Để thực hiện phân tích định lượng bằng SPSS trong một bài báo cáo, luận văn thạc sĩ, nghiên cứu khoa học, phân tích nhân tố khám phá EFA là một bước rất quan trọng không thể bỏ qua. Tuy nhiên, khi mới bắt đầu làm quen với EFA, không ít bạn gặp phải rất nhiều bỡ ngỡ, từ khái niệm, ứng dụng của nhân tố khám phá EFA, các tiêu chí cũng như phân tích và đọc kết quả EFA trong SPSS. Chính vì thế, bài viết này sẽ cung cấp tất tần tật kiến thức về phân tích nhân tố khám phá từ lý thuyết đến ứng dụng.

Bạn đang xem: Phân tích nhân tố khám phá efa

Phân tích nhân tố khám phá EFA là gì?

Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến rất lớn, và trong số đó, có rất nhiều biến quan sát có sự liên hệ tương quan với nhau. Chẳng hạn như: Chúng ta có một đối tượng gồm có 20 đặc điểm cần nghiên cứu. Thay vì đi nghiên cứu từng đặc điểm một, chúng ta sẽ gộp chúng thành 4 đặc điểm lớn, bên trong 4 đặc điểm lớn bao gồm 5 đặc điểm nhỏ có sự tương quan lẫn nhau. Cách làm này sẽ giúp tiết kiệm thời gian và kinh phí cho nghiên cứu đồng thời vẫn không làm thay đổi kết quả. Từ đó, sự ra đời của một phương pháp định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lần nhau thành một tập các nhân tố (các biến) có ý nghĩa hơn. Được gọi là phân tích nhân tố khám phá - (Exploratory Factor Analysis), gọi tắt là EFA.

Ứng dụng phân tích nhân tố EFA

Phân tích nhân tố khám phá EFA thường được sử dụng nhiều trong các lĩnh vực về kinh tế, quản trị, xã hội học, tâm lý…

Trong nghiên cứu xã hội, phân tích EFA thường được dùng trong quá trình xây dựng thang đo (scale) nhằm kiểm tra tính đơn khía cạnh của thang đo và đo lường các khía cạnh khác nhau của khái niệm nghiên cứu.

Trong kinh tế, phân tích nhân tố khám phá có ứng dụng rất rộng rãi, trong nhiều trường hợp và phổ biến nhất là:

Sử dụng trong phân khúc thị trường để phát hiện ra các nhân tố quan trọng dùng để phân nhóm người tiêu dùng. Ví dụ như: Những người mua xe có thể được chia thành 4 nhóm theo sự chú trọng tượng đối về tính năng, tiện nghi, kinh tế và sự sang trọng. Từ đó đưa ra 4 phân khúc về sản phẩm cho người mua xe: những người tiêu dùng tìm kiếm tính kinh tế, người tiêu dùng tìm kiếm tiện nghi, người tiêu dùng tìm kiếm tính năng và người tiêu dùng tìm kiếm sự sang trọng.Trong nghiên cứu định giá, ta có thể sử dụng phân tích EFA để nhận ra các đặc trưng của những người nhạy cảm với giá. Ví dụ những người tiêu dùng nhạy cảm với giá có thể là những người có suy nghĩ tiết kiệm, có tính ngăn nắp và không thích ra ngoài...Trong nghiên cứu sản phẩm, ta có thể sử dụng phân tích nhân tố để xác định các thuộc tính nhãn hiệu có ảnh hưởng đến sự lựa chọn của người tiêu dùng, Ví dụ như các nhãn hiệu kem chống nắng có thể được đánh giá theo khả năng như chỉ số chống tia UV, thời gian chống nắng tối đa và giá cả...Trong nghiên cứu quảng cáo, phân tích nhân tố có thể dùng để tìm hiểu thói quen sử dụng phương tiện truyền thông (tv, báo giấy, internet, quảng cáo ngoài trời...) của thị trường mục tiêu. Từ đó đưa ra cách tiếp cận hiệu quả.

Tất cả những điều bạn cần biết về kiểm định T-Test

Các tiêu chí trong phân tích nhân tố khám phá EFA

Trong phân tích nhân tố khám phá EFA, chúng ta cần quan tâm tới cac chỉ số dưới đây:

Hệ số Factor Loading: Được định nghĩa là là trọng số nhân tố hay hệ số tải nhân tố. Là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Trong đó:

Nếu 0.3 Nếu Factor loading >= 0.5 được xem là biến quan sát có ý nghĩa thực tiễn
Nếu Factor loading >= 0.7: Biến quan sát có ý nghĩa thống kê rất tốt

Hệ số KMO (Kaiser – Meyer - Olkin): Là chỉ số dùng để đánh giá sự thích hợp của phân tích nhân tố, cụ thể là so sánh độ lớn của hệ số tương quan giữa 2 biến với hệ số tương quan riêng phần của chúng. Trị số của KMO được đánh giá như sau:

KMO 0.50 0.60 0.70 0.80 0.90 >= KMO: Rất tốt

=> Để sử dụng EFA, thì KMO phải lớn hơn 0.50.

Kiểm định Bartlett (Bartlett’s test of sphericity): Dùng để xem xét sự tương quan giữa các biến quan sát trong nhân tố. Nếu phép kiểm định Bartlett có ý nghĩa thống kê Sig Bartlett’s Test

Trị số Eigenvalue: Tiêu chí để xác định tổng số lượng nhân tố trong EFA. Chỉ những nhân tố nào có trị số Eigenvalue >= 1 mới được giữ lại trong mô hình phân tích nhân tố khám phá.

Total Variance Explained: Trị số này thể hiện các nhân tố cô đọng được bao nhiêu phần trăm và thất thoát bao nhiêu phần trăm biến quan sát dựa trên mức đánh giá 100%. Trị số này nên ở mức >= 50% thì mô hình EFA là phù hợp.

Trên này là 4 tiêu chí quan trọng cần nắm và hiểu rõ để có thể đọc kết quả EFA trong SPSS. Tiếp theo, chúng ta sẽ đi vào tìm hiểu cách phân tích EFA trong SPSS chi tiết.

Các bước thực hiện phân tích EFA trong SPSS

Bước 1: Trên thanh công cụ phần mềm SPSS, chọn Analyze > Dimension Reduction > Factor...

Bước 2: Cửa sổ Factor Analysis mở ra, bạn sẽ chỉ định các biến sử dụng trong phân tích nhân tố khám phá EFA ở cột phía bên trái và di chuyển đến khu vực Variables bằng cách chọn và nhấn vào nút mũi tên. Trong đó Grouping Variable là biến phụ thuộc. Lưu ý đến 4 mục tùy chỉnh Descriptives…; Extraction…; Rotation…; Options… Cụ thể:

Bấm vào nút Descriptives… để mở ra một cửa sổ mới, tích vào mục KMO and Bartlett"s test of sphericity, sau đó nhấp Continue để trở về cửa sổ ban đầu.

Bấm vào nút Extraction… để mở ra một cửa sổ mới, Tại Method chọn “Principal components” (phép trích PCA). Sau đó tiếp tục nhấp Continue để trở về cửa sổ ban đầu.Tiếp tục với Rotation: Tại Method chọn “Varimax” > Continue

Bấm vào nút Options, nhấn chọn vào 2 mục trong phần “Coefficient Display Format”. Tại hàng “Absolute value below” nhấp vào giá trị hệ số tải nhân tố (Factor Loading) tiêu chuẩn. Sau đó nhấp Continue để trở về cửa sổ ban đầu > OK để xuất kết quả ra Output.

Đọc kết quả EFA trong SPSS: Sau khi chạy, ở kết quả xuất ra Output sẽ bao gồm nhiều bảng, tuy nhiên bạn cần tập trung vào 3 bảng chính:

Trong bảng Rotated Component Matrix, các giá trị Factor Loading Values phải > 0.5. Trong trường hợp có 2 giá trị phải xéthiệu của hai giá trị lớn nhất. Nếu hiệu

Tại bảng Total Variance Explained ở cột Cumulative % cần có giá trị > 50%

Kaiser Meyer Olkin Measure of Sampling Adequacy (KMO) phải có giá trị > 0.5. và giá trị sig.

Trên đây, Luận Văn 2S đã gửi đến bạn đọc các kiến thức cần biết trong phân tích nhân tố khám phá efa trong SPSS. Nếu trong quá trình thực hiện, bạn gặp phải những vấn đề phát sinh không biết cách giải quyết. Hãy liên hệ với chúng tôi! Dịch vụ phân tích định lượng xử lý số liệu của Luận Văn 2S sẽ nhanh chóng hỗ trợ bạn!

Phân tích nhân tố khám phá (EFA) là gì?

Phân tích nhân tố được sử dụng như một kỹ thuật giảm dữ liệu.

Phân tích nhân tố lấy một số lượng lớn các biến và giảm bớt hoặc tóm tắt nó để biểu diễn chúng trong các nhân tố nhỏ hơn khác nhau, những nhân tố đó được tạo thành từ tập hợp các biến ban đầu.

Phân tích nhân tố là một phương pháp để điều tra xem một số biến quan tâm có liên quan đến một số lượng nhỏ hơn các nhân tố không thể quan sát được hay không. Điều này được thực hiện bằng cách nhóm các biến dựa trên mối tương quan giữa các biến.

Các biến ban đầu đó là biến biểu hiện / biến quan sát trong khi các yếu tố được trích xuất trong quá trình là biến tiềm ẩn.

Cách sử dụng phổ biến của phân tích nhân tố là phát triển thang đo / bảng câu hỏi để đo lường các cấu trúc không thể quan sát trực tiếp trong đời thực.

Kỹ thuật Phân tích nhân tố chủ yếu kiểm tra sự phụ thuộc lẫn nhau có hệ thống giữa một tập hợp các biến quan sát (thông qua mối tương quan) và những biến có mối tương quan cao hơn được nhóm lại với nhau.

Phân tích nhân tố giúp các học giả trả lời câu hỏi “Làm thế nào để các hạng mục kết hợp tốt với nhau? Trong trường hợp chúng tôi đang xây dựng một Quy mô mới ”.

Khi áp dụng cho một vấn đề nghiên cứu, các phương pháp này có thể được sử dụng để xác nhận các lý thuyết đã được thiết lập trước hoặc xác định các mẫu dữ liệu và các mối quan hệ.

Cụ thể, chúng mang tính xác nhận khi kiểm tra các giả thuyết của các lý thuyết và khái niệm hiện có và khám phá khi chúng tìm kiếm các mẫu tiềm ẩn trong dữ liệu trong trường hợp không có hoặc chỉ có ít kiến ​​thức về cách các biến có liên quan.

Khi phân tích nhân tố khám phá được áp dụng cho một tập dữ liệu, phương pháp này sẽ tìm kiếm các mối quan hệ (các biến có mức độ tương quan cao được nhóm lại với nhau) giữa các biến trong nỗ lực giảm một số lượng lớn các biến thành một tập hợp các nhân tố tổng hợp nhỏ hơn (nghĩa là kết hợp của biến).

Tập hợp các yếu tố tổng hợp cuối cùng là kết quả của việc khám phá các mối quan hệ trong dữ liệu và báo cáo các mối quan hệ được tìm thấy (nếu có).

Nói cách đơn giản, phân tích nhân tố khám phá (EFA) là một kỹ thuật khám phá được sử dụng trong nghiên cứu để nhóm một số lượng lớn các biến (biến quan sát) thành các yếu tố đại diện nhỏ hơn (yếu tố tiềm ẩn) trong khi CFA được sử dụng để kiểm tra một tập hợp các mối quan hệ cụ thể dựa trên một số lý thuyết và để đảm bảo dữ liệu phù hợp với mô hình được đề xuất một cách đầy đủ.

*
Cách thực hiện phân tích nhân tố khám phá (EFA) bằng SPSS

Các thuật ngữ cơ bản trong phân tích nhân tố khám phá (EFA)

Sau đây là danh sách một số thuật ngữ cơ bản thường được sử dụng trong phân tích nhân tố khám phá (EFA)

Kaiser-Meyer-Olkin (KMO) đo lường mức độ đầy đủ của việc lấy mẫu: Phương pháp Kaiser-Meyer-Olkin (KMO) về mức độ đầy đủ của việc lấy mẫu là một thống kê được sử dụng để kiểm tra sự phù hợp của phân tích nhân tố dựa trên mẫu nghiên cứu. Giá trị thống kê cao (từ 0,5 – 1) cho thấy sự phù hợp của phân tích nhân tố đối với dữ liệu có trong tay, trong khi giá trị thống kê thấp (dưới 0,5) cho thấy sự không phù hợp của phân tích nhân tố. Điều này có nghĩa là mẫu không đủ cho EFA.

Bartlett’s test of Sphericity: Bartlett’s test of Sphericity là một thống kê kiểm định được sử dụng để kiểm tra giả thuyết rằng các biến không tương quan trong tổng thể. Nói cách khác, ma trận tương quan dân số là ma trận nhận dạng; mỗi biến tương quan hoàn hảo với chính nó (r = 1) nhưng không tương quan với các biến khác (r = 0).

Giá trị nhỏ hơn 0,05 chỉ ra rằng dữ liệu trong tay không tạo ra ma trận nhận dạng như với ma trận nhận dạng, phân tích nhân tố là vô nghĩa. Điều này có nghĩa là tồn tại một mối quan hệ đáng kể giữa các biến. Một kết quả có ý nghĩa (Sig. Quy trình thực hiện phân tích nhân tố khám phá (EFA)

Bước 1: Lập công thức vấn đề

Bước 2: Yêu cầu EFA

Bước 3: Kỹ thuật bao thanh toán thích hợp

Bước 4: Quyết định về Số yếu tố

Bước 5: Xoay vòng yếu tố

Bước 6: Phù hợp với mô hình

Bước 7: Chạy Phân tích Yếu tố Khám phá

Bước 8: Diễn giải và báo cáo

Bước 1: Lập công thức vấn đề

Bước đầu tiên khi tiến hành phân tích nhân tố là hình thành vấn đề của phân tích nhân tố. Như đã thảo luận trước đó, trọng tâm chính của phân tích nhân tố là giảm bớt dữ liệu.

Với mục đích này, nhà nghiên cứu phải chọn một danh sách các biến sẽ được chuyển đổi thành một tập hợp các yếu tố mới dựa trên bản chất chung có trong mỗi biến.

Để lựa chọn các biến, nhà nghiên cứu có thể nhờ sự trợ giúp của tài liệu, nghiên cứu trước đây hoặc sử dụng kinh nghiệm của các nhà nghiên cứu hoặc giám đốc điều hành khác. để biết thêm về quy trình phát triển quy mô, vui lòng bấm vào đây

Điều quan trọng cần lưu ý là các biến phải có thể đo lường được trên thang đo khoảng thời gian hoặc thang tỷ lệ.

Một khía cạnh quan trọng khác của phân tích nhân tố là xác định cỡ mẫu sẽ được sử dụng để phân tích nhân tố. Theo quy tắc chung, kích thước mẫu phải bằng bốn hoặc năm lần biến được đưa vào phân tích nhân tố.

Bước 2: Yêu cầu phân tích nhân tố khám phá (EFA)

Phân tích mối tương quan giữa các biến. Nếu không có mối tương quan giữa các biến hoặc nếu mức độ tương quan giữa các biến là rất thấp, thì tính phù hợp của phân tích nhân tố sẽ bị nghi ngờ nghiêm trọng. Trong phân tích nhân tố, một nhà nghiên cứu kỳ vọng rằng một số biến số có tương quan cao với nhau để tạo thành nhân tố.

Kaiser đã trình bày phạm vi như sau: thống kê> 0,9 là tuyệt vời,> 0,8 công,> 0,7 trung bình,> 0,6 tầm thường,> 0,5 khốn khổ và Bước 3: Kỹ thuật bao thanh toán

Phương pháp thành phần chính là phương pháp phân tích dữ liệu được sử dụng phổ biến nhất trong mô hình phân tích nhân tố.

Khi mục tiêu của phân tích nhân tố là tổng hợp thông tin trong một tập hợp các biến lớn hơn thành ít nhân tố hơn, thì phân tích thành phần chính được sử dụng.

Trọng tâm chính của phương pháp thành phần chính là biến đổi một tập hợp các biến có liên quan đến nhau thành một tập hợp các tổ hợp tuyến tính không tương quan của các biến này.

Phương pháp này được áp dụng khi trọng tâm chính của phân tích nhân tố là xác định số lượng nhân tố tối thiểu quy định phương sai tối đa trong dữ liệu. Các yếu tố thu được thường được gọi là các thành phần chính.

Bước 4: Số yếu tố

Giá trị eigen: Giá trị eigen là số lượng phương sai trong biến được thực hiện cho nghiên cứu có liên quan đến một yếu tố. Theo tiêu chí eigenvalue, các yếu tố có nhiều hơn một eigenvalue được đưa vào mô hình.

Biểu đồ sàng lọc: Biểu đồ sàng lọc là một biểu đồ gồm các giá trị đặc trưng và số thành phần (yếu tố) theo thứ tự trích xuất.

Hình dạng của ô được sử dụng để xác định số lượng yếu tố tối ưu được giữ lại trong giải pháp cuối cùng. Mục tiêu của biểu đồ Sàng lọc là cô lập một cách trực quan một khuỷu tay, có thể được xác định là điểm mà các giá trị đặc trưng tạo thành một xu hướng giảm dần.

Tiêu chí phần trăm phương sai: Nó cung cấp phần trăm phương sai có thể được quy cho từng yếu tố cụ thể so với tổng phương sai trong tất cả các yếu tố. Cách tiếp cận này dựa trên khái niệm phần trăm phương sai tích lũy.

Số lượng nhân tố nên được đưa vào mô hình mà phần trăm phương sai tích lũy đạt đến mức thỏa mãn. Khuyến nghị chung là các yếu tố giải thích 60% –70% phương sai nên được giữ lại trong mô hình.

Bước 5: Xoay vòng yếu tố

Sau khi lựa chọn các yếu tố, bước trước mắt là xoay các yếu tố. Các giải pháp cấu trúc đơn giản xoay vòng thường dễ giải thích, trong khi các yếu tố chưa được rút gọn (chưa xoay chuyển) ban đầu thường khó giải thích.

Một phép quay là cần thiết vì mô hình nhân tố ban đầu có thể đúng về mặt toán học nhưng có thể khó giải thích. Nếu các yếu tố khác nhau có tải cao trên cùng một biến, thì việc giải thích sẽ cực kỳ khó khăn.

Xoay vòng giải quyết loại khó khăn giải thích này. Mục tiêu chính của luân chuyển là tạo ra một cấu trúc tương đối đơn giản, trong đó có thể có hệ số tải cao trên một yếu tố và tải yếu tố thấp đối với tất cả các yếu tố khác.

Phương pháp quay được áp dụng rộng rãi là ‘thủ tục Varimax.’ Mặc dù một số phương pháp quay đã được phát triển, nhưng varimax thường được coi là phép quay trực giao tốt nhất và áp đảo là phép quay trực giao được sử dụng rộng rãi nhất trong nghiên cứu tâm lý.

Bước 6: Phù hợp với mô hình

Bước cuối cùng trong phân tích nhân tố là xác định tính phù hợp của mô hình phân tích nhân tố. Trong phân tích nhân tố, các nhân tố được tạo ra trên cơ sở tương quan quan sát giữa các biến.

Mức độ tương quan giữa các biến có thể được tái tạo. Đối với một giải pháp phân tích nhân tố thích hợp, sự khác biệt giữa mối tương quan được tái tạo và quan sát phải nhỏ (nhỏ hơn 0,05).

Theo quy tắc chung, ‘mô hình phù hợp sẽ có ít hơn 50% phần dư không thừa có giá trị tuyệt đối lớn hơn 0,05’.

Bước 7: Chạy Phân tích Yếu tố Khám phá

Vấn đề:

Điều tra xem có bất kỳ số lượng yếu tố không thể quan sát nào nhỏ hơn trong 19 biến đo lường Trách nhiệm xã hội của trường đại học mà dữ liệu có sẵn hay không. Ví dụ dựa trên sự phát triển quy mô. Các mục ban đầu được xác định để đo lường Trách nhiệm xã hội của trường đại học là 19, nhà nghiên cứu muốn đánh giá xem có bất kỳ khía cạnh cơ bản nào không.

Các bước để chạy Phân tích nhân tố

Chọn Analyze → Dimension Reduction → Factor

Hộp thoại kết quả được hiển thị trong Hình

*

Chọn các biến từ hộp bên trái và chuyển chúng vào hộp Variables.

*

Nhấp vào nút Descriptives sẽ xuất hiện hộp thoại như trong hình. Trong phần Statistics , , hãy đảm bảo rằng Initial Solution được chọn. Trong phần được đánh dấu là Correlation Matrix, hãy chọn các tùy chọn Coefficients và KMO and Bartlett’s test of sphericity. Nhấp vào Continue.

*

Nhấp vào nút có nhãn Extraction sẽ xuất hiện hộp thoại như trong Hình.

*

Có nhiều phương pháp trích xuất được liệt kê, bạn có thể nhận được bằng cách nhấp vào mũi tên xuống trong hộp Method. Hai phương pháp trích xuất thường được sử dụng là Principal Components và Principal Axis Factoring. Trong trường hợp này tôi chọn Principal Axis Factoring. Ngoài ra, hãy chọn hộp Scree plot.Tiếp theo, chọn xem chúng ta muốn phân tích ma trận tương quan hay ma trận hiệp phương sai cho FA. Tùy chọn được khuyến nghị cho người mới bắt đầu là sử dụng ma trận tương quan, tuy nhiên, người dùng nâng cao có thể chọn ma trận hiệp phương sai cho các trường hợp đặc biệt..Nhấp vào Unrotated factor solution và Scree plot lọc để hiển thị hai giải pháp.SPSS cho phép chỉ định số lượng yếu tố mà chúng ta muốn trích xuất. Cài đặt mặc định là chọn các yếu tố có giá trị riêng lớn hơn 1 vì các yếu tố có giá trị riêng nhỏ hơn 1 không mang đủ thông tin. Chúng tôi cũng có thể chỉ định số lượng yếu tố nếu chúng ta có yêu cầu cụ thể để trích xuất một số yếu tố nhất định.

*

Nhấp vào Continue để quay lại hộp thoại chính.Tiếp theo, nhấp vào nút có nhãn Rotation, để chỉ định chiến lược xoay vòng cụ thể mà bạn muốn áp dụng. Thao tác này sẽ trả về một hộp thoại như trong Hình
Chương trình SPSS cung cấp năm tùy chọn cho các phép quay. Chọn Varimax từ hộp này. Nhấp vào Continue để quay lại hộp thoại chính.

*

Cuối cùng bấm vào nút có nhãn Options sẽ xuất hiện hộp thoại như trong Hình. Nên loại bỏ các giá trị dưới 0,40 vì đây là tiêu chí tiêu chuẩn được các nhà nghiên cứu sử dụng để xác định các tải nhân tố quan trọng. Chúng tôi đã không làm điều này để trình bày đầu ra đầy đủ.

*

Nhấp chọn Continue để quay lại hộp thoại chính và nhấp vào OK để chạy phân tích

Bước 7: Diễn giải và báo cáo

Một phân tích nhân tố khám phá (EFA) được thực hiện bằng cách sử dụng phân tích thành phần chính và xoay vòng biến thiên. Tiêu chí tải yếu tố tối thiểu được đặt thành 0,50. Tính chung của thang đo, cho biết lượng phương sai trong mỗi thứ nguyên, cũng được đánh giá để đảm bảo mức độ giải thích có thể chấp nhận được. Kết quả cho thấy tất cả các xã đều trên 0,50.

Xem thêm: Hướng dẫn đăng ký office 365 giáo dục, đăng ký tài khoản office 365 education

Một bước quan trọng liên quan đến việc cân nhắc tầm quan trọng tổng thể của ma trận tương quan thông qua Kiểm tra độ cầu của Bartlett, cung cấp thước đo xác suất thống kê mà ma trận tương quan có mối tương quan đáng kể giữa một số thành phần của nó.