Phân tích yếu tố mày mò (EFA) là một phương pháp phân tích định lượng dùng để làm rút gọn một tập gồm nhiều biến giám sát và đo lường phụ thuộc lẫn nhau thành một tập biến thấp hơn(gọi là những yếu tố) để chúng có ý nghĩa hơn. Cùng Luận văn 1080 tìm hiểu thêm trong nội dung bài viết sau này:

Tìm hiểu thêm thêm:

+ Ra mắt về quy mô var, OLS và những kiểm định Hausman trong tài liệu mảng (Panel Data)

+ Ra mắt về EVIEWS và cách tải về, thiết lập ứng dụng eview 7, 8, 9, 10

1. Ra mắt về yếu tố mày mò EFA

1.1. Khái niệm EFA

• EFA (Exploratory Factor Analysis) là kỹ thuật dùng để làm kiểm định hai loại biến quan trọng trong thang đo, đó là những giá trị quy tụ và những giá trị phân biệt.

1.2. Phân tích EFA

• Phân tích yếu tố mày mò EFA (Exploratory Factor Analysis) là phương pháp thống kê đa biến được tận dụng để tìm ra những quan hệ giữa những biến và nhóm những biến tương tự nhau thành những nhóm những yếu tố (factors).
• Phân tích yếu tố mày mò EFA được tận dụng để rút gọn một tập hợp k gồm những biến quan sát thành một tập hợp F (với F < k) với những yếu tố có ý nghĩa thống kê hơn.
  • Thành quả của phân tích EFA sẽ làm giảm kích thước của tài liệu bằng phương pháp tóm tắt những biến liên quan vào những yếu tố, hỗ trợ cho việc phân tích và diễn giải tài liệu trở thành giản dị và đơn giản hơn.
  • Những yếu tố này thường được nhìn nhận như những biến ẩn, không được giám sát và đo lường trực tiếp, nhưng có tác động đến những biến quan sát.
• Trong phân tích: những nhà khoa học thường tích lũy số liệu một số trong những lượng biến có cỡ mẫu khá lớn và rất nhiều những biến để quan sát trong đó có quan hệ tương quan lẫn nhau.
  • Ví dụ: Thay vì mọi người đi phân tích 30 điểm sáng nhỏ của một đối tượng người dùng thì mọi người rất có thể phân tích 5 điểm sáng lớn, trong số mỗi điểm sáng lớn này bao gồm tất cả 4 điểm sáng nhỏ có sự tương thích với nhau.

1.2. Khái niệm những yếu tố trong phân tích EFA.

• Yếu tố Factor trong EFA là yếu tố có những biến rất có thể quan sát được từ một số trong những điểm sáng chung nào này mà mọi người không thể quan sát được trực tiếp.
  • Ví dụ: Factor này rất có thể được phân tích và lý giải bằng những khái niệm to hơn, như unique cuộc sống đời thường, sự hài lòng về công việc, hoặc năng lượng vận hành.
• Hệ số tải yếu tố Factor càng tốt, tức thị có sự tương quan giữa những biến quan sát đó với yếu tố càng lớn và trái lại.
  • Mỗi factor (yếu tố) được xác định bởi một tập hợp những biến quan sát được có quan hệ cao với nhau và quan hệ thấp với những biến khác trong tập tài liệu.
  • Chúng thường được giám sát và đo lường bằng phương sai tổng thể giữa những biến quan sát và được liệt kê theo trật tự gồm những kỹ năng phân tích và lý giải của yếu tố đó.
• Phương sai
  • Phương sai (Variance) là phép giám sát và đo lường mức độ chênh lệch giữa những biến giá trị trong một tập tài liệu.
  • Trong quy trình góp vốn đầu tư tài chính, phương sai của lợi nhuận những tài sản trong những danh mục góp vốn đầu tư được sử dụng như một phương tiện để phân loại tài sản một cách tốt nhất.
  • Trong đầu tư tài chính, phương sai dùng để làm so sánh sự hiệu quả của những yếu tố trong danh mục góp vốn đầu tư với nhau và so sánh với những giá trị hiệu suất trung bình.
• Hệ số tương quan: (Correlation coefficient) là thước đo dùng trong thống kê giám sát và đo lường mức độ tác động mạnh yếu của những quan hệ giữa hai biến số. Trong số đó:
  • Thành quả > 1.0 hoặc nhỏ hơn -1: có lỗi trong quy trình triển khai phép đo tương quan..
  • Thành quả < 0: cho thấy hai biến có quan hệ tỉ lệ thành phần nghịch với nhau hoặc giá trị tương quan âm (nghịch biến tuyệt đối trổ tài khi mức giá trị bằng -1)
  • Thành quả >0 cho thấy có quan hệ đồng điều với nhau hoặc quan hệ tương quan dương (đồng biến tuyệt đối trổ tài khi mức giá trị bằng 1)
  • Thành quả = 0 tức là hai biến sẽ độc lập với nhau.
  • Hệ số tương quan có mức từ -1.0 đến 1.0. Ví dụ:

2. Tiềm năng và ứng dụng chạy efa trong spss

2.1. Tiềm năng

• Hai tiềm năng quan trọng của phân tích yếu tố mày mò EFA là kiểm định:
  • Số lượng những yếu tố ảnh nhắm đến một tập tài liệu của những biến giám sát và đo lường.
  • Mức độ tác động về quan hệ giữa mỗi yếu tố với từng biến giám sát và đo lường.

2.2. Ứng dụng

• EFA thường được sử dụng thịnh hành trong nhiều nghành về vận hành, tài chính – xã hội, tư tưởng học,… Khi mọi người đã có được được quy mô khái niệm (Conceptual Framework) từ những giả thuyết hay những phân tích trước đó.
• Trong những phân tích khoa học về ngành tài chính, những nhà khoa học thường dùng thang đo (scale) bao gồm tất cả rất nhiều thắc mắc (biến dùng để làm giám sát và đo lường) nhằm mục đích giám sát và đo lường những khái niệm trong quy mô và phân tích EFA sẽ hỗ trợ rút gọn một tập gồm rất nhiều biến giám sát và đo lường thành một số trong những yếu tố.
• Khi đã đạt được một số trong những ít những yếu tố, nếu như mọi người tận dụng những yếu tố này với tư cách là những một biến độc lập trong hàm hồi quy bội thì lúc đó quy mô sẽ giảm nguy cơ xẩy ra hiện tượng lạ đa cộng tuyến.
• Trong khi, những yếu tố được rút ra sau khoản thời gian phân tích EFA rất có thể được sử dụng trong phân tích hồi quy đa biến (Multivariate Regression Analysis), quy mô Logic, tiếp sau đó mọi người rất có thể tiếp tục tận dụng phân tích yếu tố xác minh (CFA) để kiểm định độ tin cậy của quy mô hay triển khai quy mô cấu trúc tuyến tính (Structural Equation Modeling, SEM) để Review về quan hệ qua lại phức tạp giữa những biến.

3. Điều kiện kèm theo để ứng dụng EFA

3.1. Mức độ tương quan giữa những biến giám sát và đo lường

• Phân tích EFA dựa trên quan hệ giữa những biến giám sát và đo lường với nhau. Chính vì vậy, trước lúc tiến hành tận dụng phân tích EFA, mọi người cần kiểm tra xem quan hệ giữa những biến giám sát và đo lường này ra sao.
• Tận dụng ma trận của hệ số tương quan (correlation matrix), mọi người rất có thể xác định được mức độ tác động giữa những biến. Nếu như những hệ số tương quan có mức giá trị nhỏ hơn 0.30, lúc đó tận dụng phân tích EFA sẽ không còn thích hợp (Hair et al. 2009)
• Dưới là một số trong những tiêu chuẩn dùng để làm Review quan hệ giữa những biến:
  • Kiểm định Bartlett:
    • Kiểm định Bartlett dùng để làm kiểm tra ma trận tương quan có đúng là ma trận đơn vị (identity matrix) hay là không?. Ma trận đơn vị ở đây Tức là ma trận có hệ số tương quan giữa những biến bằng 0, và hệ số tương quan với chính nó bằng 1.
    • Nếu như phép kiểm định Bartlett có mức giá trị pvàlt;5%, mọi người rất có thể bác bỏ bỏ giả thuyết H0 (ma trận tương quan là một ma trận đơn vị), Tức là những biến tài liệu có quan hệ qua lại với nhau.
  • Kiểm định KMO:
    • Kiểm định KMO (Kaiser – Meyer – Olkin) là kiểm định dùng để làm so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng của chúng.
    • Để tận dụng phân tích EFA, thì kiểm định KMO phải có mức giá trị to hơn 0.50 Kaiser (1974)
      • KMO ≥ 0.90: Rất tốt;
      • 0.80 ≤ KMO < 0.90: Tốt;
      • 0.70 ≤ KMO < 0 80: Được;
      • 0.60 ≤ KMO < 0.70: Tạm được;
      • 0.50 ≤ KMO < 0.60: Xấu;
      • KMO < 0.50: Không đồng ý được

3.2. Kích thước mẫu

• Để tận dụng phân tích EFA, mọi người cần kiểm định kích thước mẫu lớn, nhưng vấn đề kiểm định kích thước mẫu có thích hợp hay là không là việc làm vô cùng phức tạp. Những nhà khoa học thường dựa trên kinh nghiệm nhiều năm của tôi.
• Trong phân tích EFA, kích thước mẫu thường được kiểm định nhờ vào “kích thước tối thiểu” và “số lượng những biến giám sát và đo lường được đưa vào phân tích EFA”, dưới là một số trong những ý kiến, lời khuyên từ những nhà khoa học về phân tích yếu tố EFA, những chúng ta cũng có thể tìm hiểu:
  • Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), số lượng quan sát những biến (cỡ mẫu) ít nhất phải đạt gấp 4 đến 5 lần số biến trong lúc phân tích yếu tố EFA.
  • Hair et al. (2009) nhận định rằng để tận dụng phân tích EFA, kích thước cỡ mẫu tối thiểu phải là 50, tốt nhất nên là 100. Ông Hair lời khuyên, nỗ lực tối đa hóa tỷ trọng quan sát trên mỗi biến giám sát và đo lường là 5:1, Tức là cứ 1 biến giám sát và đo lường thì nên cần tối thiểu là 5 quan sát.
  • Stevens (2002, theo Habing 2003) một yếu tố được xác định là đáng tin cậy nếu như yếu tố này còn có từ 3 biến giám sát và đo lường trở lên.

4. So sánh giữa EFA và CFA (Confirmatory Factor Analysis)

4.1. Giống nhau

• Cả hai phân tích đều dùng để làm Review quan hệ giữa những biến quan sát với những biến tiềm tàng. Thông qua đó xem xét được biến quan sát nào có tác động nhiều nhất vào biến tiềm tàng mẹ, những biến quan sát nào không hề có tác động.
• Cả hai phân tích đều phải sở hữu tính chất quy tụ (convergence) và tính chất phân biệt (discriminant) của những nhóm cấu trúc biến.

4.2. Không giống nhau

Phân tích EFA

Phân tích CFA

Thống kê kiểm định thế hệ thứ nhất (truyền thống lâu đời).

Thống kê kiểm định thế hệ thứ hai (tiến bộ) với đa công dụng và xử lý được nhiều vấn đề mà thống kê thế hệ thứ nhất không xử lý được.

Chỉ thiên về mày mò cấu trúc yếu tố.

Chỉ thuần về xác minh cấu trúc yếu tố.

Phân tích EFA là mày mò ra những cấu trúc tiềm tàng trong một số trong những lượng lớn những biến quan sát nên những nhóm được hình thành sau EFA.

Trong lúc đó phân tích CFA luôn luôn thắt chặt và cố định xem xét có bao nhiêu cấu trúc biến đó từ xuyên thấu quy trình phân tích, chỉ có loại loại bỏ đi biết quan sát đã có được do biến đó không phân tích và lý giải được cho biến tiềm tàng.

Những biến khi phân tích đã được chuẩn chỉnh hóa

Những biến khi phân tích không được chuẩn chỉnh hóa

Xác định những biến quan sát đưa vào không hề có sai số giám sát và đo lường (dẫn theo ước tính cho thành quả ít đúng mực).

Xác định những biến quan sát đưa vào có sai số giám sát và đo lường (dẫn theo ước tính cho thành quả đúng mực hơn).

5. Quy mô của EFA

• Trong EFA, mỗi biến giám sát và đo lường được biễu diễn như thể một tổng hợp tuyến tính của những yếu tố cơ phiên bản, còn lượng biến thiên của mỗi biến giám sát và đo lường được phân tích và lý giải bởi những yếu tố chung(common factor). Biến thiên chung của những biến giám sát và đo lường được mô tả bằng một số trong những ít những yếu tố chung cộng với một số trong những yếu tố đặc trưng(unique factor) cho từng biến. Nếu những biến giám sát và đo lường được chuẩn chỉnh hóa thì quy mô yếu tố được trổ tài bằng phương trình:

Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Aim * Fm + Vi*Ui

• Trong số đó,
  • Xi : biến giám sát và đo lường thứ i đã được chuẩn chỉnh hóa
  • Aij: hệ số hồi qui bội đã được chuẩn chỉnh hóa của yếu tố j so với biến i
  • F1, F2, . . ., Fm: những yếu tố chung
  • Vi: hệ số hồi qui chuẩn chỉnh hóa của yếu tố đặc trưng i so với biến i
  • Ui: yếu tố đặc trưng của biến i

• Những yếu tố đặc trưng có tương quan với nhau và tương quan với những yếu tố chung; mà phiên bản thân những yếu tố chung cũng rất có thể được diễn tả như những tổng hợp tuyến tính của những biến giám sát và đo lường, điều này được trổ tài trải qua quy mô sau này:

Fi = Wi1*X1 + Wi2*X2 + Wi3*X3 + . . . + Wik*Xk

• Trong số đó,
  • Fi: ước tính trị số của yếu tố i
  • Wi: quyền số hay trọng số yếu tố(weight or factor scores coefficient)
  • k: số biến

Trong quy trình phân tích yếu tố EFA, cần đưa những biến kiểm soát vào quy mô giúp kiểm soát những yếu tố ngoại cảnh rất có thể tác động đến thành quả phân tích, nhất là khi triển khai phân tích trên những tài liệu quan sát trong thực tiễn. Để nắm rõ hơn những biến kiểm soát rất có thể có vài trò quan trọng và tác động đến quy trình phân tích yếu tố EFA ra sao, xem ngay biến kiểm soát là gì? – Vai trò và cách kiểm soát biến trong SPSS

6. Công việc triển khai EFA

Quy trình triển khai EFA, có nhiều nhà phân tích tìm ra quá trình(step) không giống nhau:

i) Theo Hoàng Trọng và Chu Mộng Ngọc(2010), có 6 bước để triển khai EFA:

ii) Theo Rietveld & Van Hout (1993), có 7 bước chính để triển khai EFA:

iii) Theo Williams, Onsman, Brown (2010), có 5 bước triển khai EFA

Phân tích yếu tố EFA và ANCOVA (Analysis of Covariance) là rất quan trọng trong quy trình phân tích tài liệu. Cả hai phương pháp đều tận dụng biến kiểm soát để kiểm soát tác động của những yếu tố khác trong quy trình phân tích. Tuy nhiên, cách triển khai và mục tiêu của hai phương pháp này không giống nhau. Xem ngay Ancova là gì? Cách Kiểm Định Ancova trong SPSS tại website Luận văn 1080 để hiểu về chúng và tránh khỏi những sơ sót không đáng có trong quy trình tiến hành kiểm định.

7. Những vấn đề cần lưu ý trong phân tích EFA

7.1 Phân tích EFA chung cho tất cả những biến độc lập và biến phụ thuộc hay phân tích riêng?

• Phân tích yếu tố mày mò (EFA) thường được sử dụng trên tất cả những biến độc lập, nhằm mục đích phát hiện những yếu tố tiềm tàng rất có thể diễn giải sự biến thiên của những biến đó. Tuy vậy, ở một số trong những trường hợp, phân tích EFA rất có thể được kiểm định trên những biến phụ thuộc, nhằm mục đích kiểm định những yếu tố tiềm tàng tác động tới sự việc biến thiên của những biến phụ thuộc đó.
• Nhưng phân tích EFA dựa trên tất cả những biến độc lập là phần nhiều hơn và thường được sử dụng rộng thoải mái trong những phân tích khoa học thực tiễn và những ứng dụng thực tiễn trong nhiều nghành không giống nhau.
• Trong trường hợp phân tích EFA được ứng dụng cho những biến phụ thuộc, những biến này thường được xem như thể những trị số của những biến độc lập, và phân tích EFA nhằm mục đích kiểm nghiệm ra những yếu tố tác động tới sự việc biến thiên của những trị số này.
• Không thể đưa những biến phụ thuộc vào chung với những biến độc lập để phân tích EFA cùng một lúc, khi tận dụng phép quay vuông góc và tận dụng giá trị yếu tố do phân tích EFA tiết ra để phân tích tiếp theo (Nguyễn Đình Thọ, 2012).
• >>> Cần lưu ý rằng phép quay nếu dùng giá trị yếu tố do phân tích EFA tiết ra để phân tích tiếp theo.

7.2 Phân tích EFA chung cho tất cả những biến độc lập và biến phụ thuộc hay phân tích riêng

• Tuy nhiên, trong trường hợp tận dụng phân tích EFA để Review những giá trị thang đo (là phương pháp dùng để làm Review liên kết) nếu tận dụng phân tích EFA cho từng loại thang đo riêng lẻ thì sẽ không còn thể đạt giá khá mềm trị phân biệt tốt nhất (những biến chỉ giám sát và đo lường được những khái niệm muốn đo hay cùng giám sát và đo lường những khái niệm khác)
• >>> Lưu ý khi sử dụng phân tích EFA để Review những giá trị phân biệt chỉ mang ý nghĩa chất tìm hiểu thêm, cần kiểm định xem hệ số tương quan giữa hai khái niệm có khác 1 hay là không?.
• Phân tích yếu tố mày mò (EFA) thường được phân tích dựa trên những biến độc lập nhằm mục đích xác định những yếu tố tiềm tàng diễn giải sự biến thiên của những biến độc lập đó. Tuy nhiên, ở một số trong những trường hợp, phân tích EFA rất có thể được triển khai dựa trên những biến phụ thuộc, nhằm mục đích kiểm nghiệm những yếu tố ẩn tác động tới sự việc biến thiên của những biến phụ thuộc đó.
• Tuy nhiên, triển khai phân tích EFA chung cho tất cả những biến độc lập và biến phụ thuộc không phải là một sự chọn lựa nhiều nhất trong phân tích và phân tích tài liệu thống kê.
• Vì những biến độc lập và biến phụ thuộc thường không hề có mối tương quan lẫn nhau, và thường có mục tiêu phân tích thống kê không giống nhau. Chính vì vậy, phân tích EFA dùng chung cho tất cả những biến độc lập và biến phụ thuộc rất có thể sẽ không còn cho ra được thành quả phân tích rõ ràng và có ý nghĩa trong thống kê.
• Vậy là, phân tích EFA thường được sử dụng trên những biến độc lập nhằm mục đích phát hiện những yếu tố tiềm tàng phân tích và lý giải sự biến thiên của những biến độc lập đó. Trong một số trong những trường hợp, phân tích EFA rất có thể được triển khai trên những biến phụ thuộc để xác định những yếu tố tiềm tàng tác động tới sự việc biến thiên của những biến phụ thuộc đó. Tuy nhiên, phân tích EFA rất có thể dùng chung cho tất cả những biến độc lập và biến phụ thuộc đó không phải là lựa chọn tốt nhất trong phân tích và phân tích tài liệu thống kê.

Trong những khi học về tóm tắt và trình diễn tài liệu, chắc hẳn rằng người cần quan tâm đến nội dung xử lý thắc mắc rất có thể chọn nhiều vấn đáp. Mọi người xử lý thắc mắc nhiều lựa chọn trong SPSS ra sao? Và mọi người triển khai thống kê tần số ra sao? là những thắc mắc nhiều người đưa ra khi nói đến nội dung này. Tìm hiểu thêm ngay nội dung bài viết tại website Luận văn 1080 của Cửa Hàng chúng tôi để nhận được lời giải đáp đúng mực nhất.

Như vậy, nội dung bài viết trên đã tổng hợp những khái niệm, tiềm năng, ứng dụng, những tham gia, quy mô và quá trình triển khai EFA chuẩn chỉnh nhất. Hy vọng sẽ nắm được toàn bộ tri thức trên. Chúc những người ứng dụng vào bài phân tích thành công!