Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một trong những bước quan trọng trong quy trình nghiên cứu định lượng, giúp đánh giá cấu trúc thang đo và xác định các nhóm biến quan sát đại diện cho từng khái niệm nghiên cứu. Tuy nhiên, không ít người học gặp khó khăn trong việc lựa chọn điều kiện thực hiện EFA, đọc kết quả trên SPSS và xử lý các trường hợp như hệ số tải nhân tố thấp, biến tải chéo hoặc số nhân tố trích không đúng kỳ vọng. Bài viết này, Xử Lý Định Lượng sẽ hướng dẫn toàn bộ quy trình phân tích EFA trong SPSS từ A–Z theo cách dễ hiểu, bám sát tiêu chuẩn học thuật và có thể áp dụng trực tiếp vào luận văn, luận án cũng như các nghiên cứu khoa học.
1. Phân tích nhân tố khám phá (EFA) là gì?
Trong nghiên cứu định lượng, việc xây dựng bảng hỏi thường dựa trên các khái niệm trừu tượng như sự hài lòng, chất lượng dịch vụ, ý định mua, lòng trung thành hay động lực làm việc. Những khái niệm này không thể đo lường trực tiếp mà phải thông qua nhiều biến quan sát (items). Tuy nhiên, không phải mọi biến quan sát đều phản ánh đúng khái niệm nghiên cứu hoặc có mối liên hệ với nhau như kỳ vọng ban đầu. Đây chính là lý do phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) được sử dụng.
EFA là kỹ thuật phân tích đa biến nhằm khám phá cấu trúc tiềm ẩn của một tập hợp các biến quan sát dựa trên mối tương quan giữa chúng. Thay vì xem xét từng biến riêng lẻ, EFA giúp nhóm các biến có mức độ tương quan cao vào cùng một nhân tố (factor), từ đó phản ánh những khái niệm tiềm ẩn mà nhà nghiên cứu muốn đo lường. Nói cách khác, EFA hỗ trợ trả lời câu hỏi: các biến quan sát thực sự đang đo lường bao nhiêu khái niệm và mỗi biến thuộc về nhân tố nào?
Ví dụ, một bảng hỏi đánh giá chất lượng dịch vụ có thể gồm 25 biến quan sát liên quan đến nhân viên, cơ sở vật chất, quy trình phục vụ, giá cả và sự tin cậy. Sau khi thực hiện EFA, 25 biến này có thể được rút gọn thành 5 nhân tố tương ứng với các khía cạnh chính của chất lượng dịch vụ. Việc rút gọn này không chỉ giúp mô hình nghiên cứu trở nên đơn giản hơn mà còn hạn chế hiện tượng trùng lặp thông tin giữa các biến quan sát.
Trong quy trình xử lý dữ liệu bằng SPSS, EFA thường được thực hiện sau khi kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha và trước các phân tích như hồi quy, CFA hoặc SEM. Phương pháp này giúp đánh giá xem các biến quan sát có hội tụ đúng vào từng nhân tố hay không, có phân biệt rõ với các nhân tố khác hay không, đồng thời phát hiện những biến có hệ số tải thấp hoặc tải lên nhiều nhân tố để xem xét loại bỏ.
Theo Hair et al. (2019), EFA được sử dụng để đánh giá mức độ phù hợp giữa cấu trúc dữ liệu thực tế và mô hình lý thuyết dự kiến, đồng thời hỗ trợ hoàn thiện thang đo trước khi thực hiện các phân tích tiếp theo. Cần lưu ý rằng EFA là phương pháp khám phá cấu trúc dữ liệu, không phải công cụ xác nhận mô hình nghiên cứu. Đối với các nghiên cứu cần kiểm định mô hình đo lường, nhà nghiên cứu sẽ tiếp tục sử dụng CFA hoặc PLS-SEM.
2. Vai trò của EFA trong nghiên cứu định lượng
Trong quy trình xử lý dữ liệu bằng SPSS, EFA thường được thực hiện sau khi kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha và trước các bước phân tích như hồi quy tuyến tính, CFA hoặc SEM. Mục tiêu không chỉ là giảm số lượng biến quan sát mà còn đánh giá chất lượng của toàn bộ thang đo trước khi sử dụng trong mô hình nghiên cứu.
Vai trò quan trọng nhất của EFA là xác nhận tính hội tụ và tính phân biệt của các biến quan sát ở mức khám phá. Các biến cùng đo lường một khái niệm cần hội tụ vào cùng một nhân tố, trong khi các biến thuộc những khái niệm khác nhau phải được tách biệt rõ ràng. Nếu một biến tải đồng thời lên nhiều nhân tố hoặc không tải đủ mạnh lên bất kỳ nhân tố nào, biến đó có thể không còn phù hợp với mô hình nghiên cứu và cần được xem xét loại bỏ.
Ngoài ra, EFA còn giúp nhà nghiên cứu:
- Rút gọn số lượng biến quan sát nhưng vẫn giữ được phần lớn thông tin của bộ dữ liệu.
- Phát hiện những biến quan sát không phù hợp hoặc hoạt động khác với kỳ vọng lý thuyết.
- Kiểm tra xem cấu trúc thang đo thu được từ dữ liệu thực tế có tương đồng với mô hình nghiên cứu đề xuất hay không.
- Hỗ trợ xây dựng các nhân tố đại diện để sử dụng trong hồi quy hoặc các phân tích đa biến khác.
- Tăng tính ổn định và khả năng diễn giải của mô hình nghiên cứu.
Một điểm cần lưu ý là EFA không nhằm chứng minh mô hình nghiên cứu là đúng. Phương pháp này chỉ giúp khám phá và đánh giá cấu trúc của bộ dữ liệu. Nếu nghiên cứu yêu cầu kiểm định mô hình đo lường hoặc xác nhận mối quan hệ giữa các biến tiềm ẩn, nhà nghiên cứu cần tiếp tục sử dụng Confirmatory Factor Analysis (CFA) hoặc PLS-SEM tùy theo phương pháp nghiên cứu.
3. Khi nào nên thực hiện phân tích EFA?
Không phải mọi nghiên cứu đều cần sử dụng EFA. Việc áp dụng kỹ thuật này phụ thuộc vào mục tiêu nghiên cứu, đặc điểm thang đo và phương pháp phân tích được lựa chọn.
Thông thường, EFA được sử dụng trong các trường hợp sau:
- Nghiên cứu xây dựng hoặc điều chỉnh thang đo từ các nghiên cứu trước.
- Nghiên cứu khám phá cấu trúc của một bộ biến quan sát chưa được kiểm định trong bối cảnh mới.
- Đề tài sử dụng nhiều biến quan sát và cần rút gọn thành các nhân tố đại diện.
- Luận văn hoặc nghiên cứu sử dụng SPSS để thực hiện hồi quy tuyến tính sau khi đánh giá thang đo.
Ngược lại, trong một số trường hợp, EFA có thể không phải là lựa chọn phù hợp. Chẳng hạn, nếu thang đo đã được kiểm định nhiều lần, mô hình lý thuyết đã xác định rõ và nghiên cứu sử dụng SEM trên AMOS hoặc SmartPLS, nhà nghiên cứu thường chuyển sang CFA để kiểm định mô hình đo lường thay vì thực hiện EFA. Tuy nhiên, tại Việt Nam, nhiều trường đại học vẫn yêu cầu thực hiện EFA trước CFA như một bước đánh giá sơ bộ thang đo. Do đó, việc có cần chạy EFA hay không còn phụ thuộc vào yêu cầu của đơn vị đào tạo, mục tiêu nghiên cứu và định hướng phương pháp luận của đề tài.
Điều quan trọng là không nên xem EFA như một bước thực hiện theo “quy trình bắt buộc” cho mọi nghiên cứu. Hair et al. (2019) nhấn mạnh rằng việc lựa chọn phương pháp phân tích cần xuất phát từ mục tiêu nghiên cứu và mức độ hoàn thiện của thang đo. Một thang đo mới phát triển sẽ cần EFA để khám phá cấu trúc, trong khi một thang đo đã được xác nhận nhiều lần có thể chuyển trực tiếp sang CFA hoặc các phương pháp kiểm định mô hình đo lường khác.
4. Điều kiện cần chú ý trước khi phân tích EFA
Trước khi thực hiện phân tích nhân tố khám phá, chúng ta cần đảm bảo bộ dữ liệu đáp ứng các điều kiện cần thiết để kết quả EFA có ý nghĩa thống kê và phản ánh đúng cấu trúc của thang đo. Nếu bỏ qua bước kiểm tra này, mô hình nhân tố có thể không ổn định, các biến quan sát dễ bị phân nhóm sai hoặc xuất hiện nhiều biến tải chéo (cross-loading), dẫn đến kết quả khó diễn giải.
Trên thực tế, nhiều trường hợp EFA không đạt không xuất phát từ việc thiết lập sai trong SPSS mà do dữ liệu chưa đáp ứng các yêu cầu cơ bản ngay từ đầu. Vì vậy, trước khi bắt đầu chạy EFA, người nghiên cứu nên kiểm tra lần lượt các điều kiện dưới đây.
4.1 Kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha
Trong nhiều nghiên cứu định lượng sử dụng SPSS tại Việt Nam, Cronbach’s Alpha thường được thực hiện trước EFA nhằm đánh giá tính nhất quán nội tại của từng thang đo và loại bỏ những biến quan sát có chất lượng chưa tốt trước khi khám phá cấu trúc nhân tố. Đây cũng là quy trình được nhiều trường đại học áp dụng trong các luận văn và luận án.
Tuy nhiên, không phải mọi nghiên cứu đều bắt buộc thực hiện theo trình tự này. Theo Hair et al. (2019) và DeVellis (2016), khi nhà nghiên cứu phát triển thang đo mới hoặc chưa xác định rõ cấu trúc của các biến quan sát, EFA có thể được thực hiện trước để khám phá cấu trúc nhân tố, sau đó mới đánh giá lại độ tin cậy của từng nhân tố bằng Cronbach’s Alpha. Khi cấu trúc thang đo thay đổi sau EFA, việc tính lại Cronbach’s Alpha cho các nhân tố mới hình thành sẽ phản ánh chính xác hơn độ tin cậy của từng thang đo.
Do đó, không tồn tại một quy trình cứng nhắc áp dụng cho mọi nghiên cứu. Việc lựa chọn chạy Cronbach’s Alpha trước hay sau EFA cần căn cứ vào mục tiêu nghiên cứu và mức độ hoàn thiện của thang đo:
- Đối với các nghiên cứu kế thừa thang đo đã được xây dựng từ các công trình trước, Cronbach’s Alpha thường được thực hiện trước EFA để sàng lọc các biến quan sát không phù hợp.
- Đối với các nghiên cứu mang tính khám phá hoặc phát triển thang đo mới, EFA có thể được tiến hành trước nhằm xác định cấu trúc nhân tố, sau đó Cronbach’s Alpha được sử dụng để đánh giá độ tin cậy của từng nhân tố sau khi cấu trúc thang đo đã được xác lập.
Trong phạm vi bài viết này, chúng ta sẽ trình bày theo quy trình phổ biến nhất trong các nghiên cứu sử dụng SPSS tại Việt Nam, tức là Cronbach’s Alpha → EFA, đồng thời lưu ý rằng đây không phải là trình tự duy nhất được chấp nhận trong nghiên cứu học thuật.
4.2 Kích thước mẫu có đủ để thực hiện EFA hay không?
Bên cạnh chất lượng thang đo, kích thước mẫu cũng ảnh hưởng trực tiếp đến độ ổn định của kết quả phân tích nhân tố. Nếu số lượng quan sát quá nhỏ, cấu trúc nhân tố có thể thay đổi đáng kể khi thu thập thêm dữ liệu, làm giảm khả năng khái quát hóa của nghiên cứu.
Hiện nay chưa có sự thống nhất tuyệt đối về số lượng mẫu tối thiểu cho EFA. Một số tài liệu học thuật đề xuất các tiêu chuẩn khác nhau:
- Hair et al. (2019) cho rằng số lượng mẫu từ khoảng 100–150 quan sát có thể chấp nhận trong nhiều nghiên cứu, tuy nhiên mẫu càng lớn thì kết quả càng ổn định.
- Tabachnick và Fidell (2019) khuyến nghị quy mô mẫu nên đạt tối thiểu 300 quan sát nếu điều kiện thu thập dữ liệu cho phép.
- Comrey và Lee (1992) đánh giá chất lượng cỡ mẫu theo mức độ: 100 là kém, 200 là khá, 300 là tốt, 500 là rất tốt và từ 1.000 quan sát trở lên được xem là xuất sắc.
Ngoài số lượng mẫu tuyệt đối, nhiều nghiên cứu còn áp dụng nguyên tắc tỷ lệ giữa số quan sát và số biến đo lường. Chẳng hạn, tỷ lệ 5:1 hoặc 10:1 (tức 5 hoặc 10 quan sát cho mỗi biến quan sát) vẫn được sử dụng khá phổ biến trong thực hành. Tuy nhiên, đây chỉ là quy tắc kinh nghiệm và không nên xem là điều kiện bắt buộc trong mọi nghiên cứu.
4.3 Các biến quan sát cần có mối tương quan với nhau
Bản chất của EFA là tìm kiếm những nhóm biến có mối liên hệ chặt chẽ để hình thành các nhân tố tiềm ẩn. Vì vậy, nếu các biến quan sát gần như không tương quan với nhau thì việc thực hiện EFA sẽ không còn ý nghĩa.
Ở bước này, chúng ta chưa cần đánh giá từng cặp hệ số tương quan một cách thủ công. Thay vào đó, SPSS sẽ hỗ trợ kiểm định thông qua hai chỉ số quan trọng là Kaiser-Meyer-Olkin (KMO) và Bartlett’s Test of Sphericity. Hai chỉ số này cho biết dữ liệu có đủ điều kiện để tiến hành phân tích nhân tố hay không.
Trong phần tiếp theo, chúng ta sẽ tìm hiểu chi tiết cách đánh giá từng tiêu chuẩn của EFA, bao gồm KMO, Bartlett’s Test, Eigenvalue, Total Variance Explained và Factor Loading, đồng thời giải thích ý nghĩa của từng chỉ số và cách áp dụng trong thực tế thay vì chỉ ghi nhớ các ngưỡng thống kê.
5. Các tiêu chuẩn đánh giá kết quả phân tích EFA
Sau khi thực hiện EFA trên SPSS, chúng ta cần đánh giá một số chỉ tiêu quan trọng để xác định dữ liệu có phù hợp với mô hình nhân tố hay không. Mỗi chỉ số phản ánh một khía cạnh khác nhau của kết quả phân tích, vì vậy cần xem xét tổng thể thay vì chỉ dựa vào một tiêu chuẩn riêng lẻ.
a. Hệ số KMO (Kaiser-Meyer-Olkin)
KMO là chỉ số đánh giá mức độ phù hợp của dữ liệu để thực hiện phân tích nhân tố. Chỉ số này phản ánh mức độ tương quan giữa các biến quan sát có đủ lớn để hình thành các nhân tố tiềm ẩn hay không.
Theo Kaiser (1974), hệ số KMO dao động từ 0 đến 1, trong đó giá trị càng lớn cho thấy các biến quan sát càng có khả năng được nhóm thành các nhân tố chung. Hair et al. (2019) cho rằng KMO từ 0.50 trở lên là điều kiện tối thiểu để tiến hành EFA, trong khi giá trị càng gần 1 thì chất lượng dữ liệu càng tốt.
Tuy nhiên, KMO cao không đồng nghĩa mô hình EFA chắc chắn đạt yêu cầu. Đây chỉ là điều kiện để thực hiện phân tích nhân tố. Sau đó, người nghiên cứu vẫn cần đánh giá thêm Bartlett’s Test, hệ số tải nhân tố và các tiêu chuẩn khác trước khi đưa ra kết luận cuối cùng.
b. Kiểm định Bartlett’s Test of Sphericity
Nếu KMO đánh giá mức độ phù hợp của dữ liệu thì Bartlett’s Test kiểm tra xem các biến quan sát có thực sự tương quan với nhau hay không.
Kiểm định Bartlett’s Test được sử dụng để kiểm tra xem các biến quan sát có tương quan với nhau hay không. Do EFA dựa trên ma trận tương quan, các biến cần có mối liên hệ thống kê nhất định mới có thể hình thành các nhân tố.
Nếu Sig. < 0.05, bác bỏ giả thuyết các biến không tương quan và kết luận dữ liệu phù hợp để thực hiện EFA. Ngược lại, nếu Sig. ≥ 0.05, các biến quan sát chưa đủ tương quan và việc áp dụng EFA thường không được khuyến nghị.
c. Eigenvalue và số lượng nhân tố được giữ lại
Sau khi xác định dữ liệu đủ điều kiện thực hiện EFA, bước tiếp theo là quyết định giữ lại bao nhiêu nhân tố để đại diện cho tập biến quan sát. Trong SPSS, tiêu chí được sử dụng phổ biến nhất là Eigenvalue. Đây là đại lượng phản ánh lượng phương sai mà mỗi nhân tố giải thích được từ bộ dữ liệu ban đầu. Eigenvalue càng lớn, nhân tố đó càng chứa nhiều thông tin.
Theo tiêu chuẩn Kaiser Criterion (Kaiser, 1960), chỉ nên giữ lại những nhân tố có Eigenvalue lớn hơn 1, vì mỗi nhân tố cần giải thích được lượng thông tin ít nhất tương đương một biến quan sát gốc.
Mặc dù hiện nay có thêm các phương pháp như Scree Plot hoặc Parallel Analysis, tiêu chuẩn Eigenvalue > 1 vẫn là cách xác định số nhân tố được sử dụng phổ biến trong các nghiên cứu ứng dụng SPSS.
d. Tổng phương sai trích (Total Variance Explained)
Tổng phương sai trích (Total Variance Explained) phản ánh tỷ lệ biến thiên của toàn bộ tập biến quan sát được các nhân tố giữ lại giải thích sau khi thực hiện EFA. Nói cách khác, chỉ số này cho biết mô hình nhân tố đã giữ lại được bao nhiêu phần trăm thông tin từ dữ liệu ban đầu. Giá trị tổng phương sai trích càng cao thì các nhân tố được rút trích càng có khả năng đại diện cho bộ dữ liệu nghiên cứu.
Theo Hair et al. (2019), tổng phương sai trích từ 50% trở lên được xem là đạt yêu cầu trong nhiều nghiên cứu thuộc lĩnh vực khoa học xã hội. Ví dụ, nếu tổng phương sai trích đạt 63%, điều đó có nghĩa các nhân tố được giữ lại đã giải thích khoảng 63% thông tin của toàn bộ tập biến quan sát.
e. Hệ số tải nhân tố (Factor Loading)
Hệ số tải nhân tố (Factor Loading) là chỉ số phản ánh mức độ tương quan giữa biến quan sát với nhân tố mà biến đó đại diện. Giá trị tuyệt đối của hệ số tải càng lớn thì mối liên hệ giữa biến quan sát và nhân tố càng chặt chẽ, đồng thời cho thấy biến đó có khả năng đại diện tốt hơn cho khái niệm nghiên cứu.
Theo Hair et al. (2019), mức ý nghĩa của hệ số tải thường được diễn giải như sau:
- ≥ 0.30: Mức tối thiểu để biến được xem xét giữ lại.
- ≥ 0.50: Biến có ý nghĩa thực tiễn và thường được sử dụng trong các nghiên cứu.
- ≥ 0.70: Biến có mức độ đại diện rất tốt cho nhân tố.
Trong thực tế, Factor Loading ≥ 0.50 thường được lựa chọn làm tiêu chuẩn đánh giá trong các luận văn và nghiên cứu ứng dụng tại Việt Nam vì đảm bảo chất lượng thang đo và giúp kết quả dễ diễn giải hơn. Bên cạnh giá trị hệ số tải, người nghiên cứu cũng cần kiểm tra hiện tượng tải chéo (Cross Loading). Nếu một biến quan sát có hệ số tải cao trên từ hai nhân tố trở lên và chênh lệch giữa các hệ số tải quá nhỏ, biến đó có thể chưa thể hiện rõ tính phân biệt và cần được xem xét loại bỏ hoặc đánh giá lại dựa trên cơ sở lý thuyết.
6. Hướng dẫn phân tích EFA trên SPSS chi tiết
Sau khi dữ liệu đã đáp ứng các điều kiện cần thiết và các biến quan sát đủ tiêu chuẩn đưa vào phân tích, chúng ta có thể tiến hành phân tích nhân tố khám phá (EFA) trên SPSS.
Đối với các nghiên cứu đã xác định rõ biến độc lập và biến phụ thuộc, EFA thường được thực hiện riêng cho từng nhóm biến thay vì phân tích đồng thời toàn bộ các biến quan sát. Việc phân tích riêng giúp đánh giá chính xác cấu trúc của từng nhóm thang đo, đồng thời hạn chế tình trạng các biến thuộc những khái niệm khác nhau hội tụ vào cùng một nhân tố.
Để thực hiện EFA trong SPSS, chọn Analyze → Dimension Reduction → Factor…
Sau đó, lần lượt thực hiện phân tích cho nhóm biến độc lập và nhóm biến phụ thuộc.
6.1 Phân tích EFA cho nhóm biến độc lập
Trước hết, đưa toàn bộ các biến quan sát của nhóm biến độc lập đã đạt yêu cầu sau bước kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha vào ô Variables. Đây là những biến sẽ được sử dụng để khám phá cấu trúc nhân tố. Trong ví dụ này, biến LD7 đã bị loại ở bước Cronbach’s Alpha nên chỉ đưa các biến quan sát độc lập còn lại vào ô Variables.
Sau khi hoàn tất, chúng ta sẽ lần lượt thiết lập các tùy chọn ở cột bên phải để thực hiện phân tích EFA.
Mục: Descriptives
Nhấn Descriptives…, sau đó tích chọn KMO and Bartlett’s test of sphericity để SPSS xuất kết quả kiểm định KMO và Bartlett’s Test. Hai chỉ số này sẽ được sử dụng để đánh giá mức độ phù hợp của dữ liệu khi đọc kết quả EFA.
Sau khi thiết lập, nhấn Continue để quay lại cửa sổ chính.
Mục: Extraction
Nhấn Extraction….
Trong mục Method, giữ nguyên tùy chọn mặc định Principal Components. Đây là phương pháp trích được sử dụng phổ biến trong các nghiên cứu ứng dụng SPSS nhằm rút gọn dữ liệu và khám phá cấu trúc nhân tố.
Ở mục Extract, giữ tùy chọn Eigenvalues greater than 1 để SPSS tự động giữ lại các nhân tố có Eigenvalue lớn hơn 1 theo tiêu chuẩn Kaiser.
Nếu muốn quan sát trực quan số lượng nhân tố được trích, có thể tích chọn thêm Scree plot.
Sau khi hoàn tất, nhấn Continue.
Lưu ý: Ngoài Principal Components, SPSS còn hỗ trợ nhiều phương pháp trích khác như Principal Axis Factoring (PAF) hay Maximum Likelihood. Tuy nhiên, trong phạm vi bài viết này chúng ta sử dụng Principal Components vì đây là phương pháp được áp dụng phổ biến trong các nghiên cứu định lượng sử dụng SPSS tại Việt Nam.
Mục: Rotation
Nhấn Rotation… và chọn phương pháp xoay Varimax.
Varimax là phép xoay trực giao (Orthogonal Rotation) giúp các nhân tố được phân tách rõ ràng hơn, từ đó việc đọc ma trận xoay và xác định các biến quan sát thuộc từng nhân tố trở nên dễ dàng hơn.
Sau khi chọn xong, nhấn Continue.
Mục: Options
Nhấn Options….
Để bảng kết quả dễ quan sát hơn, nên tích chọn:
- Sorted by size
- Suppress small coefficients
Tại ô Absolute value below, nhập 0.30 (hoặc 0.4, hoặc 0.5 tùy theo mong muốn của người phân tích) để SPSS chỉ hiển thị các hệ số tải nhân tố có giá trị từ 0.30 trở lên. Việc ẩn các hệ số tải nhỏ giúp ma trận xoay gọn gàng hơn và thuận tiện trong quá trình đánh giá kết quả.
Sau khi hoàn tất các thiết lập, nhấn Continue, sau đó chọn OK để SPSS bắt đầu phân tích EFA.
6.2 Phân tích EFA cho nhóm biến phụ thuộc
Sau khi hoàn thành EFA cho nhóm biến độc lập, tiếp tục thực hiện tương tự đối với nhóm biến phụ thuộc.
Các bước thiết lập trong Descriptives, Extraction, Rotation và Options vẫn được giữ nguyên như khi phân tích nhóm biến độc lập. Điểm khác biệt duy nhất là chỉ đưa các biến quan sát của biến phụ thuộc vào ô Variables trước khi chạy EFA.
Trong nhiều nghiên cứu, biến phụ thuộc chỉ gồm một khái niệm với số lượng biến quan sát không nhiều. Vì vậy, kết quả EFA thường chỉ trích được một nhân tố duy nhất. Khi đó, SPSS sẽ không hiển thị bảng Rotated Component Matrix, bởi phép xoay nhân tố chỉ được thực hiện khi có từ hai nhân tố trở lên. Đây là hiện tượng hoàn toàn bình thường và không ảnh hưởng đến kết quả phân tích.
Sau khi hoàn tất bước chạy EFA, SPSS sẽ xuất ra nhiều bảng kết quả khác nhau. Tuy nhiên, trong quá trình đánh giá mô hình, chúng ta chủ yếu tập trung vào ba nhóm kết quả quan trọng gồm KMO and Bartlett’s Test, Total Variance Explained và Rotated Component Matrix. Phần tiếp theo sẽ hướng dẫn cách đọc và diễn giải từng bảng kết quả này để xác định mô hình EFA có đạt yêu cầu hay không, đồng thời biết cách xử lý các biến quan sát không đạt tiêu chuẩn nếu xuất hiện trong quá trình phân tích.
