Giới thiệu phương pháp phân tích nhân tố khám phá EFA

5
/
5
(
4
bầu chọn
)

Phân tích nhân tố khám phá EFA là gì? Lấy hệ số tải Factor Loading bao nhiêu mới là đúng? Cách tạo nhân tố và biến đại diện trong SPSS như thế nào? Tất cả những thắc mắc này của bạn sẽ được Luận Văn Việt chuyên dịch vụ SPSS uy tín sẽ giải đáp trong bài viết này.

Giới thiệu chiêu thức phân tích nhân tố khám phá EFA

1. Khái niệm

Phân tích nhân tố khám phá EFA là một giải pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát nhờ vào lẫn nhau thành một tập biến ( gọi là những nhân tố ) ít hơn để chúng có ý nghĩa hơn nhưng vẫn tiềm ẩn hầu hết nội dung thông tin của tập biến bắt đầu ( Hair và ctg, 1998 )
Như vậy, hoàn toàn có thể hiểu phân tích nhân tố là tên chung của một nhóm những thủ tục được sử dụng hầu hết để thu nhỏ và tóm tắt những tài liệu. Trong nghiên cứu và điều tra, ta hoàn toàn có thể tích lũy được một số lượng biến khá lớn và hầu hết những biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà tất cả chúng ta hoàn toàn có thể sử dụng được. Các biến quan sát đưa vào EFA sẽ được rút gọn thành một số ít nhân tố. Mỗi nhân tố gồm có một số ít biến quan sát thỏa mãn nhu cầu những điều kiện kèm theo thống kê .
Người phân tích sẽ xem những biến quan sát trong mỗi nhân tố là những biến nào, có ý nghĩa là gì, và cũng cần dựa trên triết lý … từ đó đặt tên cho nhân tố. Tên này cần đại diện thay mặt được cho những biến quan sát của nhân tố. EFA thường được sử dụng nhiều trong những nghành quản trị, kinh tế tài chính, tâm ý, xã hội học, … khi đã có được quy mô khái niệm ( Conceptual Framework ) từ những triết lý hay những điều tra và nghiên cứu trước .
Trong những nghiên cứu và điều tra về kinh tế tài chính, người ta thường sử dụng thang đo scale ) chỉ mục gồm có rất nhiều câu hỏi ( biến đo lường và thống kê ) nhằm mục đích giám sát những khái niệm trong quy mô khái niệm, và EFA sẽ góp thêm phần rút gọn một tập gồm rất nhiều biến đo lường và thống kê thành 1 số ít nhân tố. Khi có được 1 số ít ít những nhân tố, nếu tất cả chúng ta sử dụng những nhân tố này với tư cách là những biến độc lập trong hàm hồi quy bội thì khi đó, quy mô sẽ giảm năng lực vi phạm hiện tượng kỳ lạ đa cộng tuyến .
Ngoài ra, những nhân tố được rút ra sau khi triển khai EFA sẽ hoàn toàn có thể được triển khai trong phân tích hồi quy đa biến ( Multivariate Regression Analysis )
Trong EFA, mỗi biến thống kê giám sát được trình diễn như thể một tổng hợp tuyến tính của những nhân tố cơ bản, còn lượng biến thiên của mỗi biến đo lường và thống kê được lý giải bởi những nhân tố chung ( common factor ). Biến thiên chung của những biến đo lường và thống kê được diễn đạt bằng một số ít ít những nhân tố chung cộng với một số ít nhân tố đặc trưng ( unique factor ) cho mỗi biến. Nếu những biến giám sát được chuẩn hóa thì quy mô nhân tố được bộc lộ bằng phương trình : Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 +. .. + Aim * Fm + Vi * Ui
Trong đó ,
Xi : biến thống kê giám sát thứ i đã được chuẩn hóa
Aij : thông số hồi quy bội đã được chuẩn hóa của nhân tố j so với biến i
F1, F2 ,. .., Fm : những nhân tố chung
Vi : thông số hồi quy chuẩn hóa của nhân tố đặc trưng i so với biến i
Ui : nhân tố đặc trưng của biến i
Các nhân tố đặc trưng có đối sánh tương quan với nhau và đối sánh tương quan với những nhân tố chung ; mà bản thân những nhân tố chung cũng hoàn toàn có thể được diễn đạt như những tổng hợp tuyến tính của những biến đo lường và thống kê, điều này được bộc lộ trải qua quy mô sau đây :
Fi = Wi1 * X1 + Wi2 * X2 + Wi3 * X3 +. .. + Wik * Xk
Trong đó :
Fi : ước đạt trị số của nhân tố i
Wi : quyền số hay trọng số nhân tố ( weight or factor scores coefficient )
k : số biến
Một tiêu chuẩn quan trọng trong EFA là :

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

Về mặt ứng dụng, EFA được vận dụng so với những khái niệm không hề giám sát trực tiếp. Ví dụ như sự hài lòng của người mua, niềm hạnh phúc của người Nước Ta. EFA được thực thi bằng cách gom nhiều biến lại với nhau để tạo thành những nhân tố quan trọng mà tất cả chúng ta hoàn toàn có thể lý giải được .

2. Nhân tố Factor là gì? Lấy hệ số tải nhân tố Factor Loading bao nhiêu là đúng?

2.1. Nhân tố Factor là gì?

Ý tưởng chính của EFA là các biến có thể quan sát được có một số đặc điểm chung nào đó mà chúng ta lại không thể quan sát trực tiếp. Ví dụ: Nhiều người khi được hỏi các câu hỏi về thu nhập, giáo dục, nghề nghiệp đều có cách trả lời khá giống nhau vì họ có đặc điểm chung về địa vị kinh tế xã hội. Địa vị kinh tế xã hội chính là nhân tố chi phối thu nhập, giáo dục và nghề nghiệp của họ.

Hệ số tải nhân tố càng cao, nghĩa là đối sánh tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại .
Trong phân tích nhân tố khám phá, mỗi nhân tố có tính năng giống như một biến, nó giám sát phương sai toàn diện và tổng thể của những biến quan sát được và tất cả chúng ta thường hay liệt kê theo thứ tự năng lực lý giải của nhân tố đó .

2.2. Lấy hệ số tải nhân tố Factor Loading bao nhiêu là đúng?

Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì:

• Factor Loading ở mức ± 0.7 : Biến quan sát có ý nghĩa thống kê rất tốt .

• Factor Loading ở mức ± 0.5: Biến quan sát có ý nghĩa thống kê tốt.

  Xem thêm: Điều Trị Hôi Miệng Dứt Điểm Tại Nhà

• Factor Loading ở mức ± 0.3 : Điều kiện tối thiểu để biến quan sát được giữ lại .

Tuy nhiên, giá trị tiêu chuẩn của hệ số tải Factor Loading cần phải phụ thuộc vào kích thước mẫu. Với từng khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát có ý nghĩa thống kê là hoàn toàn khác nhau. Cụ thể, chúng ta sẽ xem bảng dưới đây:

Ảnh 1 – Ví dụ đơn cử

Trên thực tế áp dụng, việc nhớ từng mức hệ số tải với từng khoảng kích thước mẫu là khá khó khăn, do vậy người ta thường lấy hệ số tải 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350; lấy tiêu chuẩn hệ số tải là 0.3 với cỡ mẫu từ 350 trở lên.

Ảnh 2 – Hệ số tải Factor Loading
Khi triển khai thực thi những tùy chỉnh khi phân tích EFA, tại tùy chọn Options, những bạn tích vào 2 mục :

* Sorted by size: để sắp xếp thứ tự lớn nhỏ hệ số tải trong một nhóm dễ nhìn hơn.

* Suppress absolute values less than: nhập vào giá trị hệ số tải dựa trên cỡ mẫu. Đây là yêu cầu thực hiện lọc các hệ số tải lớn hơn 0.5. Những giá trị nhỏ hơn 0.5 sẽ không hiển thị trên ma trận xoay

Ma trận xoay dưới đây nằm trong bài nghiên cứu và điều tra có cỡ mẫu 220, nên mình lấy tiêu chuẩn thông số tải là 0.5. Tại ma trận xoay, những biến quan sát có thông số tải nhỏ hơn 0.5 và những biến quan sát tải lên 2 nhóm nhân tố sẽ bị vô hiệu .
Ảnh 3 – Ma trận xoay
Các biến B5, B7, B6 bị loại do không bảo vệ thông số tải từ 0.5 trở lên. Biến A7 bị loại bởi không bảo vệ tính phân biệt trong EFA

Lưu ý, nếu 1 biến tải lên cả 2 nhân tố và đều đảm bảo trên mức hệ số tải tiêu chuẩn, các bạn cần xem xét rằng 2 giá trị hệ số tải ở 2 nhóm nhân tố có chênh nhau từ 0.3 trở lên hay không. Nếu chênh lệch là lớn hơn hoặc bằng 0.3 thì biến đó không bị loại và sẽ được xếp vào nhóm có hệ số tải cao hơn. Nếu chênh lệch nhỏ hơn 0.3 thì biến đó bị loại, điển hình là biến A7 ở hình trên. (Nguồn: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, Trang 420)

Trên đây Luận văn Việt đã hướng dẫn bạn cách loại biến khi phân tích nhân tố khám phá EFA dựa trên thông số tải Factor Loading

3. Hướng dẫn tạo nhân tố và biến đại diện trong SPSS

Sau khi thực hiện xong phân tích nhân tố khám phá, để tiến hành phân tích tương quan Pearson và xa hơn nữa là hồi quy, bạn cần tạo các biến đại diện từ kết quả xoay nhân tố cuối cùng.

Bước thực hiện phân tích nhân tố khám phá, khi kết quả phân tích cuối cùng chấm dứt. Các biến quan sát được sắp xếp theo các nhóm nhân tố mới theo 2 tiêu chí: hội tụ và phân biệt. Dưới đây là một ví dụ về ma trận xoay nhân tố hoàn chỉnh:

Ảnh 4 – Ma trận xoay nhân tố

Kết quả xoay nhân tố lần cuối chúng ta có được 6 nhân tố mới. Mỗi nhân tố sẽ gồm các biến đại diện nằm chung trên 1 cột. Để tiến hành đánh giá tương quan Pearson và hồi quy, chúng ta sẽ phải tạo các biến đại diện trung bình thông qua lệnh Mean trong Compute Variable.

Ở đây, giả sử bạn tạo lần lượt những biến đại diện thay mặt là :

X1 = Mean (TN3, TN2, TN1, TN5, TN4)

X2 = Mean (LD2, LD5, LD4, LD3)

…..

X6 = Mean (DN3, DN4, DN2)

Thực hiện trên SPSS, bạn vào thẻ Transform > Compute Variable:

Ảnh 5 – Tạo nhân tố đại diện thay mặt

Giao diện cửa sổ mới hiện ra như hình dưới. Ở ô Target Variable, các bạn sẽ gõ tên biến đại diện mới (X1, X2, X3….). Mục Type & Label để các bạn điền vào chú thích cho biến, vai trò của nó giống như Lable khi các bạn tạo biến trong cửa sổ giao diện Variable View. Ví dụ biến X1 là đại diện cho nhóm biến quan sát: TN3, TN2….TN4, bạn chú thích biến này là biến Thu nhập thì sẽ gõ vào mục Type & Label.

Ở ô Numeric Expression các bạn gõ vào cấu trúc hàm: MEAN(TN3,TN2,TN1,TN5,TN4). Nghĩa là tạo biến đại diện X1 là trung bình của các biến quan sát TN3, TN2, TN1, TN5, TN4.

Ảnh 6 – Gõ cấu trúc hàm vào bảng

Sau khi tạo xong, các bạn vào lại giao diện Data View bạn sẽ thấy được các biến đại diện vừa mới được tạo ra bên cạnh các biến quan sát ban đầu:

Ảnh 7 – Bảng hiệu quả

Như vậy là bạn đã tạo xong các biến đại diện sau khi phân tích EFA để sử dụng các biến này vào phân tích tương quan Pearson và hồi quy về sau.

Nếu bạn gặp khó khăn trong phân tích nhân tố khám phá EFA, bạn có thể tham khảo dịch vụ xử lý số liệu SPSS của Luận văn Việt. Với kinh nghiệm hơn 10 năm hoạt động trong lĩnh vực này, chúng tôi chắc chắn mang đến chất lượng dịch vụ cũng như giá cả phải chăng nhất cho bạn.

0/5
( 0 Reviews )

Hiện tại tôi đang đảm nhiệm vị trí Content Leader tại Luận Văn Việt. Tất cả những nội dung đăng tải trên website của Luận Văn Việt đều được tôi kiểm duyệt và lên kế hoạch nội dung. Tôi rất yêu quý việc viết lách ngay từ khi còn ngồi trên ghế nhà trường. Và đến nay thì tôi đã có hơn 5 năm kinh nghiệm tay nghề viết bài .
Hy vọng hoàn toàn có thể mang đến cho bạn đọc thật nhiều thông tin có ích về toàn bộ những chuyên ngành, giúp bạn hoàn thành xong bài luận văn của mình một cách tốt nhất !

Source: http://wp.ftn61.com
Category: Tin Tức