Trong bài viết này mình sẽ đề cập đến 2 phương pháp phân tích nhân tố khám phá EFA tuy nhiên sẽ chỉ hướng dẫn thực hiện trên SPSS cách đơn giản và được nhiều nhà nghiên cứu sử dụng nhất trong nghiên cứu khoa học.
Theo Nguyễn Đình Thọ (2014, tr. 363), một thang đo có độ tin cậy cao vẫn chưa khẳng định được giá trị của nó (ví dụ như giá trị phân biệt). Chẳng hạn nếu như các biến quan sát của nhân tố “Thực hành chi phí phí”, bên cạnh tương quan với các biến quan sát khác của thuộc thang đo “Thực hành chi phí”, nó còn tương quan với các biến quan sát của nhân tố “Thực hành lập ngân sách”, như vậy là thang đo không có độ giá trị.
Vì điều này sau khi đánh giá độ tin cậy thang đo cần phải đánh giá giá trị của nó. Hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt và phương pháp phân tích nhân tố khám phá (exploratory factor analysis, gọi tắt là phân tích EFA) sẽ giúp đánh giá hai loại giá trị này (Nguyễn Đình Thọ, 2014, tr. 378).
Giá trị hội tụ: Các biến quan sát cùng tính chất hội tụ về cùng một nhân tố, khi biểu diễn trong ma trận xoay, các biến này sẽ nằm chung một cột với nhau.
Giá trị phân biệt: Các biến quan sát hội tụ về nhân tố này và phải phân biệt với các biến quan sát hội tụ ở nhân tố khác, khi biểu diễn trong ma trận xoay, từng nhóm biến sẽ tách thành từng cột riêng biệt.
Theo Phạm Lộc (2021, tr. 295) phân tích nhân tố (factor analysis) còn gọi là phân tích nhân tố khám phá (EFA) là một kỹ thuật xử lý định lượng nhằm mục đích rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn. Hiểu đơn giản là rút gọn tập câu hỏi khảo sát thành các nhóm với mỗi nhóm là những câu hỏi thể hiện chung một khái niệm nào đó.
+ Với kiểm định độ tin cậy Alpha sẽ đánh giá mối quan hệ giữa các biến trong cùng một nhóm, cùng một nhân tố, chứ không xem xét mối quan hệ giữa tất cả các biến quan sát ở các nhân tố khác. Trong khi EFA xem xét mối quan hệ giữa các biến ở tất cả các nhóm (các nhân tố) khác nhau nhằm phát hiện ra các biến quan sát tải lên nhiều nhân tố hoặc các biến nhân tố bị phân sai nhân tố từ ban đầu.
+ Trong phân tích EFA, phép trích PCA (principal components analysis) và phép trích PAF (principal axis factoring) là 2 phép trích được sử dụng phổ biến hiện nay tùy vào mục đích sử dụng khác nhau. Theo Phạm Lộc (2021, tr.134) phép trích PCA được sử dụng để tóm tắt thông tin các biến quan sát được đưa vào phân tích nhân tố và giúp làm giảm số lượng nhiều quan sát thành một số lượng ít hơn các nhân tố chính.
Trong phép trích PCA, các biến quan sát của các biến tiềm ẩn đã được định hình trước đó, việc sử dụng PCA nhấn mạnh vào việc thu gọn số lượng biến quan sát để có được số nhân tố ít hơn nhưng đại diện nhiều nhất cho đặc tính của toàn bộ biến quan sát.
Mục đích của phân tích nhân tố khám phá
+ Mục đích của EFA là làm giảm số lượng lớn biến quan sát thành số lượng ít nhân tố đại diện để dễ tính toán và phân tích. Nếu không xoay, các biến quan sát có xu hướng tải đều dàn trải ở rất nhiều nhân tố, không xác định rốt cuộc phải xếp biến quan sát đó vào nhân tố nào. Các phép quay trong phân tích nhân tố được chia làm 2 nhóm chính: phép quay vuông góc (varimax rotation) và phép quay không vuông góc (promax rotation).
Nếu bạn có mục đích chính là thu gọn số lượng biến quan sát về các nhân tố đại diện với phương sai trích được nhiều nhất thì phép quay vuông góc nên được sử dụng vì nó phù hợp hơn với phép trích PCA.
+ Đối với việc phân tích chung hay riêng các nhân tố trong cùng một lần phân tích EFA hay tác nhỏ từng nhóm thì theo Phạm Lộc là không có nguyên tắc thống nhất nào liên quan đến việc phân tích chung hay riêng giữa biến độc lập và biến phụ thuộc. Nhà nghiên cứu cần chủ động trong tình huống thực tế của dữ liệu và tính chất của mô hình nghiên cứu mà xử lý.
Theo quan điểm của Nguyễn Đình Thọ (2014, tr. 422-423), khi thực hiện phép quay vuông góc thì không được đưa biến phụ thuộc vào chung với biến độc lập vào cùng lúc để thực hiện EFA, quan điểm của Hair và cộng sự (2009) cũng tương tự. Như vậy đề tài thực hiện phân tích EFA riêng giữa biến độc lập và biến phụ thuộc. Điều kiện để phân tích EFA – Để không bị vi phạm các giả định khi phân tích EFA thì cần tuân thủ một số giả định:
+ Đầu tiên là mức độ quan hệ giữa các biến đo lường, được đánh giá bằng kiểm định Bartlett và kiểm định KMO (Nguyễn Đình Thọ, 2014, tr. 412).
• Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong các nhân tố có tương quan với nhau hay không. Trong khi đánh giá dựa vào ma trận tương quan sẽ khá khó khăn thì dùng kiểm định Bartlett sẽ đơn giản hơn. Nếu sig < 0,05 thì các biến tham gia vào EFA có tương quan với nhau, nếu sig > 0,05 thì các biến quan sát không có tương quan với nhau (Phạm Lộc, 2021a, tr. 142).
• Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải đạt giá trị từ 0,5 trở lên là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu (Phạm Lộc, 2021a, tr. 142). Ngưỡng đánh giá KMO như sau:
▪ KMO ≥ 0,5: mức chấp nhận tối thiểu
▪ 0,5 < KMO ≤ 0,8: tốt
▪ 0,7 < KMO ≤ 0,9: rất tốt
▪ KMO ≥ 0,9: xuất sắc
+ Thứ hai là kích thước mẫu phải đủ lớn, điều này đã được kiểm tra ở phần cỡ mẫu.
+ Cuối cùng là tạo giá trị cho nhân tố đo lường, để thực hiện cho các phân tích tiếp theo là hồi quy và ANOVA thì một khái niệm phải là một biến. Vì vậy cần phải tạo giá trị cho các khái niệm, trong đề tài này sẽ xây dựng biến cho nhân tố bằng cách lấy trung bình của các biến đo lường nhân tố đó.
Đọc kết quả phân tích nhân tố khám phá EFA
– Trong phân tích EFA, cần xem xét ba thuộc tính trong kết quả là số lượng nhân tố được trích, trọng số nhân tố và tổng phương sai trích (Nguyễn Đình Thọ, 2014, tr. 426).
+ Số lượng nhân tố được trích:
Để xác định số lượng nhân tố được trích, đề tài sử dụng tiêu chí eigenvalue hay còn gọi là giá trị riêng, đây là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có giá trị riêng từ 1 trở lên mới được giữ lại trong mô hình nghiên cứu (Nguyễn Đình Thọ, 2014, tr. 410).
+ Hệ số tải nhân tố (factor loading) hay còn gọi là trọng số nhân tố:
Giá trị này biểu hiện mối quan hệ tương quan giữa biến quan sát với nhân tố. Trị tuyệt đối hệ số tải của biến quan sát càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
▪ Hệ số tải nhân tố ở mức ± 0,3 đến 0,4: Điều kiện tối thiểu để biến quan sát được giữ lại.
▪ Hệ số tải nhân tố ở mức ± 0,5 trở lên: Biến quan sát có ý nghĩa thống kê tốt và phù hợp.
Theo Hair và cộng sự (2006) việc chọn ngưỡng hệ số tải cũng cần xem xét với cỡ mẫu, hệ số tải nhân tố nên được lựa chọn theo bảng sau:
Bảng 2.2 Hệ số tải nhân tố và kích thước mẫu tương ứng
Nguồn: Hair và cộng sự, 2006
Theo bảng này các biến quan sát có hệ số tải nhỏ hơn hệ số tải tiêu chuẩn sẽ không đảm bảo mối quan hệ tương quan giữa biến quan sát với nhân tố, nên biến quan sát đó bị loại.
| Hệ số tải nhân tố | Kích thước mẫu |
|---|---|
| 0.30 | 350 |
| 0.35 | 250 |
| 0.40 | 200 |
| 0.45 | 150 |
| 0.50 | 120 |
| 0.55 | 100 |
| 0.60 | 85 |
| 0.65 | 70 |
| 0.70 | 60 |
| 0.75 | 50 |
+ Tổng phương sai trích:
Tổng phương sai trích từ 50% cho thấy mô hình EFA là phù hợp. Theo Hair và cộng sự (2009) thì số nhân tố được trích giải thích được 60% tổng phương sai là tốt. Nhân tố được trích có ý nghĩa là giải thích được (cô đọng được) bao nhiêu phần trăm biến thiên dữ liệu của các biến quan sát tham gia vào EFA (Phạm Lộc, 2021a, tr. 140).
>> Xem thêm: Phân tích hồi quy tuyến tính trong SPSS 26
