EFA là gì?
EFA (Exploratory Factor Analysis) hay còn gọi là phân tích nhân tố khám phá. Như tên gọi, EFA dùng để khám phá xem trong tổng số các biến thì có tổng cộng bao nhiêu nhân tố chính.
Xem thêm: Nhân tố là gì?
Ví dụ, trong một lớp học thì để dễ dàng quản lý, thầy cô chủ nhiệm thường chia thành các tổ, mỗi tổ khoảng 6-10 học sinh. Như vậy từ số học sinh hơn 40 thì sẽ rút gọn lại còn 5-8 tổ.
Tương tự, trong phân tích EFA, SPSS sẽ dựa vào tiêu chí các biến có tương quan với nhau để gom thành một nhóm với mục đích khám phá, xác nhận và so sánh số lượng nhân tố trong mô hình nghiên cứu với dữ liệu thực tế.
EFA quan trọng như thế nào?
Vì thực tế có thể rất khác so với lí thuyết. Mục đích của nghiên cứu là kiểm định lý thuyết từ dữ liệu thực tế. Chính vì thế EFA cho phép chúng ta có cách nhìn tổng quan thực tế. số nhân tố được gộp lại có đúng so với lý thuyết hay không. Nếu không đúng, cần có những điều chỉnh và biện luận thích hợp về sự khác biệt giữa thực tế và lý thuyết.
Mặt khác, EFA còn cho phép chúng ta xác định được nhân tố mới hoặc những nhân tố kết hợp để đưa ra hướng giải quyết phù hợp hơn khi ứng dụng vào thực tế.
Cách biến trong cùng một nhân tố sẽ được tính giá trị trung bình đại điện cho nhân tố đó để thực hiện các phân tích như phân tích tương quan, hồi qui, ANOVA…
Xem thêm: Cách thực hiện kiểm định EFA.
Xem thêm: EFA trước hay Cronbach’s Alpha trước.
Cách thực hiện EFA
Analyze -> Dimemsion Reduction -> Factor
Đưa các biến cần phân tích nhân tố vào sau đó bấm mũi tên số 1 như trong hình. Sau đó chọn Descriptives, tích chọn KMO and Bartlets test of sphericity rồi bấm Continues
Sau đó bấm vào Extraction, kiểm tra xem Method có phải Pricipal components hay không! Sau đó chọn Continues
Sau đó chọn Rotation, trong khung Method chọn Varimax rồi bấm Continues
Sau cùng bấm vào Options,
- Tích chọn Sorted by size
- Tích chọn Suppress small coefficients
- Absolute value below: giá trị 0.3
Bấm Continue, sau đó bấm OK để SPSS tiến hành phân tích EFA
Xem thêm: Nhân tố là gì? Biến là gì?
Xem thêm: Nhân tố phụ thuộc vs nhân tố độc lập
Yêu cầu trong phân tích EFA!
Các biến chỉ được chấp nhận khi trọng số > 0.5 và các trọng số tải của chính nó ở nhân tố khác < 0.3 (Igbaria và đồng sự, 1995) hoặc khoảng cách giữa 2 trọng số tải cùng 1 biến ở 2 nhân tố khác nhau lớn hơn 0.3. Thang đo chỉ được chấp nhận khi tổng phương sai trích (Cumulative %) > 50%
Ví dụ:
Kaiser Meyer Olkin Measure of Sampling Adequacy (KMO) trong hình có giá trị 0.797, giá trị này > 0.5. Ngoài ra, giá trị sig. <0.05. Như vậy, KMO test đạt yêu cầu!
Cumulative % có giá trị 66.669, giá trị này >50%. Như vậy, kết quả bảng này cho thấy có 66.669% dữ liệu được phân thành 5 nhóm chính.
Các giá trị trong ô màu xanh được gọi là Factor loading values. Yêu cầu các giá trị này phải > 0.5. Trường hợp có 2 giá trị trở lên thì xét hiệu của hai giá trị lớn nhất. Nếu hiệu >0.3 thì giữ lại biến, ngược lại loại biến. Trong hình hai biến C2 và D2 có hai giá trị trở lên. Tuy nhiên, xét hiệu của hai giá trị:
- 0.709 - 0.328 = 0.401 > 0.3
- 0.789 - 0.321 = 0.486 > 0.3
Như vậy, hai biến này được giữ lại.
Kết quả phân tích nhân tố cho thấy các biến được chia thành 5 nhóm chính. Tuy nhiên, biến C6 bị nhảy sang nhóm A. Như vậy, nhóm A sẽ bao gồm các biến A1, A2, A3 và C6. Để cho chính xác, chúng ta cần kiểm tra lại độ tin cậy của nhóm A mới, sau đó mới tiến hành khẳng định lại kết quả EFA. Về mặt ý nghĩa, nếu C6 có nội dung không liên quan gì để nhóm A thì chúng ta có thể loại nó đi và giữ nguyên nhóm A ban đầu.
|