PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA)

Giới thiệu phân tích EFA

Trước khi thực hiện các kiểm định khoa học, chúng ta cần đánh giá độ tin cậy và giá trị của thang đo.

Cronbach alpha dùng để đánh giá độ tin cậy của thang đo.

Phân tích nhân tố khám phá (EFA) : dùng để đánh giá giá trị của thang đo. Hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.  Phương pháp EFA sẽ giúp chúng ta đánh giá được 2 loại giá trị này.

EFA giúp chúng ta rút gọn một tập k biến quan sát thành một tập F (F< k) các nhân tố có ý nghĩa hơn.

Ba phương pháp thường được sử dụng khi xác định số lượng nhân tố:

• Hệ số Eigenvalue
• Điểm gãy
• Xác định trước số lượng nhân tố

Điều kiện để phân tích EFA

Bartlett test (Bartlett’s test sphericity): dùng để xem xét ma trận tương quan có phải là ma trận đơn vị I (identity maxtrix) là ma trận có các thành phần bằng 0 và đường chéo (hệ số tương quan với chinh nó) bằng 1. Nếu phép kiểm định Bartlett có p < 5%, chúng ta từ chối giả thuyết H0, nghĩa là các biến có mối quan hệ với nhau.

Hệ số KMO (Kaiser – Meyer – Olkin measure of sampling adequacy) là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Yj với độ lớn của hệ số tương quan từng phần của chúng (Norusis 1994). Hệ số KMO phải từ 0.5 trở lên thì đạt yêu cầu.

Kích thước mẫu: Để phân tích EFA cần kích thước mẫu phải lớn.

Trọng số nhân tố (Factor loading) : trọng số nhân tố của biến Xi trên nhân tố mà nó là một biến đo lường sau khi quay phải cao và các trọng số trên các nhân tố khác nó không đo lường phải thấp. Đạt được điều kiện này, thang đo được được giá trị hội tụ. Điều kiện:

Factor loading từ 0.5 trở lên

Chênh lệch trọng số < 0.3

Tổng phương sai trích (TVE): tổng này thể hiện các nhân tố trích được bao nhiêu % của các biến đo lường. Tổng này phải đạt từ 50% trở lên. Thỏa điều kiện này, chúng ta kết luận mô hình EFA là phù hợp.

*** Lưu ý: Chúng ta không nên sử dụng EFA để đán giá giái trị của từng thang đo mà nên đánh giá cùng một lúc các thang đo trong mô hình nghiên cứu.

Hướng dẫn phân tích EFA

Từ menu Analyze –> Data Reduction –> Factor

Xuất hiện hộp thoại sau:

Chọn tất cả các biến cần gom nhóm vào ô Variables. Click chọn ô Descriptives…, xuất hiện hộp thoại sau:

Trong Tab Method : Nếu dùng phép quay Variamax chọn Method là Principal Component Analysis

Ghi chú: Trong Tab Extraction này có Scree Plot. Nếu các bạn muốn vẽ chart khi thực hiện EFA thì chọn thêm ô này. Bên cạnh đó, Ở mục Extract còn có Fixed number of factors: Nếu các bạn muốn trích đúng số nhân tố cần trích thì có thể chọn mục này. Nếu không chọn thì các bạn cứ thể trích nhân tố dựa trên tiêu chí Eigenvalue.

Click chọn ô Rotation (Xoay nhân tố) để mở hộp thoại sau

Xoay nhân tố là thủ tục giúp ma trận nhân tố trở nên đơn giản và dễ giải thích hơn.

Có nhiều phương pháp xoay khác nhau trong đó được sử dụng rộng rãi nhất là Varimax procedure (xoay nguyên góc các nhân tố để tối thiểu hoá số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố).

Sau đó, Click Continue để trở lại hộp thoại chính.

Ở tab Option chọn:

Sort by size: Sẽ sắp xếp thứ tự hệ số tải nhân tố từ lớn đến nhỏ. Nếu các bạn không muốn sắp xếp theo thứ tự hệ số tải nhân tố thì có thể bỏ chọn mục này. Khi đó, các biến quan sát sẽ sắp xếp theo thứ tứ các biến quan sát bạn đưa vào hộp phân tích.

Suprress small coefficients là hệ số tải nhân tố. Trong nghiên cứu sẽ có các mục hệ sô tải: 0.3 ; 0.4 và 0.5. Tùy mục đích của bạn mà bạn chọn hệ số tải tương ứng. Mình hay chọn hệ số tải là 0.5 để xem xét việc loại bỏ biến quan sát khi thực hiện EFA.