1. Phân tích nhân tố khám phá EFA là gì?

– Với kiểm định độ tin cậy thang đo Cronbach Alpha, tất cả chúng ta đang đánh giá và thẩm định quan hệ giữa các biến trong cùng một nhóm, cùng một nhân tố, chứ không xem xét quan hệ giữa tất cả những biến quan sát ở các nhân tố khác. Trong những khi đó, EFA xem xét quan hệ giữa các biến ở tất cả những nhóm (các nhân tố) khác nhau nhằm phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ lúc đầu.

Bạn Đang Xem: Phân tích nhân tố khám phá EFA trong SPSS

2. Các tiêu chí trong phân tích EFA

Đưa biến quan sát của rất nhiều biến độc lập cần thực hiện phân tích EFA vào mục Variables, nếu có biến quan sát nào bị loại bỏ ở bước trước đó, tất cả chúng ta sẽ không còn đưa vào phân tích EFA. Lưu ý 4 tùy chọn được đánh số ở ảnh phía bên dưới.

– Descriptives: Tích vào mục KMO and Barlett’s test of sphericity để xuất bảng giá trị KMO và giá trị sig của kiểm định Barlett. Nhấp Continue để quay trở lại hành lang cửa số lúc đầu.

– Extraction: Ở đây, tất cả chúng ta sẽ sử dụng phép trích PCA (Principal Components Analysis). Với SPSS 20 và các phiên bản 21, 22, 23, 24, PCA sẽ tiến hành viết gọn lại là Principal Components như hình ảnh phía bên dưới, đó cũng là tùy chọn mặc định của SPSS. Bên cạnh PCA, tất cả chúng ta cũng thường sử dụng PAF, cách dùng hai phép quay phổ thông này, các chúng ta cũng có thể xem tại nội dung bài viết Phép trích Principal Components Analysis (PCA) và Principal Axis Factoring (PAF).

Lúc các bạn nhấp chuột vào nút mũi tên hướng xuống sẽ có được nhiều tùy chọn phép trích khác nhau. Số lượng nhân tố được trích ra ở ma trận xoay phụ thuộc khá nhiều vào việc lựa chọn phép trích, tuy nhiên, tài liệu này sẽ chỉ tập trung vào phần PCA.

– Rotation: Ở đây có những phép quay, thường tất cả chúng ta hay sử dụng Varimax và Promax. Riêng với dạng đề tài đã xác định được biến độc lập và biến phụ thuộc, tất cả chúng ta sử dụng phép quay Varimax. Chúng ta có thể tìm hiểu sự khác nhau cũng như khi nào dùng phép xoay nào tại nội dung bài viết Phép quay vuông góc Varimax và phép quay không vuông góc Promax. Nhấp Continue để quay trở lại hành lang cửa số lúc đầu.

Xem Thêm : 1inch coin là gì? Đánh giá tiềm năng & ưu nhược điểm 1inch

– Options: Tích vào Sorted by size để ma trận xoay sắp xếp thành từng cột dạng bậc thang để dễ đọc kết quả hơn, tất cả chúng ta có thể tích hoặc không tích, việc này sẽ không tác động đến kết quả. Cần nhớ rằng, trật tự các nhân tố trong kết quả ma trận xoay không phản ánh mức độ quan trọng của nhân tố đó. Với mục Suppress small coefficients, nếu không tích chọn, ma trận xoay sẽ hiển thị toàn bộ hệ số tải của mỗi biến quan sát ở từng nhân tố.

Tại hành lang cửa số tiếp theo, chọn OK để xuất kết quả ra output.

Có rất nhiều bảng ở output, tất cả những bảng này đều đóng góp vào việc đánh giá và thẩm định kết quả phân tích EFA là tốt hay tệ. Tuy nhiên, ở đây tác giả tập trung vào ba bảng kết quả chính: KMO and Barlett’s Test, Total Variance Explained và Rotated Component Matrix, bởi sử dụng ba bảng này tất cả chúng ta đã có thể đánh giá và thẩm định được kết quả phân tích EFA phù hợp hay là không phù hợp.

Kết quả lần EFA trước tiên: KMO = 0.887 > 0.5, sig Bartlett’s Test = 0.000 < 0.05, như vậy phân tích nhân tố khám phá EFA là phù hợp. Có 6 nhân tố được trích với tiêu chí eigenvalue to thêm 1 với tổng phương sai tích lũy là 63.109%. Tác giả mong muốn lựa chọn ra các biến quan sát chất lượng sản phẩm nên sẽ sử dụng ngưỡng hệ số tải là 0.5 thay vì chọn hệ số tải tương ứng theo cỡ mẫu. So sánh ngưỡng này với kết quả ở ma trận xoay, có hai biến xấu là DN4 và LD5 cần xem xét loại bỏ:

• Biến DN4 tải lên ở cả hai nhân tố là Component 4 và Component 6 với hệ số tải tuần tự là 0.612 và 0.530, mức chênh lệch hệ số tải bằng 0.612 – 0.530 = 0.082 < 0.2.
• Biến LD5 có hệ số tải ở tất cả những nhân tố đều nhỏ 0.5.

Tác giả sử dụng phương thức loại một lượt các biến xấu trong một lần phân tích EFA. Từ 28 biến quan sát ở lần phân tích EFA thứ nhất, loại bỏ DN4 và LD5 và đưa 26 biến quan sát còn sót lại vào phân tích EFA lần thứ hai.

Xem Thêm : Recommend là gì? Cấu trúc Recommend trong tiếng Anh

Có 6 nhân tố được trích dựa vào tiêu chí eigenvalue to thêm 1, như vậy 6 nhân tố này tóm tắt thông tin của 26 biến quan sát đưa vào EFA một cách tốt nhất. Tổng phương sai mà 6 nhân tố này trích được là 63.357% > 50%, như vậy, 6 nhân tố được trích giảng giải được 63.357% biến thiên tài liệu của 26 biến quan sát tham gia vào EFA.

Kết quả ma trận xoay cho thấy, 26 biến quan sát được phân thành 6 nhân tố, tất cả những biến quan sát đều phải sở hữu hệ số tải nhân tố Factor Loading to thêm 0.5 và không còn các biến xấu.

Như vậy, phân tích nhân tố khám phá EFA cho những biến độc lập được thực hiện hai lần. Lần thứ nhất, 28 biến quan sát được đưa vào phân tích, có 2 biến quan sát không đạt ĐK là DN4 và LD5 được loại bỏ để thực hiện phân tích lại. Lần phân tích thứ hai (lần cuối cùng), 26 biến quan sát quy tụ và phân biệt thành 6 nhân tố.

3.2 Chạy EFA cho biến phụ thuộc

Thực hiện tương tự các bước như cách làm với biến độc lập. Thay vì đưa biến quan sát của rất nhiều biến độc lập vào mục Variables, tất cả chúng ta sẽ đưa các biến quan sát của biến phụ thuộc vào. Cụ thể trong ví dụ này, biến phụ thuộc Sự hài lòng gồm 3 biến quan sát là HL1, HL2, HL3.

Kết quả output, tất cả chúng ta cũng sẽ có những bảng KMO and Barlett’s Test, Total Variance Explained, Rotated Component Matrix. Bảng KMO and Barlett’s Test giống hoàn toàn như biến độc lập, cách đọc kết quả cũng vậy.

Bảng Total Variance Explained khi chỉ có một nhân tố được trích sẽ hiển thị như phía bên dưới (không có cột Rotation Sums of Squared Loadings). Trường hợp nếu có từ hai nhân tố được trích, sẽ xuất hiện thêm cột Rotation Sums of Squared Loadings.

Kết quả phân tích cho thấy có một nhân tố được trích tại eigenvalue bằng 2.170 > 1. Nhân tố này giảng giải được 72.339% biến thiên tài liệu của 3 biến quan sát tham gia vào EFA.

Riêng bảng Rotated Component Matrix sẽ không còn xuất hiện mà thay vào đó là dòng thông tin: Only one component was extracted. The solution cannot be rotated.

Điều này xẩy ra khi EFA chỉ trích được một nhân tố duy nhất từ các biến quan sát đưa vào. Dòng thông tin này tạm dịch là: Chỉ có một nhân tố được trích. Ma trận không thể xoay. Tất cả chúng ta luôn kỳ vọng đưa vào 1 biến phụ thuộc thì EFA cũng sẽ chỉ trích ra một nhân tố. Việc trích được chỉ một nhân tố là điều tốt, tức thị thang đo đó đảm bảo được tính đơn hướng, các biến quan sát của biến phụ thuộc quy tụ tương đối tốt. Lúc này, việc đọc kết quả sẽ dựa vào bảng ma trận chưa xoay Component Matrix thay vì bảng ma trận xoay Rotated Component Matrix.