Khắc phục ma trận xoay lộn xộn trong EFA

Khi thực hiện phân tích nhân tố khám phá EFA, chúng ta thường mong muốn rằng ma trận xoay sẽ có được sự hội tụ và phân biệt hợp lý và bám vào các nhóm nhân tố theo lý thuyết ban đầu.

1. Ma trận xoay lộn xộn có phải là xấu?

Phân tích nhân tố EFA là một bước quan trọng để chúng ta khám phá các nhân tố mới và so sánh sự khác biệt với lý thuyết mà chúng ta có được từ phần cơ sở lý luận. Việc xuất hiện nhân tố mới, rút gọn số nhân tố hoặc thay đổi biến trong thang đo… là điều hoàn toàn bình thường. Chính vì vậy mà khi các bạn phân tích nhân tố khám phá biến nhóm này nhảy sang nhóm khác, 2 nhóm gộp vào nhau, 1 nhóm bị loại bỏ hoàn toàn sau nhiều lần chạy lại EFA,… thì điều đó không phải là một dấu hiệu xấu đối với dữ liệu khảo sát.

Nói đi cũng phải nói lại, việc khám phá ra nhân tố mới tạo nên những điểm mới của đề tài nhưng nếu một ma trận xoay lộn xộn, đảo lộn phần lớn các biến trong các nhóm ban đầu, số nhân tố mới hình thành quá nhiều và thang mới chỉ gồm 2, 3 biến từ nhiều biến ở các nhóm khác hội tụ thành thì thực sự là một vấn đề không ổn.

2. Cách khắc phục ma trận xoay lộn xộn, không hội tụ

2.1 Trường hợp thang đo bị xáo trộn nhưng có tính hợp lý

Việc khám phá nhân tố mới như: tăng/giảm nhân tố hoặc có biến nhóm này nhảy sang nhóm khác nhưng số lượng biến nhảy ít, số nhân tố mới hình thành, số nhân tố cũ mất đi ở tỷ lệ thấp so với tổng số nhóm hiện VÀ thang đo ban đầu các nhóm không có sự thay đổi quá lớn hoặc các thang đo mới có thể định nghĩa lại một cách hợp lý có thì các bạn có thể áp dụng các quy tắc loại biến biến xấu trong EFA tại bài viết này và quy tắc đặt tên biến mới ở bài viết này để kết luận các thang đo mới.

2.2 Trường hợp thang đo bị xáo trộn và thang đo mới bất hợp lý

Trường hợp các thang đo ban đầu phần lớn bị phá vỡ cấu trúc, chúng ta sẽ cần xem xét kỹ lại dữ liệu. Nghiên cứu của chúng ta thường là kế thừa từ nhiều nghiên cứu uy tín trước đó, đã được nhiều chuyên gia, nhiều tác giả nổi tiếng chấp nhận và sử dụng chúng như một nguồn tham khảo chất lượng. Chính vì vậy một nghiên cứu kế thừa cùng lĩnh vực, cùng mô hình nhưng sự thay đổi cấu trúc nhân tố khi xoay EFA làm mất đi phần lớn nhóm ban đầu chắc chắn dữ liệu đầu vào của chúng ta có vấn đề

Cách xử lý với trường hợp này các bạn lần lượt làm theo các bước sau đây. Lưu ý rằng, cách làm này không giúp ma trận xoay của các bạn tốt vượt bậc lên mà chỉ cải thiện ít nhiều tùy trường hợp. Cùng với đó, cách làm dưới đây sẽ loại bỏ đi các quan sát, từ đó dẫn đến cỡ mẫu sẽ giảm xuống.

Bước 1: Thực hiện thống kê trung bình để xem có biến nào có giá trị bị lỗi không thuộc đáp án trong thang đo không hoặc biến nào có dấu hiệu bất thường về mean, min, max, độ lệch chuẩn không. Ví dụ như giá trị max là 55 trong khi thang đo chỉ từ 1-5, như vậy là chúng ta đã nhập sai. Hoặc độ lệch chuẩn lên tới 2 trong khi thang đo chỉ từ 1-5, đáp án quá chênh lệch, có khả năng có vấn đề ở biến này.

Bước 2: Thực hiện quy tắc loại biến biến xấu trong EFA tại bài viết này để loại đi các biến không tốt và nên thử việc loại lần lượt + loại từng biến xem trường hợp nào ma trận xoay tốt hơn, cái nào tốt hơn hãy loại biến theo cách đó chứ không cần lúc nào cũng phải loại lần lượt.

Bước 3: Nếu biến bị loại quá nhiều và thang đo không cải thiện được nhiều, bạn hãy thử thực hiện việc tìm kiếm và loại bỏ các quan sát dị biệt (bản khảo sát không đi theo xu hướng chung của dữ liệu)… Cách chạy biểu đồ boxplot và scatter các bạn tìm các video trên Youtube hay bài viết trên Internet khá nhiều. Sau khi chạy xong, các bạn click đôi vào hình biểu đồ, nhấp nút hiển thị quan sát để xem những quan sát nào đang đi ngoài xu hướng. Ví dụ biểu đồ scatter bên dưới, phần lớn dữ liệu tập trung ở đường 0 thì có 5 quan sát đi ra ngoài xu hướng rất rõ rệt, ta loại bỏ các quan sát này đi sẽ cải thiện được kết quả hơn.