Hướng dẫn chạy nhân tố khám phá efa

Để thực hiện phân tích định lượng bằng SPSS trong một bài báo cáo, luận văn thạc sĩ, nghiên cứu khoa học, phân tích nhân tố khám phá EFA là một bước rất quan trọng không thể bỏ qua. Tuy nhiên, khi mới bắt đầu làm quen với EFA, không ít bạn gặp phải rất nhiều bỡ ngỡ, từ khái niệm, ứng dụng của nhân tố khám phá EFA, các tiêu chí cũng như phân tích và đọc kết quả EFA trong SPSS. Chính vì thế, bài viết này sẽ cung cấp tất tần tật kiến thức về phân tích nhân tố khám phá từ lý thuyết đến ứng dụng.

Phân tích nhân tố khám phá EFA là gì?

Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến rất lớn, và trong số đó, có rất nhiều biến quan sát có sự liên hệ tương quan với nhau. Chẳng hạn như: Chúng ta có một đối tượng gồm có 20 đặc điểm cần nghiên cứu. Thay vì đi nghiên cứu từng đặc điểm một, chúng ta sẽ gộp chúng thành 4 đặc điểm lớn, bên trong 4 đặc điểm lớn bao gồm 5 đặc điểm nhỏ có sự tương quan lẫn nhau. Cách làm này sẽ giúp tiết kiệm thời gian và kinh phí cho nghiên cứu đồng thời vẫn không làm thay đổi kết quả. Từ đó, sự ra đời của một phương pháp định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lần nhau thành một tập các nhân tố (các biến) có ý nghĩa hơn. Được gọi là phân tích nhân tố khám phá - (Exploratory Factor Analysis), gọi tắt là EFA.

Ứng dụng phân tích nhân tố EFA

Phân tích nhân tố khám phá EFA thường được sử dụng nhiều trong các lĩnh vực về kinh tế, quản trị, xã hội học, tâm lý…

Trong nghiên cứu xã hội, phân tích EFA thường được dùng trong quá trình xây dựng thang đo (scale) nhằm kiểm tra tính đơn khía cạnh của thang đo và đo lường các khía cạnh khác nhau của khái niệm nghiên cứu.

Trong kinh tế, phân tích nhân tố khám phá có ứng dụng rất rộng rãi, trong nhiều trường hợp và phổ biến nhất là:

• Sử dụng trong phân khúc thị trường để phát hiện ra các nhân tố quan trọng dùng để phân nhóm người tiêu dùng. Ví dụ như: Những người mua xe có thể được chia thành 4 nhóm theo sự chú trọng tượng đối về tính năng, tiện nghi, kinh tế và sự sang trọng. Từ đó đưa ra 4 phân khúc về sản phẩm cho người mua xe: những người tiêu dùng tìm kiếm tính kinh tế, người tiêu dùng tìm kiếm tiện nghi, người tiêu dùng tìm kiếm tính năng và người tiêu dùng tìm kiếm sự sang trọng.
• Trong nghiên cứu định giá, ta có thể sử dụng phân tích EFA để nhận ra các đặc trưng của những người nhạy cảm với giá. Ví dụ những người tiêu dùng nhạy cảm với giá có thể là những người có suy nghĩ tiết kiệm, có tính ngăn nắp và không thích ra ngoài...
• Trong nghiên cứu sản phẩm, ta có thể sử dụng phân tích nhân tố để xác định các thuộc tính nhãn hiệu có ảnh hưởng đến sự lựa chọn của người tiêu dùng, Ví dụ như các nhãn hiệu kem chống nắng có thể được đánh giá theo khả năng như chỉ số chống tia UV, thời gian chống nắng tối đa và giá cả...
• Trong nghiên cứu quảng cáo, phân tích nhân tố có thể dùng để tìm hiểu thói quen sử dụng phương tiện truyền thông (tv, báo giấy, internet, quảng cáo ngoài trời...) của thị trường mục tiêu. Từ đó đưa ra cách tiếp cận hiệu quả.

Bài viết cùng chuyên mục:

Tất cả những điều bạn cần biết về kiểm định T-Test

Các tiêu chí trong phân tích nhân tố khám phá EFA

Trong phân tích nhân tố khám phá EFA, chúng ta cần quan tâm tới cac chỉ số dưới đây:

Hệ số Factor Loading: Được định nghĩa là là trọng số nhân tố hay hệ số tải nhân tố. Là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Trong đó:

• Nếu 0.3 <=Factor loading <=0.4 được xem là biến quan sát có ý nghĩa thống kê đạt được mức tối thiểu
• Nếu Factor loading >= 0.5 được xem là biến quan sát có ý nghĩa thực tiễn
• Nếu Factor loading >= 0.7: Biến quan sát có ý nghĩa thống kê rất tốt

Hệ số KMO (Kaiser – Meyer - Olkin): Là chỉ số dùng để đánh giá sự thích hợp của phân tích nhân tố, cụ thể là so sánh độ lớn của hệ số tương quan giữa 2 biến với hệ số tương quan riêng phần của chúng. Trị số của KMO được đánh giá như sau:

• KMO <0. 50: Không đạt
• 0.50 <= KMO <0. 60: Xấu
• 0.60 <= KMO <0. 70: Tạm được
• 0.70 <= KMO <0. 80: Đạt
• 0.80 <= KMO < 0.90: Tốt
• 0.90 >= KMO: Rất tốt

\=> Để sử dụng EFA, thì KMO phải lớn hơn 0.50.

Kiểm định Bartlett (Bartlett’s test of sphericity): Dùng để xem xét sự tương quan giữa các biến quan sát trong nhân tố. Nếu phép kiểm định Bartlett có ý nghĩa thống kê Sig Bartlett’s Test < 0.05 (p<5%), chứng tỏ các biến quan sát có tương quan với nhau. Chúng ta có thể từ chối giả thuyết Ho (ma trận tương quan là ma trận đơn vị).

Trị số Eigenvalue: Tiêu chí để xác định tổng số lượng nhân tố trong EFA. Chỉ những nhân tố nào có trị số Eigenvalue >= 1 mới được giữ lại trong mô hình phân tích nhân tố khám phá.

Total Variance Explained: Trị số này thể hiện các nhân tố cô đọng được bao nhiêu phần trăm và thất thoát bao nhiêu phần trăm biến quan sát dựa trên mức đánh giá 100%. Trị số này nên ở mức >= 50% thì mô hình EFA là phù hợp.

Trên này là 4 tiêu chí quan trọng cần nắm và hiểu rõ để có thể đọc kết quả EFA trong SPSS. Tiếp theo, chúng ta sẽ đi vào tìm hiểu cách phân tích EFA trong SPSS chi tiết.

Các bước thực hiện phân tích EFA trong SPSS

Bước 1: Trên thanh công cụ phần mềm SPSS, chọn Analyze > Dimension Reduction > Factor...

Bước 2: Cửa sổ Factor Analysis mở ra, bạn sẽ chỉ định các biến sử dụng trong phân tích nhân tố khám phá EFA ở cột phía bên trái và di chuyển đến khu vực Variables bằng cách chọn và nhấn vào nút mũi tên. Trong đó Grouping Variable là biến phụ thuộc. Lưu ý đến 4 mục tùy chỉnh Descriptives…; Extraction…; Rotation…; Options… Cụ thể:

• Bấm vào nút Descriptives… để mở ra một cửa sổ mới, tích vào mục KMO and Bartlett's test of sphericity, sau đó nhấp Continue để trở về cửa sổ ban đầu.

• Bấm vào nút Extraction… để mở ra một cửa sổ mới, Tại Method chọn “Principal components” (phép trích PCA). Sau đó tiếp tục nhấp Continue để trở về cửa sổ ban đầu.
• Tiếp tục với Rotation: Tại Method chọn “Varimax” > Continue

• Bấm vào nút Options, nhấn chọn vào 2 mục trong phần “Coefficient Display Format”. Tại hàng “Absolute value below” nhấp vào giá trị hệ số tải nhân tố (Factor Loading) tiêu chuẩn. Sau đó nhấp Continue để trở về cửa sổ ban đầu > OK để xuất kết quả ra Output.

Đọc kết quả EFA trong SPSS: Sau khi chạy, ở kết quả xuất ra Output sẽ bao gồm nhiều bảng, tuy nhiên bạn cần tập trung vào 3 bảng chính:

• Trong bảng Rotated Component Matrix, các giá trị Factor Loading Values phải > 0.5. Trong trường hợp có 2 giá trị phải xét hiệu của hai giá trị lớn nhất. Nếu hiệu < 0.3 thì loại biến, ngược lại giữ lại biến.

• Tại bảng Total Variance Explained ở cột Cumulative % cần có giá trị > 50%

Kaiser Meyer Olkin Measure of Sampling Adequacy (KMO) phải có giá trị > 0.5. và giá trị sig. <0.05. Như vậy, KMO test mới đạt yêu cầu!