All posts by hotrospss

Cách chạy phân tích nhân tố EFA khi làm mô hình SEM với AMOS

Cách chạy phân tích nhân tố EFA khi làm mô hình SEM với AMOS cũng tương tự chạy EFA dùng để phân tích hồi quy SPSS. Tuy nhiên có ba lưu ý, một là dùng phép xoay promax thay cho varimax, hai là phép trích xuất pricipal axis factoring thay vì pricipal component analysis, ba là đưa tất cả các biến không phân biệt độc  lập, phụ thuộc, trung gian vào chạy tất cả một lần chung duy nhất.

Video chi tiết cách chạy EFA khi phân tích với AMOS, trước khi chạy CFA, SEM:

Chi tiết cách chạy phân tích nhân tố EFA khi làm mô hình SEM với AMOS

Vào chọn menu : Analyze-> Data Reduction(hoặc Dimension Reduction) ->Factor

Chọn tất cả các biến trong mô hình( độc lập, phụ thuộc, trung gian…) đưa vào cột Variables bên phải.

Nhấn vào Descriptives, chọn KMO and Bartlett's test of sphericity

Bấm vào nút Extraction, chọn Pricipal axis factoring

Bấm vào nút Rotation, chọn Promax

Bấm vào nút Options, chọn Sorted by size(để sắp xếp hệ số tải từ cao xuống thấp cho dễ đọc) và chọn Suppress absolute values less than, gõ vào .3 ( để loại bỏ khỏi pattern matrix những giá trị bé hơn 0.3 để dễ nhìn)

Sau đó nhấn OK, kết quả sẽ hiển thị khá dài, sẽ chỉ phân tích một số bảng cần thiết

Cách diễn giải kết quả phân tích nhân tố EFA khi làm mô hình SEM với AMOS

Kết quả phân tích EFA cho thấy: Chỉ số KMO = 0.924 > 0.5, điều này chứng tỏ dữ liệu dùng để phân tích nhân tố là hoàn toàn thích hợp.
Mức ý nghĩa Sig.=0.000<0.05 trong kiểm định KMO and Bartlett's chứng tỏ các biến quan sát có tương quan với nhau( bác bỏ giả thuyết H0: các biến quan sát không có tương quan với nhau trong tổng thể) như vậy giả thuyết về ma trận tương quan giữa các biến là ma trận đồng nhất bị bác bỏ, tức là các biến có tương quan với nhau và thỏa điều kiện phân tích nhân tố.


Tổng phương sai trích là 75.115 >50%, chứng tỏ 7 nhân tố này giải thích 75.115% biến thiên của dữ liệu.
Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 7 có Eigenvalues nhỏ nhất = 1.215> 1.


Bảng Pattern Matrix cho ta biến 7 nhân tố này, mỗi nhân tố gồm những thành phần nào. Kết quả cho thấy các hệ số tải nhân tố factor loading đều lớn hơn 0.5 và không có hiện tượng xáo trộn hoặc tách, gộp nhân tố. Do đó có thể kết luận là kết quả efa phù hợp với mô hình ban đầu.

Một số lý thuyết liên quan về KMO, kiểm định Bartlett’s, giá trị Eigenvalue

  1. Trong phân tích nhân tố khám phá, chỉ số KMO dùng để xem xét sự thích hợp của phân tích nhân tố, nếu 0.5≤ KMO<1 thì phân tích nhân tố phù hợp với các dữ liệu.
  2. Kiểm định Bartlett’s xem xét giả thuyết H0: các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig <0.05) thì các biến đó tương quan với nhau trong tổng thể.
  3. Giá trị Eigenvalue dùng để xác định số lượng nhân tố, chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình, những nhân tố có eigenvalue nhỏ hơn 1 sẽ bị loại vì không có tác dụng tóm tắt thông tin tốt hơn một biến gốc. Nghiên cứu này sử dụng phương pháp trích nhân tố Principal Axis Factoring với phép quay Promax, các biến có hệ số tải nhân tố (factor loading) nhỏ hơn 0.4 bị loại. Tuy nhiên để thang đo đảm bảo ý nghĩa thực tiễn thì trọng số EFA ≥ 0.5, do đó các biến có hệ số tải nhân tố <0.5 tiếp tục bị loại (Hair &ctg, 1998). Theo Gerbing và Anderson (1998), thang đo được chấp nhận khi tổng phương sai trích lớn hơn hoặc bằng 50%.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

– Facebook: http://facebook.com/hoidapSPSS/

– Email:        hotrospss@gmail.com

Chạy phân tích nhân tố chung hay riêng cho biến độc lập và phụ thuộc

Vấn đề:

Thông thường khi làm luận văn với phương pháp hồi quy thì phân tích nhân tố chia làm hai bước
– Phân tích nhân tố chung cho tất cả các biến độc lập
– Phân tích nhân tố cho biến phụ thuộc
Tuy nhiên khi làm bài dạng mô hình cấu trúc tuyến tính, đa số sẽ chỉ chạy phân tích nhân tố duy nhất một lần đưa vào tất cả các biến.
Vậy tại sao có sự khác nhau như thế, bài này sẽ giải thích theo quan điểm của các nhà khoa học trong ngành nhé.( giáo sư Joseph F. Hair, Jr. University of South Alabama và cộng sự-Trang 135 sách: MULTIVARIATE  DATA  ANALYSIS EIGHTH EDITION 2018)

Nguyên gốc tiếng Anh:
For example, mixing dependent and independent variables in a single factor analysis and then using the derived factors to support dependence relationships is not appropriate.

Dịch ra là: Trộn biến độc lập và biến phụ thuộc trong một phép phân tích nhân tố đơn lẻ, sau đó sử dụng nhân tố đó để đánh giá các mối quan hệ là không phù hợp.
Giải thích thêm: đối với các mô hình nghiên cứu đã xác định trước đâu là biến độc lập, đâu là biến phụ thuộc. Thì bắc buộc phải chạy riêng phân tích nhân tố cho biến độc lập và biến phụ thuộc. Thực tế thì đây chính là cách chạy mô hình hồi quy thông dụng chúng ta vẫn hay làm.

Vậy trường hợp gom tất cả câu hỏi vào chạy chung phân tích nhân tố  là như thế nào?

Như ta thấy, mô hình này rất khó xác định biến nào là biến độc lập, biến nào là biến phụ thuộc, vì các biến quan hệ chằng chịt nhân quả với nhau. Mô hình này còn gọi là mô hình cấu trúc tuyến tính. Phân tích EFA áp dụng cho dạng mô hình SEM này phải chạy chung hết tất cả các biến, để đánh giá được giá trị hội tụ và phân biệt của các thang đo.

Một lưu ý quan trọng khác:

– Trường hợp chạy riêng biến độc lập, biến phụ thuộc: sử dụng phép quay Varimax, với phép trích xuất PCA principal component analysis.
– Trường hợp chạy chung tất cả các biến độc lập, biến phụ thuộc, sử dụng phép xoay promax, phép trích xuất PAF Principal Axis Factoring.
Sở dĩ có sự khác nhau này, do giả định của phép xoay Varimax là các nhân tố không được tương quan với nhau( thường thì nhân tố phụ thuộc có tương quan với nhân tố độc lập)Varimax rotation is orthogonal rotation in which assumption is that there is no intercorrelations between components.

Kết luận khi nào chạy phân tích nhân tố chung hay riêng cho biến độc lập và phụ thuộc

– Đối với mô hình hồi quy tuyến tính có 1 biến phụ thuộc: chạy efa 2 lần riêng biệt: lần 1 cho biến độc lập, lần 2 cho biến phụ thuộc.
– Đối với mô hình cấu trúc tuyến tính SEM, mô hình phức tạp, có nhiều hơn 1 biến phụ thuộc: chạy chung efa duy nhất 1 lần cho tất cả các biến.

Bạn cứ trao đổi thêm với nhóm ở đây, hoặc comment bên dưới nhé

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com

Câu hỏi đảo, câu hỏi ngược reverse code là gì?

Câu hỏi đảo, câu hỏi ngược reverse code là gì?

Trong thang đo likert, có thể trong cùng 1 nhân tố các bạn sẽ gặp những câu hỏi có nội dung ngược lại với các câu còn lại. Giả sử nhân tố THU NHẬP dưới đây có các câu có nội dung tích cực, thì có câu tô đỏ nội dung tiêu cực, đó chính là câu hỏi đảo reverse code.

Mục đích của câu hỏi đảo, câu hỏi ngược reverse code

Câu hỏi đảo là câu hỏi có nội dung ngược chiều với các câu khác trong nhóm, có một số mục đích chính sau:

  1. Câu hỏi đảo reverse code để kiểm tra xem người đánh bảng khảo sát có…buồn ngủ hay không? Tên gọi khác là câu hỏi gài. Vì thế, sau này khi kiểm tra bảng khảo sát, nếu các câu trong nhân tố được đánh giá ở mức cao(4..5 chẳng hạn) mà câu hỏi đảo cũng đánh giá ở mức cao luôn… Chứng tỏ người được hỏi ý kiến khảo sát họ không tập trung vào nội dung câu hỏi, họ đánh đại đánh bừa. Vì thế những bảng khảo sát này có thể được xem xét để loại bỏ ra khoảng bộ dữ liệu của bạn.
  2. Do thang đo kế thừa từ các nghiên cứu trước, các paper gốc quốc tế. Các paper này cũng sử dụng reverse code, nên nghiên cứu mình cũng dịch sát ý đó và làm câu hỏi đảo reverse code theo.
  3. Do nội dung của câu hỏi, nếu để thuận chiều thì nghe không êm tai lắm, có thể làm cho người ta đánh giá không trung thực, nên cần thiết phải làm câu hỏi đảo, câu hỏi ngược reverse code. Ví dụ:trong một bảng câu hỏi về lòng tự trọng, chúng ta có thể có một số câu hỏi tích cực(ví dụ: Tôi có thái độ tích cực đối với bản thân), nhưng cũng có một số câu hỏi từ ngữ tiêu cực (ví dụ: Đôi khi, tôi nghĩ mình chẳng giỏi gì cả). Và như vậy, câu này cần đổi lại là Tôi thường xuyên nghĩ mình giỏi 🙂

Các nhập liệu câu hỏi ngược vào chương trình SPSS

Các câu hỏi ngược phải được đảo ngược lại như đúng tên của nó trước khi đưa vào SPSS. Ví dụ quy tắc đảo đối với thang đo likert 5 như sau

Giá trị ban đầu Giá trị sau khi đảo
1 5
2 4
3 3
4 2
5 1

Như vậy bạn đã có khái niệm cơ bản nhất về câu hỏi đảo, câu hỏi ngược reverse code là gì nhé. Các thuật ngữ tương tự là: thang đo đảo, câu hỏi gài, reverse scale, negative item, reverse item

Bạn có thể trao đổi thêm với nhóm tại đây nhé:

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS

– SMS, Zalo, Viber:

phone number

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com