Bài này sẽ nói về lý thuyết và các thực hành EFA trong SPSS nhé

Lý thuyết phân tích nhân tố khám phá EFA

Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Cronbach’s Alpha được sử dụng trước để sàng lọc các biến quan sát, đảm bảo độ tin cậy. EFA được thực hiện tiếp theo để kiểm tra giá trị hội tụ và phân biệt, giúp đảm bảo tính hợp lệ của thang đo.Cả hai phương pháp này là bước tiền đề cần thiết để đảm bảo rằng dữ liệu thu thập được đáng tin cậy và phù hợp cho việc kiểm định các lý thuyết khoa học tiếp theo.
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.

Hệ số tải nhân tố (Factor Loading) trong EFA

Theo Hair và cộng sự (1998, trang 111), hệ số tải nhân tố (Factor Loading) là một trong những chỉ tiêu quan trọng để đánh giá mức độ thiết thực và ý nghĩa của phân tích nhân tố khám phá (EFA). Hệ số này biểu thị mức độ tương quan giữa các biến quan sát và nhân tố mà chúng được gán.

Ngưỡng giá trị của Factor Loading

• Factor Loading > 0.3: Được xem là đạt mức tối thiểu để biến quan sát được giữ lại trong mô hình.
• Factor Loading > 0.4: Được xem là có ý nghĩa quan trọng, đặc biệt trong các nghiên cứu xã hội.
• Factor Loading > 0.5: Được xem là có ý nghĩa thực tiễn, phù hợp với hầu hết các nghiên cứu.

Ứng dụng trong phân tích EFA

1. Lọc biến: Các biến quan sát có hệ số tải thấp hơn ngưỡng được loại bỏ để cải thiện độ phù hợp của mô hình.
2. Giải thích nhân tố: Hệ số tải cao cho thấy biến quan sát đóng góp mạnh mẽ vào nhân tố.

Lưu ý khi áp dụng

• Cỡ mẫu: Ngưỡng giá trị của Factor Loading có thể thay đổi tùy thuộc vào cỡ mẫu. Theo Hair et al. (1998):
  • Với cỡ mẫu 50-100, hệ số tải nên từ 0.5 trở lên.
  • Với cỡ mẫu 200, ngưỡng 0.4 có thể chấp nhận được.
  • Với cỡ mẫu 300 trở lên, ngưỡng 0.3 là khả thi.
• Cross-loading: Nếu một biến có hệ số tải cao ở nhiều nhân tố, cần cân nhắc loại bỏ để đảm bảo giá trị phân biệt.

Việc hiểu và áp dụng đúng ngưỡng Factor Loading giúp đảm bảo thang đo đạt được cả giá trị hội tụ và giá trị phân biệt, góp phần nâng cao độ tin cậy và tính hợp lệ của nghiên cứu. 
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:

1. Hệ số tải nhân tố (Factor loading ) > 0.5
2. 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
3. Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
4. Phần trăm phương sai trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.

Cách phân tích nhân tố khám phá EFA

Vào chọn menu : Analyze-> Data Reduction ->Factor.

Chọn tất cả các biến( hoặc độc lập hoặc phụ thuộc) đưa vào cột Variables bên phải.

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

Bấm vào nút Rotation, chọn Varimax

Bấm vào nút Options, chọn Sorted by size và chọn Suppress absolute values less than, gõ vào .3

Sau đó nhấn OK, kết quả sẽ hiển thị khá dài, trong đó có bảng Rotated Component Matrix như sau:

Video hướng dẫn phân tích EFA:

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

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

– Email:                 hotrospss@gmail.com

– Xử lý/ hiệu chỉnh số liệu khảo sát để chạy ra kết quả phân tích nhân tố hội tụ,phân tích hồi quy hồi quy có ý nghĩa thống kê.
– Tư vấn mô hình/bảng câu hỏi/ traning trực tiếp về phân tích hồi quy, nhân tố, cronbach alpha… trong SPSS, và mô hình SEM, CFA, AMOS