1. Lời nói đầu

Trong bài trước, chúng ta thực hiện phân tích Cronbach’s Alpha nhằm kiểm định độ tin cậy thang đo. Bước tiếp theo trong quá trình phân tích dữ liệu nghiên cứu là thực hiện phân tích nhân tố khám phá (EFA). Phân tích nhân tố khám phá (EFA) có các tác dụng sau:

- Khi thực hiện phân tích Cronbach’s Alpha thì chúng ta thực hiện trên từng thang đo một cách riêng rẽ. Do đó sẽ có trường hợp mục hỏi của thang đo này sẽ có mối quan hệ với thang đo khác. Để kiểm tra xem có xảy ra trường hợp này hay không, chúng ta sẽ dùng phân tích nhân tố khám phá. Nếu có trường hợp này xảy ra, mục hỏi có thể bị loại bỏ nhằm đảm bảo các thang đo đạt được độ giá trị hội tụ và độ giá trị phân biệt.

- Phân tích nhân tố khám phá còn đảm bảo việc các thang đo lường là đơn hướng (thang đo lường đa hướng bao gồm các mục hỏi đo lường cho các khái niệm khác nhau).

2. Thực hiện phân tích EFA trên SPSS

Lưu ý: Các biến đã bị loại bỏ trong phân tích Cronbach’s Alpha thì không đem vào trong phân tích EFA

Bước 1: Chọn menu Analyze → Dimension Reduction → Factor…

Bước 2: Chọn các biến quan sát (mục hỏi) cần phân tích EFA vào khung Variables. Lưu ý là chúng ta sẽ phân tích EFA riêng rẽ cho biến độc lập và biến phụ thuộc. Trong phần này chúng ta sẽ thực hiện EFA cho các mục hỏi biến độc lập, các mục hỏi của biến phụ thuộc làm tương tự.

Bước 3: Click Descriptives…Tích dấu chọn như hình.

Bước 4: Click Continue → Click Extraction…Tích dấu chọn như hình

Bước 5: Click Continue → Click Rotation → Chọn Promax

Bước 6: Click Continue → Click Options…Thiết lập tùy chọn như hình sau:

Với 2 lựa chọn này chúng ta sẽ sắp xếp các biến quan sát trong cùng nhân tố theo thứ tự giảm dần của trọng số nhân tố, đồng thời loại bỏ các biến quan sát có trọng số nhân tố < 0,3.

Lưu ý: Khi phân tích nhân tố, một số tác giả yêu cầu các trọng số nhân tố phải >= 0,5. Một số khác chấp nhận >= 0,4. Ở đây chúng ta loại bỏ các nhân tố có trọng số < 0,3 trước. Sau đó loại bỏ từ từ các biến quan sát có trọng số nhỏ hơn ngưỡng chúng ta mong muốn để tránh làm mất mát thông tin.

Yêu cầu khi phân tích EFA:

EFA sử dụng phương pháp Principle Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố có eigenvalue là 1 vì phương pháp này sẽ phản ánh cấu trúc dữ liệu chính xác hơn dùng Principles Component với phép quay Varimax (Thọ & Trang, 2007, Anderson & Gerbing, 1988).

Thực hiện phân tích nhân tố khám phá EFA bằng phương pháp Principle Axis Factoring và phép quy Promax với yêu cầu:

- |Factor Loading| lớn nhất của mỗi Item >=0.4

- Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và |Factor Loading| bất kỳ phải >=0.3

- Tổng phương sai trích >=50% (Anderson & Gerbing, 1988)

- KMO>=0.5, Kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05)

Bước 7: Click Continue → Click OK. Chúng ta có kết quả phân tích nhân tố như sau:

Yêu cầu là hệ số KMO >= 0,5 và Sig <= 5% thì kết quả phân tích EFA mới có ý nghĩa

Yêu cầu: Tổng phương sai trích phải >= 50%.

Ta thấy mục hỏi hh8 và nlpv5 có trị tuyệt đối hệ số tải nhận tố lần lượt là 0,347 và 0,372. Do đó ta loại bỏ biến hh8 trước do có hệ số tải nhân tố nhỏ hơn. Kết quả phân tích nhân tố lại như sau:

Tiếp theo loại bỏ biến nlpv5, kết quả EFA như sau:

Đến đây ta có thể chấp nhận kết quả phân tích EFA vì các hệ số tải nhân tố đều > 0,4. Tuy nhiên ta có thể tiếp tục loại bỏ biến nlpv6 để có kết quả đẹp hơn.

Ở đây chúng ta thấy hệ số tải nhân tố của du4 là 0,942 xấp xỉ 0,5 nên vẫn có thể chấp nhận được.

3. Một số tình huống có thể gây bối rối khi phân tích EFA trong SPSS

Giả sử chúng ta có kết quả phân tích EFA như hình trên. Mới nhìn vào kết quả phân tích chúng ta có thể cảm thấy bối rối, không biết loại bỏ biến nào trước. Như vậy chúng ta sẽ tuân theo quy tắc sau:

- Loại bỏ lần lượt các biến quan sát có trọng số từ nhỏ đến lớn. Nếu một biến đo lường cho cả hai nhân tố thì chúng ta sẽ chọn trọng số lớn hơn để so sánh với trong số của biến quan sát khác.

- Nếu một biến quan sát đo lường cho cả hai nhân tố. Nếu chênh lệch trị tuyệt đối giữa hai trong số > 0,3 thì giữ lại biến đó và xem biến đó đo lường cho nhân tố có trọng số lớn hơn. Ngược lại chúng ta loại bỏ biến quan sát đó.

- Nếu một tập biến quan sát đo lường cho một nhóm nhân tố có trọng số đạt ngưỡng yêu cầu nhưng lại có một hay một số ít biến quan sát có ý nghĩa khác với các biến quan sát còn lại thì chúng ta loại bỏ biến quan sát đó.

Áp dụng quy tắc trên, trước tiên loại bỏ biến ttien1

Lần lượt loại bỏ biến htro1, ttien2, gia3, dung1

Tiếp tục loại bỏ biến clsong2 (vì đo lường cho cả 2 nhân tố và chênh lệch giữa hai trọng số nhỏ hơn 0,3)

Đến đây, chúng ta có kết quả phân tích EFA tương đối ổn. Tuy nhiên chúng ta vẫn phải xem xét ý nghĩa của các mục hỏi trong cùng nhân tố có khác biệt nhau hay không (Ví dụ: xem hotro2 có khác biệt với clsong1, clsong3, clsong4 và clsong5 hay không; hoặc ttien2 và gia4 có khác biệt với kmai1, kmai2 hay không).

NGUỒN:luanvanmba.info/