Phân tích nhân tố khám phá EFA trên SPSS

Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một kỹ thuật thống kê được sử dụng nhằm khám phá cấu trúc tiềm ẩn bên trong một tập hợp các biến quan sát mà chưa có giả thuyết hay mô hình xác định từ trước. Mục tiêu chính của EFA là rút gọn số lượng biến bằng cách tìm ra các nhân tố tiềm ẩn (latent factors) – tức là những đại lượng không thể đo lường trực tiếp nhưng có ảnh hưởng đến các biến quan sát – và xác định cách các biến quan sát liên kết với các nhân tố này thông qua hệ số tải (factor loadings).

Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một kỹ thuật thống kê mạnh mẽ, được sử dụng nhằm mục tiêu rút gọn và đơn giản hóa một tập hợp lớn các biến quan sát thành một số lượng nhỏ hơn các nhân tố (factors) mang tính đại diện và có ý nghĩa hơn về mặt lý thuyết. Cụ thể, EFA cho phép chuyển đổi một tập hợp gồm k biến quan sát thành F nhân tố tiềm ẩn (với F < k), trong đó mỗi nhân tố thể hiện một khía cạnh chung mà các biến có liên quan cùng phản ánh. Điều này đặc biệt hữu ích trong các nghiên cứu định lượng có nhiều biến đo lường, giúp nhà nghiên cứu dễ dàng phát hiện ra các mô hình tiềm ẩn trong dữ liệu.

Trong thực tế, khi tiến hành một nghiên cứu, chúng ta thường xây dựng bảng hỏi hoặc thu thập dữ liệu dựa trên nhiều đặc điểm, hành vi hoặc thái độ của đối tượng nghiên cứu. Các biến này không phải lúc nào cũng độc lập với nhau, mà thường có mối tương quan nhất định. Thay vì phân tích riêng lẻ từng biến (ví dụ như 20 đặc điểm nhỏ), EFA giúp nhóm các biến có mối liên hệ chặt chẽ thành các cụm, hay nhân tố. Ví dụ, 20 đặc điểm nhỏ có thể được nhóm lại thành 4 nhân tố chính, mỗi nhân tố bao gồm khoảng 5 đặc điểm có tính chất tương đồng. Cách tiếp cận này không những giúp tinh gọn dữ liệu, mà còn tối ưu hóa quá trình phân tích, tiết kiệm thời gian và chi phí, đồng thời nâng cao chất lượng và độ chính xác của mô hình nghiên cứu.

Phân tích EFA được ứng dụng rộng rãi trong nhiều lĩnh vực như khoa học xã hội, kinh tế, giáo dục, tâm lý học, marketing và quản trị. Những mục tiêu chính của EFA trong nghiên cứu bao gồm:

• Xác định cấu trúc tiềm ẩn của dữ liệu: Phát hiện ra các nhóm biến quan sát có liên hệ chặt chẽ với nhau, từ đó làm sáng tỏ các yếu tố nền tảng chưa được xác định rõ ràng trước đó.

• Rút gọn số lượng biến quan sát: Giúp giảm bớt số lượng biến cần phân tích bằng cách gộp các biến tương quan thành một số ít nhân tố đại diện, từ đó đơn giản hóa mô hình và tăng hiệu quả phân tích.

• Kiểm định độ hội tụ và phân biệt: Đánh giá xem các biến quan sát có thực sự đo lường đúng khái niệm lý thuyết mà chúng được thiết kế để phản ánh hay không, đồng thời kiểm tra tính phân biệt giữa các nhóm khái niệm.

3. Cách phân tích nhân tố khám phá EFA trên SPSS

Có khá nhiều bảng ở output, tất cả các bảng này đều đóng góp vào việc đánh giá kết quả phân tích EFA là tốt hay tệ. Tuy nhiên, ở đây tác giả tập trung vào ba bảng kết quả chính: KMO and Barlett’s Test, Total Variance Explained và Rotated Component Matrix, bởi sử dụng ba bảng này chúng ta đã có thể đánh giá được kết quả phân tích EFA phù hợp hay không phù hợp.

Kết quả lần EFA đầu tiên: KMO = 0.887 > 0.5, sig Bartlett’s Test = 0.000 < 0.05, như vậy phân tích nhân tố khám phá EFA là phù hợp. Có 6 nhân tố được trích với tiêu chí eigenvalue lớn hơn 1 với tổng phương sai tích lũy là 63.109%. Tác giả mong muốn chọn ra các biến quan sát chất lượng nên sẽ sử dụng ngưỡng hệ số tải là 0.5 thay vì chọn hệ số tải tương ứng theo cỡ mẫu. So sánh ngưỡng này với kết quả ở ma trận xoay, có hai biến xấu là DN4 và LD5 cần xem xét loại bỏ:

• Biến DN4 tải lên ở cả hai nhân tố là Component 4 và Component 6 với hệ số tải lần lượt là 0.612 và 0.530, mức chênh lệch hệ số tải bằng 0.612 – 0.530 = 0.082 < 0.2.
• Biến LD5 có hệ số tải ở tất cả các nhân tố đều nhỏ5.

Tác giả sử dụng phương thức loại một lượt các biến xấu trong một lần phân tích EFA. Từ 28 biến quan sát ở lần phân tích EFA thứ nhất, loại bỏ DN4 và LD5 và đưa 26 biến quan sát còn lại vào phân tích EFA lần thứ hai.

Hệ số KMO = 0.879 > 0.5, sig Barlett’s Test = 0.000 < 0.05, như vậy phân tích nhân tố là phù hợp.

Có 6 nhân tố được trích dựa vào tiêu chí eigenvalue lớn hơn 1, như vậy 6 nhân tố này tóm tắt thông tin của 26 biến quan sát đưa vào EFA một cách tốt nhất. Tổng phương sai mà 6 nhân tố này trích được là 63.357% > 50%, như vậy, 6 nhân tố được trích giải thích được 63.357% biến thiên dữ liệu của 26 biến quan sát tham gia vào EFA.

Kết quả ma trận xoay cho thấy, 26 biến quan sát được phân thành 6 nhân tố, tất cả các biến quan sát đều có hệ số tải nhân tố Factor Loading lớn hơn 0.5 và không còn các biến xấu.

Như vậy, phân tích nhân tố khám phá EFA cho các biến độc lập được thực hiện hai lần. Lần thứ nhất, 28 biến quan sát được đưa vào phân tích, có 2 biến quan sát không đạt điều kiện là DN4 và LD5 được loại bỏ để thực hiện phân tích lại. Lần phân tích thứ hai (lần cuối cùng), 26 biến quan sát hội tụ và phân biệt thành 6 nhân tố gồm các biến quan sát được trình bày trong bảng bên dưới:

3.2 Phân tích EFA cho biến phụ thuộc

Tương tự với các thao tác trên biến độc lập, tiến hành thực hiện phân tích nhân tố khám phá EFA cho biến phụ thuộc.

Hệ số KMO = 0.712 > 0.5, sig Barlett’s Test = 0.000 < 0.05, như vậy phân tích nhân tố là phù hợp.

Kết quả phân tích cho thấy có 1 nhân tố được trích tại eigenvalue bằng 2.170 > 1. Nhân tố này giải thích được 72.339% biến thiên dữ liệu của 3 biến quan sát tham gia vào EFA.

Như đã đề cập trước đó ở mục 9.7. Nếu chỉ có một nhân tố được trích, ma trận xoay sẽ không hiển thị, chính vì vậy chúng ta sẽ đánh giá kết quả qua bảng ma trận nhân tố chưa xoay. Kết quả cho thấy 3 biến quan sát hội tụ về 1 cột và tất cả các biến quan sát đều có hệ số tải nhân tố lớn hơn 0.5.

Lưu ý rằng, nếu sau bước phân tích nhân tố EFA, cấu trúc thang đo bị thay đổi so với thang đo gốc: hình thành nhân tố mới, nhân tố giảm biến quan sát, nhân tố tăng biến quan sát… Chúng ta nên thực hiện kiểm định độ tin cậy thang đo Cronbach’s Alpha để đánh giá lại các thang đo mới được hình thành sau EFA.