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 cách chạy EFA khi phân tích với AMOS, trước khi chạy CFA, SEM

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:

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

– Email:        hotrospss@gmail.com