Phương pháp phân tích nhân tố khám phá EFA mới nhất 2024

Phân tích nhân tố khám phá EFA là một trong những bước quan trọng khi chạy SPSS. Tuy nhiên còn rất nhiều bạn chưa hiểu rõ về khái niệm cũng như cũng như cách thực hiện. Vì vậy bài viết dưới đây của LUẬN VĂN UY TÍN sẽ giúp bạn giải đáp mọi thắc mắc thông qua bài viết dưới đây. 

Hiện nay, LUẬN VĂN UY TÍN ngoài cung cấp dịch vụ Viết thuê luận văn Thạc sĩ – Đại học thì chúng tôi còn cung cấp thêm dịch vụ Dịch Vụ Viết Thuê Báo Cáo Thực Tập. Nếu bạn chưa chọn được đề tài hoặc gặp khó khăn trong quá trình thực hiện, hãy liên hệ với chúng tôi qua Hotline/Zalo: 0983.018.995 để được hỗ trợ một cách nhanh nhất.

1. Khái niệm về phân tích nhân tố khám phá EFA

Phân tích nhân tố khám phá EFA là một phương pháp phân tích thống kê dùng để tập hợp các biến quan sát có mối liên hệ phụ thuộc lẫn nhau thành một số ít các nhân tố chính. Các nhân tố này vẫn giữ được phần lớn thông tin của tập hợp ban đầu nhưng có ý nghĩa hơn, nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998).

EFA là tên chung cho một nhóm phương pháp giúp giảm thiểu và tóm tắt dữ liệu. Trong quá trình nghiên cứu, có thể thu thập được một số lượng lớn các biến thể và do đó cần rút gọn xuống một số ít biến thể có thể sử dụng được. Thông qua EFA, các lượt sát biến được thu thập lại và chuyển đổi thành một số nhân tố chính. Mỗi nhân tố sẽ bao gồm các sản phẩm cần thiết.

1.1. Đặt tên cho các nhân tố trong EFA

Người phân tích sẽ dựa vào nội dung và ý nghĩa của các biến quan sát trong từng nhân tố để đặt tên phù hợp, đồng thời cũng cần cân nhắc dựa trên lý thuyết và mô hình nghiên cứu. Tên gọi của nhân tố phải có thể hiển thị các thuộc tính của biến đó. EFA thường được áp dụng rộng rãi trong các lĩnh vực như quản trị, kinh tế, tâm lý học và xã hội học, nhất là khi nghiên cứu có sử dụng mô hình khái niệm (Conceptual Framework).

Trong các nghiên cứu về kinh tế, EFA thường được sử dụng để rút gọn các biến đo lường trong thang đo, giúp giảm số lượng biến và tăng hiệu quả phân tích. Khi các nhân tố được xác định rõ ràng, chúng có thể được sử dụng như các biến độc lập trong mô hình khôi phục bội số. Khi đó, mô hình sẽ giảm khả năng vi phạm hiện tượng đa cộng tuyến.

Ngoài ra, các nhân tố sau khi được xác định qua EFA vẫn có thể được sử dụng trong phân tích hồi quy đa biến (Multivariate Regression Analysis).

1.2. Phương pháp EFA

Trong EFA, mỗi biến đo lường được biểu diễn như là một tổ hợp tuyến tính của các nhân tố cơ bản. Lượng biến thiên của các biến này được giải thích thông qua các nhân tố chung (common factor) và một số nhân tố đặc biệt (unique factor) riêng biệt cho mỗi biến. Nếu các phép đo đã được chuẩn hóa, phương pháp nhân tố có thể được viết như sau:

Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Mục tiêu * Fm + Vi * Ui

Trong đó,

• Xi : biến đo lường thứ i đã được chuẩn hóa
• Aij: hệ số hồi quy bội đã được chuẩn hóa của nhân tố j đối với biến i
• F1, F2, . . ., Fm: các nhân tố chung
• Vi: hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i
• Ui: nhân tố đặc trưng của biến i

Các nhân tố đặc trưng có tương quan với nhau và tương quan với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những tổ hợp tuyến tính của các biến đo lường. Điều này được thể hiện thông qua mô hình sau đây:

Fi = Wi1*X1 + Wi2*X2 + Wi3*X3 + . . . + Tuần*Xk

Trong đó:

• Fi: ước lượng trị số của nhân tố i
• Wi: quyền số hay trọng số nhân tố(weight or factor scores coefficient)
• k: số biến

1.3. Tiêu chuẩn quan trọng trong EFA

• Factor loading phải lớn hơn hoặc bằng 0.5
• Tổng phương sai trích phải lớn hơn 60%
• KMO phải lớn hơn 0.5
• Trong quá trình EFA cần thực hiện phép xoay nhân tố (Varimax hoặc Proximax)

Trong thực tế, EFA thường được sử dụng cho những khái niệm không thể đo trực tiếp, Ví dụ như độ hài lòng của khách hàng hay cảm giác Hạnh phúc của người Việt Nam. Phương pháp này giúp nhóm các biến quan sát thành các nhân tố chính, tạo ra các yếu tố quan trọng có thể dễ dàng giải thích và hiểu rõ hơn.

2. Cách phân tích nhân tố khám phá EFA

2.1. Xác định vấn đề

Khi thực hiện phân tích nhân tố khám phá (EFA), mục tiêu chính là giảm bớt dữ liệu. Điều quan trọng là các biến phải được đo theo khoảng đo hoặc tỷ lệ thang đo.

Ở bước này, cần phải xác định kích thước phù hợp của mẫu để thực hiện EFA. Theo nguyên tắc chung, kích thước mẫu nên gấp 4-5 lần số lượng đưa vào phân tích.

2.2. Đánh giá điều kiện thực hiện EFA

Kiểm tra mối quan hệ giữa các biến là bước quan trọng. Nếu các biến có mối tương quan thấp, tính phù hợp của phân tích nhân tố sẽ gây ảnh hưởng nghiêm trọng. Kiểm định Bartlett, nếu kiểm định này có giá trị p > 0.05 thì chứng tỏ ma trận tương quan có ý nghĩa.

2.3. Xác định số lượng nhân tố

Số lượng nhân tố cần trích xuất thường dựa trên ba tiêu chí:

• Giá trị Eigen : Biểu thị lượng phương sai mà một nhân tố giải thích. Chỉ những nhân tố có giá trị riêng lớn hơn 1 mới được giữ lại.
• Biểu đồ sàng lọc : Đồ thị có thể hiển thị giá trị cụ thể của các nhân tố theo  thứ tự trích xuất, giúp xác định số lượng tiềm năng.
• Tiêu chí phần trăm phương pháp sai : Cho biết tỷ lệ sai phương pháp được giải quyết thích hợp theo từng yếu tố. Các yếu tố giải thích hơn 60-70% phương sai nên được giữ lại trong mô hình.

2.4. Xoay nhân tố

Sau khi xác định số lượng các yếu tố, bước tiếp theo là xoay yếu tố. Bảng xoay các yếu tố có cấu trúc đơn giản và dễ dàng giải thích hơn những yếu tố chưa được rút gọn ban đầu.

2.5. Thực hiện phân tích AFA

 Các bước thực hiện phân tích EFA trong SPSS bao gồm:

• Bước 1: Chọn Analyze → Dimension Reduction → Factor

• Bước 2: Chọn các biến cần phân tích và chuyển sang các phần Variables.

• Bước 3: Nhấn chọn phần Descriptives trên cùng, đánh dấu tick như hình. Sau đó nhấn Continue để kết thúc.

• Bước 4: Nhấn chọn phần Rotation, đánh dấu tick. Sau đó nhấn Continue để kết thúc.

• Bước 4: Chọn phần Options, đánh dấu tick. Sau đó nhấn Continue để kết thúc.

• Bước 5: Sau khi hoàn tất, trở về hộp thoại chính và ấn Continue, sau đó click OK để phần mềm SPSS tiến hành phân tích

2.6. Diễn giải và báo cáo kết quả

Kết quả phân tích cho thấy các hệ số tải nhân tố đều lớn hơn 0,50, chứng minh các biến quan sát phù hợp với các khám phá tối ưu được trích xuất. Tuy nhiên, một số biến thể như PR1, RDR1 và RDR2 không thỏa mãn với yêu cầu và đã bị loại khỏi phân tích.

 Cuối cùng, ba yếu tố được xác định phù hợp với lý thuyết nghiên cứu:

• Yếu tố 1 : Bao gồm các biến từ ER1 đến ER7, liên quan đến trách nhiệm đạo đức (ER).
• Yếu tố 2 : Bao gồm các biến từ RDR2 đến RDR6, đại diện cho trách nhiệm nghiên cứu và phát triển (RDR).
• Yếu tố 3 : Bao gồm các biến từ PR2 đến PR6, liên quan đến trách nhiệm từ thiện (PR).

3. Những lưu ý quan trọng khi phân tích nhân tố khám phá EFA

Đảm bảo điều kiện sử dụng EFA :

• Tính tương quan giữa các biến : EFA chỉ phù hợp khi có sự tương quan giữa các biến. Điều này có thể được kiểm tra thông qua hệ thống KMO (Kaiser-Meyer-Olkin) và kiểm tra Bartlett.
• KMO : Giá trị KMO lớn hơn 0,6 được chấp nhận, còn dưới 0,5 là không phù hợp để thực hiện EFA.
• Kiểm tra Bartlett : If Sig value. kiểm tra Bartlett nhỏ hơn 0,05 thì các biến có sự tương quan và thích hợp để tiếp tục EFA.

Lựa chọn phương pháp trích xuất nhân tố :

• Phương pháp trích chọn phổ biến : Phổ biến nhất là phương pháp Bao thanh toán trục chính (PAF) hoặc Phân tích thành phần chính (PCA). PCA thường được sử dụng khi muốn trích xuất số lượng biến nhỏ nhất nhưng vẫn giữ được độ phân giải tối đa của phương pháp thích hợp.
• Số lượng nhân tố : Sử dụng tiêu chuẩn Kaiser (Eigenvalue > 1) hoặc biểu đồ Screeplot để xác định số lượng nhân tố cần trích xuất.

Rotate nhân :

• Xoay nhân tố vuông góc (Trực giao) : Thường sử dụng phương pháp Varimax để các nhân tố độc lập với nhau.
• Xoay nhân tố: Sử dụng Promax hoặc Direct Oblimin nếu bạn kỳ vọng các nhân tố có thể tương quan với nhau.

Biến tiêu chuẩn tiêu thụ trong nhân tố :

• Hệ thống tải nhân tố (Factor Loading) : Các biến có hệ số tải nhân tố > 0,5 được coi là quan trọng. Đôi khi mức 0,3-0,4 cũng được chấp nhận trong nghiên cứu xã hội, nhưng phải có cơ sở hợp lý.
• Loại bỏ biến có tải chéo: Nếu một biến có hệ số tải cao trên nhiều nhân tố (tải chéo), nó cần được loại bỏ vì không hiển thị rõ ràng cho một cụ cụ thể.

Kiểm tra thang đo độ tin cậy :

• Hệ số Cronbach’s Alpha : Sau khi hoàn tất EFA, cần tính Cronbach’s Alpha để kiểm tra độ tin cậy của các thang đo. Giá trị Cronbach’s Alpha từ 0,7 trở lên là đáng tin cậy. Tuy nhiên, trong nghiên cứu xã hội, mức độ 0,6 đôi khi được chấp nhận.

EFA giải quyết kết quả :

• Tỷ lệ phương pháp giải thích sai : Cần xem xét tổng phương sai được giải quyết thích hợp bởi các nhân tố trích ra. Thông thường, tỷ lệ giải thích phương pháp sai > 50% được chấp nhận trong các nghiên cứu xã hội.
• Giải quyết các nhân tố : Dựa trên đặc điểm của các biến có hệ thống tải cao trong mỗi nhân tố để đặt tên và giải mã nội dung của nhân tố đó.

Xem thêm bài viết: Cách chạy cronbach alpha trong SPSS

Trên đây là những hướng dẫn chi tiết từ LUẬN VĂN UY TÍN về Phương pháp phân tích nhân tố khám phá EFA mới nhất 2024. Hy vọng thông tin này sẽ hữu ích cho bạn.

Ngoài ra LUẬN VĂN UY TÍN còn nhận làm các đề tài luận văn, báo cáo, tiểu luận,… Vì vậy, dịch vụ viết thuê Viết thuê luận văn Thạc sĩ – tốt nghiệp của LUẬN VĂN UY TÍN đã trở thành lựa chọn đáng tin cậy của nhiều người. Với kinh nghiệm trong nhiều năm và đội ngũ chuyên gia đầu ngành, chúng tôi cam kết mang đến cho bạn kết quả tốt nhất.

Ngoài ra, bạn có thể liên hệ chúng tôi theo thông tin dưới đây để được tư vấn một cách nhanh nhất.

Thông tin liên hệ: 

Địa chỉ: 422 Đường Quang Trung Hà Đông Hà Nội

Đường dây nóng/Zalo: 0983.018.995

Email: hotrovietbaocao24h@gmail.com

Trang web: www.luanvanuytin.com

Fan page: Luận Văn Uy Tín