMO and Bartlett’s Test, Total Variance Explained và Rotated Component Matrix, sử dụng 3 bảng này chúng ta có thể đánh giá được kết quả phân tích EFA có phù hợp hay không.

Kết quả của EFA thứ nhất: KMO = 0,887 >0,5, sig Bartlett’s test = 0,000 sử dụng ngưỡng tải nhân tố là 0,5 thay vì chọn tải nhân tố phù hợp theo cỡ mẫu. So sánh ngưỡng này với kết quả ở ma trận vòng quay, có 2 biến xấu DN4 và LD5 cần xem xét loại bỏ:

Biến DN4 chịu tải cả 2 nhân tố là Thành phần 4 và Thành phần 6 có hệ số tải lần lượt là 0,612 và 0,530, chênh lệch hệ số tải là 0,612 – 0,530 = 0,082 Biến LD5 có hệ số tải tất cả các nhân tố đều nhỏ hơn 0,5.

Tác giả sử dụng phương pháp loại bỏ một lần các biến xấu trong phân tích EFA. Từ 28 biến quan sát trong phân tích EFA lần 1, DN4 và LD5 bị loại bỏ và 26 biến quan sát còn lại được đưa vào phân tích EFA lần 2.

Có 6 nhân tố được rút trích dựa trên tiêu chí eigenvalue lớn hơn 1 nên 6 nhân tố này tóm tắt một cách tốt nhất thông tin của 26 biến quan sát đưa vào EFA. Tổng phương sai trích của 6 nhân tố này là 63,357% > 50%, tức là 6 nhân tố được trích giải thích được 63,357% sự biến động dữ liệu của 26 biến quan sát tham gia EFA.

Kết quả ma trận xoay cho thấy, 26 biến quan sát được phân thành 6 nhân tố, các biến quan sát đều có hệ số tải nhân tố lớn hơn 0,5 và không có biến xấu.

Như vậy, phân tích nhân tố khám phá EFA cho các biến độc lập được thực hiện hai lần. Lần đầu tiên 28 biến quan sát được đưa vào phân tích, 2 biến quan sát không thỏa mãn điều kiện là DN4 và LD5 được loại bỏ để phân tích lại. Ở lần phân tích thứ hai (cuối cùng), 26 biến quan sát được hội tụ và phân biệt thành 6 nhân tố.

3.2 Chạy EFA cho biến phụ thuộc

Làm theo các bước tương tự như đối với biến độc lập. Thay vì đặt biến độc lập có thể quan sát được trong phần Biến, chúng ta sẽ đặt biến phụ thuộc có thể quan sát được. Cụ thể trong ví dụ này, biến phụ thuộc Sự hài lòng bao gồm 3 biến quan sát là HL1, HL2, HL3.

Do đó, chúng ta cũng sẽ có các bảng KMO và Phép thử Bartett, Giải thích phương sai tổng, Ma trận thành phần xoay. TableKMO và Bartlett’s Test hoàn toàn giống với biến độc lập, cách đọc kết quả cũng vậy.

Bảng Tổng phương sai giải thích khi chỉ trích 1 nhân tố sẽ hiện ra như hình bên dưới (không có cột Rotation Sums of Squared Loadings). Trong trường hợp hai yếu tố được trích xuất, một cột bổ sung Sums of Rotation of Squared Loadings sẽ xuất hiện.

Kết quả phân tích cho thấy có một nhân tố trích trong eigenvalue bằng 2,170 > 1. Nhân tố này giải thích được 72,339% sự biến động dữ liệu của 3 biến quan sát tham gia EFA.

Cụ thể, bảng Rotated Component Matrix sẽ không hiển thị mà thay vào đó sẽ hiển thị dòng thông báo: Only one component was extracted. Giải pháp không thể được xoay.

Điều này xảy ra khi EFA có thể trích xuất một nhân tố duy nhất từ ​​các biến quan sát có liên quan. Dòng thông báo này tạm dịch là: Chỉ rút ra được một nhân tố. Không thể xoay ma trận. Chúng ta luôn kỳ vọng rằng nếu đưa vào một biến phụ thuộc thì EFA cũng sẽ rút ra được một nhân tố. Việc chỉ trích một nhân tố là tốt, nghĩa là thang đo đảm bảo tính đơn hướng, các biến quan sát của biến phụ thuộc hội tụ khá tốt. Lúc này, việc đọc kết quả sẽ dựa trên bảng ma trận chưa xoay của Ma trận thành phần thay vì bảng ma trận xoay của Ma trận thành phần xoay.

Ma trận xoay thu được từ kết quả phân tích EFA không phải lúc nào cũng tách biệt hoàn toàn các nhóm, sự có mặt của các biến xấu sẽ làm ma trận xoay bị xáo trộn so với các thang đo lý thuyết. Vậy làm thế nào để nhận biết biến xấu và loại bỏ biến xấu trong EFA như thế nào, mời bạn đọc tiếp trong bài viếtQuy tắc loại biến xấu trong EFA, phân tích nhân tố khám phá.

Xem thêm: (Pdf) Bài giảng bên lề về Kỹ năng giao tiếp trong chăm sóc bệnh nhân

——–

Nếu bạn gặp khó khăn trong việc tiến hành phân tích EFA do dữ liệu khảo sát không tốt, bạn có thể tham khảo dịch vụ phân tích SPSS của Phạm Lộc Blog hoặc liên hệ trực tiếp với xulydinhuong qua email.
gmail.com. để tối ưu hóa thời gian của bạn và có được kết quả tốt.