Việc thực hiện dữ liệu định lượng bằng SPSS khi làm bài luận văn hay làm nghiên cứu khoa học không thể thiếu một bước vô cùng quan trọng đó là phân tích nhân tố khám phá EFA trong SPSS. Bởi vì khi kiểm định một lý thuyết khoa học, bạn cần đánh giá độ tin cậy của thang đo [Cronbach Alpha] và giá trị của thang đo [EFA]. Trước tiên hãy cùng tìm hiểu về nhân tố khám phá EFA là gì ?
1. Phân tích nhân tố khám phá EFA là gì?
Bạn thắc mắc và không biết EFA là gì? Câu trả lời chính xác nhất ở đây!
1.1. Khái niệm EFA là gì
- Exploratory Factor Analysis – EFA là phương pháp giúp đánh giá hai loại giá trị quan trọng trong thang đo, là giá trị hội tụ và giá trị phân biệt.
1.2. Khái niệm về phân tích nhân tố EFA
- 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].
- Phân tích nhân tố khám phá [EFA] là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn [gọi là các nhân tố] để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu[Hair et al. 2009]. Nó hướng đến việc khám phá ra cấu trúc cơ bản của một tập hợp các biến có liên quan với nhau.
- Phân tích nhân tố khám phá EFA dùng để rút gọn một tập hợp k biến quan sát thành một tập F [với F < k] các nhân tố có ý nghĩa hơn. Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau. Thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu 4 đặc điểm lớn, trong mỗi đặc điểm lớn này gồm 5 đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người nghiên cứu.
2. Ứng dụng của nhân tố khám phá EFA trong SPSS
- EFA thường được sử dụng nhiều trong các lĩnh vực quản trị, kinh tế, tâm lý, xã hội học,… khi đã có được mô hình khái niệm [Conceptual Framework] từ các lý thuyết hay các nghiên cứu trước.
- Trong các nghiên cứu về kinh tế, người ta thường sử dụng thang đo[scale] chỉ mục bao gồm rất nhiều câu hỏi [biến đo lường] nhằm đo lường các khái niệm trong mô hình khái niệm, và EFA sẽ góp phần rút gọn một tập gồm rất nhiều biến đo lường thành một số nhân tố. Khi có được một số ít các nhân tố, nếu chúng ta sử dụng các nhân tố này với tư cách là các biến độc lập trong hàm hồi quy bội thì khi đó, mô hình sẽ giảm khả năng vi phạm hiện tượng đa cộng tuyến.
- Ngoài ra, các nhân tố được rút ra sau khi thực hiện EFA sẽ có thể được thực hiện trong phân tích hồi quy đa biến [Multivariate Regression Analysis], mô hình Logit, sau đó có thể tiếp tục thực hiện phân tích nhân tố khẳng định[CFA] để đánh giá độ tin cậy của mô hình hay thực hiện mô hình cấu trúc tuyến tính [Structural Equation Modeling, SEM] để kiểm định về mối quan hệ phức tạp giữa các khái niệm.
>>> Xem thêm các bài viết có nội dung liên quan khác như:
- Kiểm định Cronbach Alpha là gì? Thực hành phân tích Cronbach Alpha
3. Điều kiện để áp dụng và tiêu chí đánh giá EFA trong SPSS
3.1. Mức độ tương quan giữa các biến đo lường
Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường, vì vậy, trước khi quyết định sử dụng EFA, chúng ta cần xem xét mối quan hệ giữa các biến đo lường này. Sử dụng ma trận hệ số tương quan[correlation matrix], chúng ta có thể nhận biết được mức độ quan hệ giữa các biến. Nếu các hệ số tương quan nhỏ hơn 0.30, khi đó sử dụng EFA không phù hợp[Hair et al. 2009]
Sau đây là một số tiêu chí đánh giá mối quan hệ giữa các biến:
a] Kiểm định Bartlett
Kiểm định Bartlett dùng để xem xét ma trận tương quan có phải là ma trận đơn vị [identity matrix] hay không ?. Ma trận đơn vị ở đây được hiểu là ma trận có hệ số tương quan giữa các biến bằng 0, và hệ số tương quan với chính nó bằng 1.
Nếu phép kiểm định Bartlett có p