Trên thực tế, để đảm bảo kết quả phân tích nhân tố khám phá EFA được chính xác và đáng tin cậy thì việc loại bỏ các biến xấu là một bước vô cùng quan trọng. Trong bài viết này, Marketing Du Ký sẽ giới thiệu đến các bạn một số quy tắc loại biến xấu khi phân tích nhân tố khám phá EFA.
1. Vì sao cần phải loại biến xấu?
Biến xấu là các biến có tác động tiêu cực đến chất lượng và độ tin cậy của mô hình nghiên cứu. Những biến này có thể làm giảm khả năng giải thích tổng thể của mô hình, từ đó dẫn đến kết quả sai lệch hoặc không có ý nghĩa thống kê. Đó là lý do mà chúng ta cần phải loại bỏ các biến xấu khi phân tích nhân tố khám phá EFA.
2. Các dạng biến xấu thường gặp
2.1. Trường hợp 1: Biến quan sát có hệ số tải thấp
Thông thường, các nhà nghiên cứu sẽ dùng ngưỡng hệ số tải 0.5 để làm mức đánh giá chất lượng của biến quan sát trong một nhân tố. Do đó, các biến quan sát có hệ số tải dưới 0.5 sẽ được xem là một biến xấu và cần loại bỏ khỏi mô hình.
Như trong ví dụ dưới đây, do biến GD4 có hệ số tải là 0.458 (nhỏ hơn 0.5) nên được xem là 1 biến xấu và cần loại bỏ.
2.2. Trường hợp 2: Biến quan sát được tải lên nhiều hơn 1 nhân tố
Chúng ta luôn kỳ vọng rằng mỗi biến quan sát chỉ giải thích ý nghĩa cho 1 nhân tố nhất định. Tuy nhiên, nếu biến quan sát được tải lên nhiều hơn 1 nhân tố thì chứng tỏ biến quan sát này đã giải thích ý nghĩa cho cùng lúc nhiều nhân tố khác nhau.
Trong ví dụ dưới đây, mặc dù hệ số tải của GD2 và GD1 đều trên 0.5. Tuy nhiên, chúng lại được tải lên 2 nhóm nhân tố khác nhau là 1 và 3. Do đó, chúng ta cần xem xét loại bỏ 2 biến quan sát trên ra khỏi mô hình nghiên cứu.
2.3. Trường hợp 3: Biến quan sát nằm riêng lẻ tại 1 nhóm nhân tố
Trên thực tế, nếu biến quan sát chỉ được tải lên 1 nhân tố duy nhất và có hệ số tải lớn hơn 0.5 thì biến quan sát đó đã được đánh giá cao về mặt chất lượng. Tuy nhiên, vẫn có một số trường hợp ngoại lệ mà chúng ta cần loại bỏ như việc chúng chỉ nằm riêng lẻ tại 1 nhân tố duy nhất.
Nguyên nhân là vì một nhân tố cần được giải thích bởi tối thiểu 3 biến quan sát trở lên nhằm đảm bảo giá trị về mặt nội dung. Việc nhân tố chỉ được giải thích bởi 1 quan sát duy nhất sẽ không đáng tin cậy và cần được loại bỏ.
Trong ví dụ dưới đây, dù TC1 có hệ số tải 0.799 (lớn hơn 0.5) và chỉ tải lên 1 nhân tố. Tuy nhiên, việc biến quan sát này chỉ nằm riêng lẻ tại 1 nhân tố duy nhất thì vẫn cần được loại bỏ.
3. Quy tắc loại biến xấu EFA
Trên thực tế, bạn có thể loại biến xấu EFA theo nhiều cách khác nhau. Tuy nhiên, duới đây là 2 quy tắc loại biến xấu chính mà bạn có thể thực hiện.
3.1. Loại cùng lúc nhiều biến xấu
Bước 1: Chạy EFA và xem bảng ma trận xoay.
Bước 2: Loại tất cả các biến xấu trong bảng ma trận xoay thuộc 3 trường hợp mà Marketing Du Ký đã đề cập.
Bước 3: Chạy lại EFA và tiếp tục loại các biến xấu mới (nếu có) đến khi không còn biến xấu
Với phương pháp này, lợi thế là bạn có thể tiết kiệm khá nhiều thời gian và công sức loại biến. Tuy nhiên, nhược điểm lớn nhất là bạn có thể vô tình loại đi các biến vẫn còn ý nghĩa trong mô hình nghiên cứu.
3.2. Loại mỗi lần 1 biến xấu
Bước 1: Chạy EFA và xem bảng ma trận xoay.
Bước 2: Phân loại các biến xấu hiện có lần lượt theo trường hợp 1,2,3 mà Marketing Du Ký đã đề cập.
Bước 3: Loại mỗi lần 1 biến xấu theo thứ tự của từng trường hợp 1,2,3 (khi không còn biến xấu loại 1 thì mới lần lượt chuyển sang loại 2 và 3).
Bước 4: Chạy lại EFA sau mỗi lần loại biến xấu đến khi nào bảng ma trận xoay không còn biến xấu.
Tuy phương pháp loại biến này cần nhiều thời gian hơn để thực hiện nhưng bù lại thì số biến được giữ lại trong mô hình nghiên cứu sẽ được tối ưu hơn so với việc loại cùng lúc nhiều biến xấu
Do đó, Marketing Du Ký vẫn luôn khuyến nghị rằng bạn vẫn nên loại mỗi lần 1 biến xấu để tránh tình trạng loại nhầm biến.
Trên đây là toàn bộ các quy tắc loại biến xấu khi phân tích nhân tố khám phá EFA. Marketing Du Ký mong rằng bạn sẽ biết cách vận dụng những nguyên tắc này vào quá trình phân tích dữ liệu với phần mềm SPSS.
