Phân tích nhân tố khám phá EFA là một trong những bước kiểm định đầu tiên ở các đề tài nghiên cứu khoa học. Chính vì thế, phân tích EFA đóng vai trò vô cùng quan trọng đối với kết quả đầu ra của các đề tài nghiên cứu. Trong bài viết này, Marketing Du Ký sẽ hướng dẫn các bạn cách đọc kết quả EFA bằng phần mềm SPSS vô cùng đơn giản.
1. Phân tích nhân tố khám phá EFA là gì?
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là một phương pháp thống kê được sử dụng với mục đích xác định số lượng biến tiềm ẩn từ các biến quan sát của một tập dữ liệu nghiên cứu. Phép kiểm định này thường được thực hiện sau bước thống kê mô tả.
Thông thường, các nhà nghiên cứu tiến hành phân tích EFA nhằm tìm ra các nhân tố chung có thể giải thích được phần lớn sự biến thiên của các biến quan sát trong tập dữ liệu. Điều này hỗ trợ họ rất nhiều trong việc đưa ra các quyết định chính xác ở những bước phân tích dữ liệu sau.
Trước khi tìm hiểu về cách đọc kết quả EFA, điều đầu tiên mà bạn cần phải thực hiện là tiến hành phân tích nhân tố khám phá EFA. Trong bài viết này, Marketing Du Ký sẽ hướng dẫn các bạn phân tích EFA bằng phần mềm SPSS.
2. Cách chạy phân tích nhân tố khám phá EFA
2.1. Phân tích EFA cho biến độc lập
Đối với các mô hình nghiên cứu mà vai trò của biến độc lập và biến phụ thuộc đã được xác định rõ ràng. Bạn cần thực hiện phân tích EFA riêng cho từng loại biến. Trong bài viết này, Marketing Du Ký sẽ tiến hành phân tích EFA cho bộ dữ liệu được xây dựng dựa trên mô hình chất lượng dịch vụ (SERVQUAL) của Parasuraman và cộng sự (1988).
Trên thanh công cụ tại giao diện chính của phần mềm SPSS, bạn lần lượt chọn Analyze ➪ Dimemsion Reduction ➪ Factor... như hình dưới.
Sau khi bảng Factor Analysis hiện lên, bạn hãy chuyển tất cả biến quan sát của các biến độc lập sang cột Variables. Riêng các biến quan sát của biến phụ thuộc thì chúng ta sẽ tiến hành phân tích EFA sau.
Tiếp theo, bạn nhìn sang phải bảng Factor Analysis và chọn Descriptives. Tại đây, bạn hãy nhấp chọn vào ô Initial Solution và KMO and Bartlett's test of sphericity tương tự như hình bên dưới rồi bấm Continue.
Sau khi trở về bảng Factor Analysis, bạn hãy tiếp tục chọn Extraction bên góc phải. Tại mục Method, bạn chọn phép trích Principe Components. Đối với các chỉ số khác, bạn cứ giữ nguyên theo mặc định.
Tại bảng Factor Analysis, bạn nhấp vào Rotation để tiến hành chọn phương pháp xoay. Đối với dạng đề tài chỉ dừng ở việc kiểm định giá trị trung bình (T-test/ANOVA) mà không đi sâu vào phân tích mô hình cấu trúc SEM. Bạn hãy chọn phương pháp xoay là Varimax ở mục Method.
Tiếp đến, bạn nhấp vào ô Options ở bảng Factor Analysis. Ngay tại mục Coefficient Display Format, bạn tiến hành chọn Sorted by size để phần mềm SPSS tự động sắp xếp hệ số tải trong từng nhân tố theo thứ tự từ lớn đến nhỏ. Sau đó, bạn hãy điều chỉnh Suppress small coefficients ở mức 0.5 để hệ thống chỉ hiển thị hệ số tải ở các nhân tố có giá trị từ 0.5 trở lên.
Cuối cùng, bạn chọn OK tại bảng Factor Analysis. Phần mềm SPSS sẽ tính toán và trả về các kết quả cần thiết để giúp bạn phân tích nhân tố khám phá EFA.
2.2. Phân tích EFA cho biến phụ thuộc
Khi phân tích EFA cho biến phụ thuộc, bạn cũng tiến hành các bước tương tự như khi thực hiện với các biến độc lập. Tuy nhiên, trước tiên là bạn cần đưa tất cả biến quan sát của các biến độc lập trở về vị trí ban đầu. Sau đó, bạn lần lượt chuyển các biến quan sát của biến phụ thuộc sang cột Variables. Sau khi đã thiết lập các chỉ số tương tự với các biến độc lập, bạn chọn OK để phần mềm SPSS phân tích và xuất ra kết quả.
3. Cách đọc kết quả EFA
Sau khi đã phân tích nhân tố khám phá EFA, dưới đây là các chỉ số quan trọng mà bạn cần lưu ý khi đọc kết quả.
3.1. KMO và Bartlett's Test
KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để đánh giá mức độ phù hợp của bộ dữ liệu nghiên cứu khi thực hiện phân tích nhân tố khám phá EFA. Theo đó, chỉ số này cần phải thỏa điều kiện 0.5 ≤ KMO ≤ 1. Trong trường hợp KMO < 0.5, bộ dữ liệu của bạn sẽ không phù hợp để tiến hành chạy EFA.
Barlett's Test là phép kiểm định nhằm kiểm tra sự tương quan giữa các biến quan sát trong nhân tố. Nếu kết quả của phép kiểm định này không có ý nghĩa thống kê, điều này cho thấy bạn không nên phân tích nhân tố EFA đối với bộ dữ liệu này. Trong trường hợp ngược lại, bạn hoàn toàn có thể tiến hành phân tích nhân tố EFA với bộ dữ liệu nghiên cứu. Phép kiểm định Barlett chỉ thật sự có ý nghĩa khi chỉ số sig < 0.05.
3.2. Bảng tổng phương sai trích
Eigenvalues (cột Total) là chỉ số dùng để xác định số lượng nhân tố phù hợp sau khi chạy EFA. Trên thực tế, có rất nhiều nhân tố được trích ra từ phần mềm SPSS sau khi tiến hành phân tích nhân tố khám phá. Tuy nhiên, bạn chỉ nên giữ lại các nhân tố có Eigenvalues > 1.
% phương sai trích (Cumulative %) cho thấy các nhân tố cô đọng được bao nhiêu % của biến quan sát nếu coi sự biến thiên là 100%. Một mô hình được đánh giá là phù hợp khi các nhân tố cô đọng được tối thiểu 50% sự biến thiên của biến quan sát.
3.3. Hệ số tải nhân tố
Hệ số tải nhân tố (Factor Loading) thể hiện mối tương quan giữa biến biến quan sát và các nhân tố trong mô hình. Đây là một trong những chỉ số quan trọng nhất khi tiến hành phân tích EFA.
Theo Hair và cộng sự (2009), để trả lời cho câu hỏi hệ số tải nhân tố bao nhiêu là phù hợp thì tất cả sẽ phụ thuộc vào kích cỡ mẫu của bộ dữ liệu. Tuy nhiên, thông thường các nhà nghiên cứu sẽ đưa ra kết luận dựa trên ngưỡng 0.5 vì đây được xem là hạn mức tối thiểu để các biến quan sát có thể đạt chất lượng tốt. Càng tiến về 1 thì biến quan sát sẽ càng được đánh giá cao hơn.
Trên đây là bảng ma trận xoay của bộ dữ liệu nghiên cứu sau khi được tiến hành chạy EFA. Như vậy, hệ số tải của tất cả các biến quan sát đều thỏa mãn tiêu chí trên 0.5 và đủ điều kiện để thực hiện các bước kiểm định tiếp theo. Đối với biến phụ thuộc, bạn cũng có thể thực hiện các bước đọc kết quả EFA tương tự như đối với những biến độc lập.
Trên đây là những chia sẻ của Marketing Du Ký về cách đọc kết quả EFA bằng phần mềm SPSS. Hy vọng rằng bạn sẽ có thể tự thực hiện các bước kiểm định trên ngay tại nhà.
