Trong quá trình xử lý dữ liệu bằng SPSS, một trong những câu hỏi xuất hiện nhiều nhất là nên chạy Cronbach’s Alpha trước hay thực hiện EFA trước. Mặc dù đây là hai kỹ thuật quen thuộc trong nghiên cứu định lượng, nhưng việc lựa chọn thứ tự triển khai lại phụ thuộc vào mục tiêu nghiên cứu và đặc điểm của thang đo.
Không tồn tại một quy tắc cứng nhắc áp dụng cho mọi trường hợp. Tuy nhiên, trong đa số nghiên cứu kế thừa mô hình lý thuyết đã có sẵn, Cronbach’s Alpha thường được thực hiện trước EFA nhằm loại bỏ các biến quan sát không phù hợp trước khi khám phá cấu trúc nhân tố tổng thể. Quan điểm này được đề cập bởi Churchill (1979) và tiếp tục được nhiều giáo trình phương pháp nghiên cứu hiện đại kế thừa.
1. Vì sao Cronbach’s Alpha và EFA thường xuất hiện cùng nhau?
Cả Cronbach’s Alpha và EFA đều tham gia vào quá trình đánh giá chất lượng thang đo, nhưng chúng phục vụ hai mục tiêu hoàn toàn khác nhau.
Cronbach’s Alpha tập trung vào độ tin cậy nội tại (internal consistency), tức mức độ các biến quan sát trong cùng một khái niệm có đo lường nhất quán hay không. Trong khi đó, EFA được sử dụng để khám phá cấu trúc nhân tố tiềm ẩn và xác định xem các biến quan sát thực sự nhóm lại như thế nào trong dữ liệu thực tế.
Việc sử dụng đồng thời hai kỹ thuật này giúp nhà nghiên cứu vừa bảo đảm tính ổn định của từng thang đo, vừa kiểm tra được giá trị hội tụ và giá trị phân biệt của toàn bộ mô hình nghiên cứu.
2. Mục tiêu phương pháp luận của từng kỹ thuật
2.1 Cronbach’s Alpha giải quyết vấn đề gì?
Theo Nunnally (1978), hệ số độ tin cậy Cronbach’s Alpha được sử dụng để đánh giá độ tin cậy của công cụ đo lường. Đối với nghiên cứu khám phá, ngưỡng từ 0.60 trở lên có thể được chấp nhận, trong khi các nghiên cứu khẳng định thường ưu tiên mức từ 0.70 trở lên.
Bên cạnh hệ số Alpha tổng thể, nhiều nghiên cứu còn sử dụng chỉ số Corrected Item–Total Correlation. Cristobal và cộng sự (2007) đề xuất ngưỡng 0.30 như một tiêu chí tham khảo để giữ lại biến quan sát.
Mục tiêu chính của bước này là phát hiện và loại bỏ các biến rác (garbage items) trước khi tiến hành những phân tích sâu hơn.
2.2 EFA trả lời câu hỏi nào?
EFA không đánh giá độ tin cậy mà tập trung xác định cấu trúc nhân tố tiềm ẩn của bộ dữ liệu.
Theo Hair và cộng sự (2019), EFA giúp kiểm tra:
- Các biến quan sát có thực sự hội tụ vào cùng một nhân tố hay không.
- Có xuất hiện hiện tượng tải chéo giữa nhiều nhân tố hay không.
- Số lượng nhân tố thực tế có phù hợp với lý thuyết ban đầu hay không.
Những tiêu chuẩn thường được sử dụng bao gồm KMO ≥ 0.50, Bartlett’s Test có Sig. < 0.05, Eigenvalue > 1 và tổng phương sai trích từ 50% trở lên.
3. Quy trình chuẩn trong phần lớn nghiên cứu định lượng
Đối với các luận văn kế thừa mô hình nghiên cứu trước đó, quy trình phổ biến nhất thường bao gồm:
Bước 1: Chạy Cronbach’s Alpha cho từng nhân tố giả định.
Bước 2: Loại bỏ các biến có Corrected Item–Total Correlation dưới ngưỡng chấp nhận.
Bước 3: Thực hiện lại Cronbach’s Alpha cho đến khi thang đo ổn định.
Bước 4: Tập hợp toàn bộ các biến còn lại để phân tích EFA.
Bước 5: Kiểm tra cấu trúc nhân tố và loại bỏ các biến tải chéo nếu cần thiết.
Churchill (1979) cho rằng việc loại bỏ biến rác trước EFA giúp hạn chế nguy cơ hình thành các nhân tố giả (artificial factors), từ đó nâng cao chất lượng mô hình nghiên cứu.
Đây cũng là quy trình được áp dụng rộng rãi trong phần lớn luận văn thạc sĩ và nghiên cứu ứng dụng tại Việt Nam.
4. Khi nào nên đánh giá độ tin cậy trước EFA?
Trường hợp phù hợp nhất để thực hiện Cronbach’s Alpha trước EFA là khi nhà nghiên cứu đã có cơ sở lý thuyết rõ ràng về các nhân tố.
Ví dụ, mô hình nghiên cứu kế thừa từ các công trình trước đã xác định rằng:
- Chất lượng dịch vụ gồm 5 biến quan sát.
- Sự hài lòng gồm 4 biến quan sát.
- Ý định mua gồm 3 biến quan sát.
Lúc này, việc kiểm tra độ tin cậy của từng nhóm biến trước khi đưa vào EFA là hoàn toàn hợp lý.
Cách làm này mang lại một số lợi ích thực tiễn:
- Giảm số lượng biến yếu trước khi phân tích nhân tố.
- Giúp ma trận tải nhân tố rõ ràng hơn.
- Hạn chế hiện tượng tải chéo.
- Tiết kiệm thời gian xử lý dữ liệu.
Trong kinh nghiệm hỗ trợ luận văn tại Việt Nam, phần lớn các trường đại học cũng yêu cầu trình bày kết quả Cronbach’s Alpha trước khi trình bày EFA trong chương phân tích dữ liệu.
5. Trường hợp có thể thực hiện EFA trước Cronbach’s Alpha
Không phải lúc nào Cronbach’s Alpha cũng cần đứng trước EFA.
Nếu nhà nghiên cứu xây dựng một bộ câu hỏi hoàn toàn mới hoặc chưa xác định được cấu trúc nhân tố ban đầu, EFA có thể được sử dụng trước để khám phá dữ liệu.
Ví dụ:
- Nghiên cứu sơ bộ phát triển thang đo mới.
- Điều chỉnh mạnh các thang đo quốc tế cho bối cảnh Việt Nam.
- Nghiên cứu định tính chuyển đổi thành bảng khảo sát lần đầu.
Trong những trường hợp này, EFA đóng vai trò tìm kiếm cấu trúc nhân tố phù hợp trước khi đánh giá độ tin cậy cho từng nhóm biến mới được hình thành.
Tuy nhiên, cần lưu ý rằng việc lựa chọn EFA trước không đồng nghĩa với việc bỏ qua Cronbach’s Alpha. Sau khi cấu trúc nhân tố được xác lập, nhà nghiên cứu vẫn phải kiểm định độ tin cậy của từng nhân tố riêng biệt.
6. Gợi ý triển khai cho luận văn tại Việt Nam
Đối với hầu hết luận văn sử dụng SPSS tại Việt Nam, quy trình sau thường là lựa chọn an toàn và phù hợp:
- Kế thừa mô hình nghiên cứu đã công bố.
- Chạy Cronbach’s Alpha cho từng thang đo.
- Loại biến không đạt yêu cầu.
- Thực hiện EFA với các biến còn lại.
- Tiếp tục hồi quy hoặc SEM tùy mục tiêu nghiên cứu.
Nếu phát triển thang đo mới, nhà nghiên cứu có thể linh hoạt triển khai EFA trước, sau đó quay lại kiểm định độ tin cậy cho từng nhân tố được hình thành.
Điều quan trọng là phải giải thích rõ lý do lựa chọn phương pháp trong phần phương pháp nghiên cứu thay vì áp dụng máy móc một quy trình cố định.
7. Kết luận
Trong phần lớn nghiên cứu kế thừa mô hình lý thuyết, Cronbach’s Alpha nên được thực hiện trước EFA nhằm loại bỏ các biến rác và nâng cao chất lượng cấu trúc nhân tố. Tuy nhiên, đối với các nghiên cứu phát triển thang đo mới hoặc chưa xác định rõ số lượng nhân tố, EFA trước Cronbach’s Alpha vẫn là một lựa chọn hợp lý.
Nói cách khác, không tồn tại một quy tắc cứng nhắc rằng mọi nghiên cứu đều phải tuân theo cùng một thứ tự. Việc lựa chọn cần dựa trên mục tiêu nghiên cứu, mức độ hoàn thiện của thang đo và yêu cầu học thuật của từng đề tài.
Nếu bạn muốn tìm hiểu thêm về các phương pháp phân tích dữ liệu định lượng, có thể tham khảo website Xử Lý Định Lượng. Trường hợp cần hỗ trợ xử lý dữ liệu bằng SPSS cho luận văn, khóa luận hoặc bài báo khoa học, Xử Lý Định Lượng hiện cũng cung cấp dịch vụ SPSS tư vấn và triển khai phù hợp với từng nhu cầu nghiên cứu.
Nguồn học thuật
Churchill, G. A. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73.
Cristobal, E., Flavián, C., & Guinalíu, M. (2007). Perceived e-service quality (PeSQ): Measurement validation and effects on consumer satisfaction and web site loyalty. Managing Service Quality, 17(3), 317–340.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd ed.). McGraw-Hill.
