Phân tích EFA (Exploratory Factor Analysis, phân tích nhân tố khám phá) giúp kiểm tra các biến quan sát có hội tụ thành những nhân tố như lý thuyết dự kiến hay không. Trên SPSS, quy trình gồm năm bước: kiểm tra điều kiện, chọn phép trích và phép xoay, đọc KMO cùng Bartlett, đánh giá phương sai trích và ma trận xoay, rồi trình bày kết quả.
Bài viết giải thích ý nghĩa từng tùy chọn trong hộp thoại Factor, ngưỡng tham khảo kèm nguồn và cách diễn giải cấu trúc nhân tố trong bối cảnh đề tài. Bạn cũng sẽ biết vì sao không nên loại biến liên tục chỉ để ma trận trông gọn hơn.
Tóm tắt nhanh: chạy EFA sau khi dữ liệu đã sạch và thang đo đã qua kiểm tra độ tin cậy.
Bốn chỉ số cần đọc là KMO, kiểm định Bartlett, tổng phương sai trích và hệ số tải trong ma trận xoay.
Cấu trúc nhân tố cuối cùng phải giải thích được bằng lý thuyết, không chỉ bằng con số.
Phân tích EFA dùng khi nào?
EFA phù hợp khi bạn muốn rút gọn nhiều biến quan sát thành một số nhân tố, hoặc khi thang đo được điều chỉnh, dịch thuật hay áp dụng vào bối cảnh mới. Trong nhiều luận văn ứng dụng, phân tích EFA đóng vai trò kiểm tra giá trị hội tụ và phân biệt sơ bộ trước khi chạy hồi quy. Nếu mô hình đã có cấu trúc lý thuyết vững chắc, phân tích nhân tố khẳng định như CFA bằng AMOS sẽ là bước kiểm chứng chặt chẽ hơn.
Điều kiện trước khi phân tích EFA
Cỡ mẫu và tỷ lệ quan sát trên biến
Hair và cộng sự (Multivariate Data Analysis) khuyến nghị cỡ mẫu tối thiểu khoảng 50, tốt hơn từ 100 trở lên, với tỷ lệ ít nhất năm quan sát cho mỗi biến đưa vào phân tích. Tỷ lệ mười trên một được xem là an toàn hơn. Ví dụ minh họa, mô hình có 25 biến quan sát cần ít nhất 125 phiếu hợp lệ theo tỷ lệ năm trên một.
Dữ liệu và thang đo đã sẵn sàng
Các biến cần ở dạng định lượng hoặc Likert, đã đảo chiều câu phủ định và xử lý giá trị thiếu. Thang đo nên được kiểm tra trước bằng Cronbach’s Alpha, theo hướng dẫn trong bài đánh giá Cronbach’s Alpha bằng SPSS. Biến phụ thuộc và biến độc lập thường được chạy EFA riêng để không làm nhiễu cấu trúc.
Thực hiện trên SPSS và đọc đầu ra
Các thao tác chính trong hộp thoại Factor:
- Vào Analyze > Dimension Reduction > Factor, đưa các biến quan sát vào ô Variables.
- Bấm Descriptives, tích KMO and Bartlett’s test of sphericity.
- Bấm Extraction, chọn Principal axis factoring hoặc Principal components, giữ tiêu chí Eigenvalues greater than 1.
- Bấm Rotation, chọn Promax khi các nhân tố được kỳ vọng tương quan, hoặc Varimax khi giả định chúng độc lập.
- Bấm Options, tích Sorted by size và Suppress small coefficients với giá trị 0,3 để ma trận dễ đọc.
Principal components là cách giảm chiều dữ liệu, còn Principal axis factoring gần với mô hình nhân tố chung hơn. Lựa chọn nào cũng cần được nêu rõ trong chương phương pháp. Mô tả chi tiết từng tùy chọn có trong tài liệu IBM SPSS Statistics.
KMO và kiểm định Bartlett
Hệ số KMO (Kaiser-Meyer-Olkin) đánh giá mức độ phù hợp của dữ liệu cho phân tích nhân tố. Kaiser (1974) xem KMO từ 0,5 là mức tối thiểu, từ 0,8 là tốt. Kiểm định Bartlett có Sig. nhỏ hơn 0,05 cho thấy ma trận tương quan khác ma trận đơn vị, tức các biến có tương quan đủ để gom nhóm.
Tổng phương sai trích và Eigenvalue
Bảng Total Variance Explained cho biết số nhân tố được giữ lại theo tiêu chí Eigenvalue lớn hơn 1. Cột Cumulative % ở phần Extraction hoặc Rotation Sums of Squared Loadings là tổng phương sai trích. Nhiều tài liệu khoa học xã hội chấp nhận mức từ 50% trở lên; hãy đối chiếu với lĩnh vực và yêu cầu của người hướng dẫn.
Ma trận xoay nhân tố
Với Varimax, đọc bảng Rotated Component Matrix hoặc Rotated Factor Matrix. Với Promax, đọc bảng Pattern Matrix để xem hệ số tải và bảng Factor Correlation Matrix để xem tương quan giữa các nhân tố. Mỗi biến nên tải mạnh lên đúng một nhân tố, và các biến cùng thang đo nên nằm chung một cột.
Hệ số tải và biến tải chéo
Hair và cộng sự gợi ý hệ số tải từ 0,5 trở lên có ý nghĩa thực tiễn tốt, ngưỡng tối thiểu phụ thuộc cỡ mẫu. Biến tải chéo là biến có hệ số tải đáng kể trên hai nhân tố; nhiều nghiên cứu xem xét chênh lệch hệ số tải dưới 0,3 là dấu hiệu cần cân nhắc. Hãy xử lý từng biến một và chạy lại sau mỗi thay đổi.
Bảng sau tóm tắt các chỉ số chính, ngưỡng tham khảo và nguồn thường được trích dẫn.
| Chỉ số | Ngưỡng tham khảo | Nguồn thường trích dẫn |
|---|---|---|
| KMO | Từ 0,5; từ 0,8 là tốt | Kaiser (1974) |
| Kiểm định Bartlett | Sig. nhỏ hơn 0,05 | Bartlett (1954) |
| Eigenvalue | Lớn hơn 1 | Tiêu chí Kaiser |
| Tổng phương sai trích | Từ 50% | Thường dùng trong khoa học xã hội |
| Hệ số tải nhân tố | Từ 0,5 | Hair và cộng sự |
Đánh giá cấu trúc nhân tố
Con số đạt ngưỡng mới là một nửa công việc. Hãy đặt ma trận xoay cạnh bảng hỏi gốc và trả lời ba câu hỏi: số nhân tố có khớp mô hình không, các biến có nằm đúng nhóm không, và nhóm nào bị trộn thì có lý giải được bằng lý thuyết không. Nếu hai thang đo gộp thành một nhân tố, có thể người trả lời không phân biệt được hai khái niệm đó.
Khi nhân tố mới xuất hiện, bạn cần đặt tên phản ánh nội dung chung của các biến và giải thích trong phần thảo luận. Mọi thay đổi so với mô hình ban đầu đều phải được báo cáo, kèm việc chạy lại Cronbach’s Alpha cho các nhân tố sau điều chỉnh.
Kinh nghiệm từ Luận Văn 360: khi rà soát kết quả phân tích EFA, chúng tôi hay gặp tình trạng loại liên tiếp năm, sáu biến chỉ để ma trận “sạch”.
Kết quả là thang đo còn lại rất ít câu và mất nội dung. Cách làm thận trọng hơn là ưu tiên giữ biến có ý nghĩa lý thuyết, ghi rõ các biến đã loại và lý do, rồi bàn về hạn chế của thang đo.
Nếu bạn cần người cùng xem lại cấu trúc nhân tố và cách diễn giải, dịch vụ phân tích dữ liệu bằng SPSS của Luận Văn 360 có thể đưa ra góp ý theo từng bảng output. Quyết định cuối cùng về mô hình vẫn thuộc về bạn và người hướng dẫn.
Trình bày kết quả phân tích EFA trong luận văn
Phần trình bày nên gồm một đoạn tóm tắt điều kiện và một bảng ma trận xoay rút gọn. Bảng chỉ cần tên biến, hệ số tải theo từng nhân tố, Eigenvalue và phương sai trích ở cuối bảng. Không cần chép nguyên các bảng Communalities hay Initial Eigenvalues nếu người hướng dẫn không yêu cầu.
Mẫu câu tham khảo, ví dụ minh họa: “Kết quả phân tích EFA với phép trích Principal axis factoring và phép xoay Promax cho hệ số KMO bằng 0,86, kiểm định Bartlett có ý nghĩa (p < 0,001). Năm nhân tố được trích với tổng phương sai trích 63,4%, các hệ số tải đều từ 0,55 trở lên.” Hãy thay số liệu thật của bạn.
Lỗi thường gặp khi phân tích EFA
- Đưa cả biến phụ thuộc vào cùng một lần chạy làm cấu trúc nhân tố khó diễn giải.
- Chọn Varimax theo thói quen dù lý thuyết cho thấy các khái niệm tương quan với nhau.
- Đọc nhầm bảng: với Promax, bảng cần đọc là Pattern Matrix chứ không phải Structure Matrix.
- Không chạy lại sau khi loại biến, khiến số liệu báo cáo không khớp với lần phân tích cuối.
Ma trận xoay không hội tụ thì sao?
Khi SPSS báo rotation failed to converge, bạn có thể tăng Maximum Iterations for Convergence trong mục Rotation. Nếu vẫn không hội tụ, đó là dấu hiệu dữ liệu hoặc số nhân tố chưa phù hợp, cần xem lại thay vì ép kết quả.
Số nhân tố trích ra khác mô hình đề xuất
Đừng vội ép SPSS trích đúng số nhân tố bằng tùy chọn Fixed number of factors. Hãy xem biến nào gây khác biệt, đối chiếu nội dung câu hỏi và thảo luận với người hướng dẫn trước khi quyết định.
Kết luận
Phân tích EFA trên SPSS đòi hỏi nhiều hơn việc đọc KMO và phương sai trích. Bạn cần chọn phép trích, phép xoay có lý do, đọc đúng ma trận, xử lý từng biến một và luôn đối chiếu với lý thuyết. Báo cáo đầy đủ các thay đổi giúp kết quả minh bạch và thuyết phục.
Sau khi có cấu trúc nhân tố, bạn có thể đọc bài chọn T-test, ANOVA hay Chi-square trong SPSS để lên kế hoạch kiểm định giả thuyết. Khi cần một lượt góp ý độc lập, hãy tìm hiểu dịch vụ hỗ trợ phân tích SPSS của Luận Văn 360.
