Phân tích nhân tố (Factor Analysis – FA) là một phương pháp mạnh mẽ giúp hiểu rõ cấu trúc ẩn của dữ liệu và mối quan hệ giữa các biến. Khi áp dụng phân tích yếu tố cho biến phụ thuộc (Dependent Variable), thì cách thức thực hiện có khác gì so với khi thực hiện phân tích nhân tố cho biến độc lập hay không? Bài này ThS Khánh và nhóm MBA Bách Khoa sẽ làm rõ thêm nhé.
Các câu hỏi cơ bản Chạy EFA cho biến phụ thuộc Factor Analysis
Câu hỏi 1: cách thức thực hiện EFA biến phụ thuộc có khác gì so với khi thực hiện phân tích nhân tố cho biến độc lập hay không?
Câu trả lời: không có gì khác, bạn cứ làm y hệt quy trình.
Câu hỏi 2: Nếu biến phụ thuộc chỉ có 1 câu hỏi thì có cần phân tích EFA không?
Câu trả lời: có 1 câu thì không thể nào chạy EFA được, và cũng không có ý nghĩa gì khi chạy EFA cho 1 câu duy nhất.
Thực hành chạy EFA cho biến phụ thuộc Factor Analysis
Chuẩn Bị Dữ Liệu
File số liệu bạn tải ở đây để chạy EFA cho biến phụ thuộc: https://phantichspss.com/filefordownload/efa-phuthuoc.sav
Biến phụ thuộc ở đây là 4 biến hài lòng: HAILONG1,HAILONG2,HAILONG3,HAILONG4
Chạy dữ liệu EFA
Chọn “Analyze” trong thanh menu. Chọn “Dimension Reduction” và sau đó “Factor…”
Thiết Lập Cài Đặt EFA
Chọn biến phụ thuộc để thêm vào cửa sổ “Variables”.
Ấn vào nút Descriptive và chọn KMO and bartlett’s test of sphericity
Trong tab “Extraction”, chọn phương pháp trích xuất như “Principal Component Analysis (PCA)”
Trong tab “Rotation”, chọn phương pháp xoay như “Varimax” để tối ưu hóa giảm độ lệch giữa các yếu tố.
Tab “Option” để nguyên
Sau đó ấn OK
Kiểm Tra Kết Quả EFA biến phụ thuộc
SPSS sẽ xuất kết quả, bao gồm giá trị eigenvalue, ma trận tải trọng, và các thống kê liên quan.
- Theo kết quả kiểm định trong bảng kiểm định KMO và Bartlett’s (Bartlett’s test of sphericity) tại phía trên cho thấy Hệ số KMO = 0.778 thỏa mãn điều kiện lớn hơn 0.5 và nhỏ hơn 1, trong kiểm định Bartlett có hệ số Sig. = 0.000 thỏa điều kiện nhỏ hơn 0.05. Điều này cho thấy các biến quan sát trong nhân tố có mối tương quan với nhau và phù hợp để sử dụng trong phân tích.
- Tại mức giá trị Eigenvalue = 2.595 thỏa mãn điều kiện lớn hơn 1 phân tích trích được 1 nhân tố bao gồm 4 biến quan sát được giữ lại phân tích trong mô hình nghiên cứu. Giá trị tổng phương sai trích tại mức này là 64.869% > 50% đạt yêu cầu. Có thể nói rằng 1 nhân tố trích được trong EFA phản ánh được 64.869% sự biến thiên của tất cả các biến quan sát được đưa vào.
- Kết quả phân tích trong bảng ma trận nhân tố cho thấy 1 nhân tố bao gồm 4 biến quan sát đều có hệ số tải (Factor loading) lớn hơn 0.5 cho thấy biến quan sát có ý nghĩa thống kê rất tốt (Theo Hair & ctg, 1998). Do đó tất cả các biến này đều được giữ lại để sử dụng trong các phân tích tiếp theo.
Hiểu Rõ Và Sử Dụng Kết Quả
Sau khi chạy EFA trong SPSS, bạn sẽ có cái nhìn sâu sắc hơn về cấu trúc ẩn của biến phụ thuộc. Các yếu tố tìm ra có thể được sử dụng để hiểu biểu hiện của biến phụ thuộc và cung cấp thông tin quan trọng cho quá trình ra quyết định nghiên cứu.
Bằng cách này, việc chạy EFA trong SPSS không chỉ là một phương tiện thống kê, mà còn là một cách hiệu quả để khám phá ẩn sau dữ liệu và đưa ra những nhận định quan trọng.
- Hệ số R bình phương, R bình phương hiệu chỉnh: công thức, ý nghĩa, cách tính thủ công và cách tính bằng SPSS
- Chỉ số độ phù hợp mô hình model fit trong AMOS được tính toán dựa vào đâu?
- So sánh SPSS và EVIEWS khi phân tích hồi quy, cùng một bộ số liệu
- Cách phát hiện đa cộng tuyến trong hồi quy nhị phân logit
- Chỉ số MI Modification Indices là gì và tại sao không nên lạm dụng nó để cải thiện độ phù hợp mô hình.