Xử lý nhân tố khám phá – Phân tích EFA (Exploratory Factor Analysis) trên phần mềm SPSS, đây là một mô hình định lượng mạnh mẽ trong việc ước lượng quản trị cho nhiều ngành nghề, nhằm đánh giá những chỉ tiêu mà không được lượng hoá (biến liên tục) một cách khoa học và là nghiên cứu định lượng. Show Exploratory Factor Analysis Phân tích EFA là gì ?Trong thống kê đa biến , phân tích nhân tố khám phá ( EFA ) là một phương pháp thống kê được sử dụng để khám phá cấu trúc cơ bản của một tập hợp các biến tương đối lớn . EFA là một kỹ thuật trong phân tích nhân tố có mục tiêu bao quát là xác định các mối quan hệ cơ bản giữa các biến được đo lường. Nó thường được các nhà nghiên cứu sử dụng khi phát triển thang đo ( thang đo là tập hợp các câu hỏi được sử dụng để đo lường một chủ đề nghiên cứu cụ thể) và dùng để xác định một tập hợp các cấu trúc tiềm ẩn bên dưới một loạt các biến được đo lường. Nó nên được sử dụng khi nhà nghiên cứu không có tiên nghiệm giả thuyết về các yếu tố hoặc mô hình của các biến đo lường. Các biến đo lường là bất kỳ một trong số các thuộc tính của con người có thể được quan sát và đo lường. Ví dụ về các biến đo lường có thể là chiều cao thể chất, cân nặng và nhịp tim của một con người. Thông thường, các nhà nghiên cứu sẽ có một số lượng lớn các biến được đo lường, được giả định là có liên quan đến một số lượng nhỏ hơn các yếu tố “không được quan sát”. Các nhà nghiên cứu phải xem xét cẩn thận số lượng các biến được đo lường để đưa vào phân tích. Các thủ tục EFA chính xác hơn khi mỗi nhân tố được đại diện bởi nhiều biến đo lường trong phân tích. Đặc điểm của phân tích nhân tố khám pháEFA dựa trên mô hình nhân tố chung. Trong mô hình này, các biến biểu hiện được biểu thị dưới dạng một hàm của các yếu tố chung, yếu tố duy nhất và sai số đo lường. Mỗi nhân tố duy nhất chỉ ảnh hưởng đến một biến biểu hiện và không giải thích mối tương quan giữa các biến biểu hiện. Các yếu tố chung ảnh hưởng đến nhiều hơn một biến biểu hiện và “tải nhân tố” là các thước đo mức độ ảnh hưởng của một yếu tố chung đến một biến biểu hiện. Đối với thủ tục EFA, chúng tôi quan tâm nhiều hơn đến việc xác định các yếu tố chung và các biến biểu hiện liên quan. EFA giả định rằng bất kỳ chỉ số / biến đo lường nào có thể được kết hợp với bất kỳ yếu tố nào. Khi phát triển thang đo, các nhà nghiên cứu nên sử dụng EFA trước trước khi chuyển sang phân tích nhân tố khẳng định (CFA). EFA là điều cần thiết để xác định các yếu tố / cấu trúc cơ bản cho một tập hợp các biến được đo lường; trong khi CFA cho phép nhà nghiên cứu kiểm tra giả thuyết rằng tồn tại mối quan hệ giữa các biến quan sát và (các) yếu tố / cấu trúc tiềm ẩn cơ bản của chúng. EFA yêu cầu nhà nghiên cứu đưa ra một số quyết định quan trọng về cách tiến hành phân tích vì không có một phương pháp nào được thiết lập sẵn. Xử lý EFA trên SPSSMô hình EFA này các bạn dễ dàng chạy định lượng trên các phần mềm thống dụng như: SPSS, Minitab, NCSS, Stata, R … Các bạn thông thuộc phần mềm nào thì sử dụng phần mềm đó; Riêng tôi, thì tôi vẫn thích nhất là chạy phân tích EFA trên Stata vì nó mạnh mẽ, nhưng rất nhiều bạn vấn ” quen thuộc” với SPSS nên trong bài hướng dẫn xử lý nhân tố khám phá này chúng tôi sẽ hướng dẫn trên phần mềm SPSS Bước 1: Kiểm tra chất lượng thang đoChúng tôi đã có bài viết chi tiết về kiểm tra chất lượng thang đo, bằng độ tin cậy Cronback’s Alpha; Các bạn chưa rõ thì xem bài viết về Độ tin cậy Cronback’s Alpha để rõ. Bước 2: Chạy phân tích nhân tố cho thang đo độc lậpCâu hỏi nghuiên cứu: Chúng tôi muốn đánh giá giữ tình cảm (TINHCAM) và Vật chất ( VATCHAT) thì yếu tố nào tác động mạnh mẽ đến ý định kết hôn (KETHON). Để trả lời câu hồi trên thì phân tích nhân tố khám phá là một trong những cách hiệu quả nhất. Analyze > Dimension Reduction> Factor Lựa chọn Phân tích EFA trên SPSSTóm tắt lại những lựa chọn quan trọng.
Để lựa chọn hệ số Factor Loading bạn căn cứ vào lượng quan sát của mình theo bảng sau: Factor Loading Obs 0.3 350 0.35 250 0.4 200 0.45 150 0.5 120 0.55 100 0.6 85 0.65 70 0.7 60 Chú ý: Nếu lượng quan sát lớn thì bạn chọn Factor Loading lớn hơn chuẩn là OK nha ( không vấn đề gì chỉ tốt hơn thôi) KMO test KMO and Bartlett’s Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .786 Bartlett’s Test of Sphericity Approx. Chi-Square 1183.034 df 36 Sig. .000
Hệ số KMO bạn tra bảng này: KMO Mức độ > 0.9 Kỳ diệu > 0.8 Đáng khen > 0.7 Trung bình > 0.6 Tầm thường > 0.5 Quá tệ < 0.5 Không chấp nhận Trong các nghiên cứu trong nước chỉ cần KMO > 0.5 thì OK, nếu còn làm các công bố quốc tế bạn nên có KMO >0.7 Tổng phương sai trích Total Variance Explained Component Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % 1 2.943 32.698 32.698 2.541 28.233 28.233 2 1.760 19.557 52.255 2.162 24.021 52.255 Extraction Method: Principal Component Analysis. Phân tích EFA đòi hỏi tổng phương sai trích > 50%; Điều này chứng tỏ các biến con giải thích được 52.25% nội dung của thang đo. Ma trận xoay Rotated Component Matrixa Component 1 2 VATCHAT1 .773 VATCHAT2 .705 VATCHAT3 VATCHAT6 .732 VATCHAT7 .744 TINHCAM1 .765 TINHCAM2 .825 TINHCAM3 .709 TINHCAM4 .599 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
Trong trường hội tụ, các biến con hội tụi về các nhân tố trong hình( thì quá tốt), điều này chứng tỏ rằng, những câu hỏi của chúng ta về thang đo là chính xác. Trong trường không hội tụ, nó sẽ lộn xộn và sẽ tạo ra nhân tố mới, và nhiệm vụ của bạn là phải đặt tên cho nhân tố mới với những câu hỏi con hội tụ đó. Tóm lại, các biến con hội tụ theo thang đó thì quá tốt, còn nếu như không hội tụ thì phải đặt tên thang đo (biến tiềm ẩn) mới đó. Chúng ta chạy tương tự cho thang phụ thuộc. Bước 3: Hồi quy sau phân tích EFAQuá trình phân tích nhân tố có 2 mục địch:
Giờ chúng ta đã đủ dữ liệu và chạy hồi quy tuyến tính OLS thôi, ( Nếu bạn chưa rõ về hồi quy OLS thì bấm vào link trên để xem lại) Sau khi hồi quy bội chúng ta có kết quả sau: Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 2.355E-16 .028 .000 1.000 VATCHAT .659 .029 .659 23.108 .000 TINHCAM .284 .029 .284 9.958 .000 a. Dependent Variable: KETHON Ta viết lại phương trình tổng quát cho dễ hiểu KETHON = 0.66*VATCHAT + 0.28*TINHCAM Từ cột sig ta biến được tất cả biến độc lập điều có ý nghĩa thống kê ( Pvalue < 0.05) , điều này chứng tỏ là biến TÌNH CẢM và VẬT CHẤT điều có tác động đến Ý ĐỊNH KẾT HÔN Trả lời câu hỏi nghiên cứu Sau khi hồi quy thì chúng ta dễ dàng trả lời câu hỏi nghiên cứu
Dịch vụ phân tích EFAChúng tôi cung cấp dịch vụ, khảo sát, phân tích định lượng, hướng dẫn model, viết đọc hiểu output. Nếu bạn gặp những khó khăn này sau đây:
Bạn gặp bất cứ khó khăn nào, bạn đừng ngần ngại hãy liên hệ ngay với chúng tôi để được tư vấn và khắc phục nhanh chóng. |