Phân Tích Nhân Tố Khám Phá (EFA): Hướng Dẫn Chi Tiết và Tối Ưu SEO

Phân tích nhân tố khám phá (EFA) là một kỹ thuật thống kê mạnh mẽ, được sử dụng rộng rãi trong nghiên cứu thị trường, khoa học xã hội và nhiều lĩnh vực khác. EFA giúp các nhà nghiên cứu khám phá và xác định các nhân tố tiềm ẩn chi phối một tập hợp các biến quan sát. Bài viết này sẽ cung cấp một hướng dẫn chi tiết về EFA, các tiêu chí đánh giá và cách thực hiện trên phần mềm SPSS, đồng thời tối ưu hóa cho thị trường Việt Nam.

1. Phân Tích Nhân Tố Khám Phá EFA Là Gì?

Kiểm định Cronbach Alpha đánh giá mức độ liên quan giữa các biến trong cùng một nhóm, cùng một nhân tố. EFA tiến xa hơn bằng cách xem xét mối quan hệ giữa các biến ở tất cả các nhóm (các nhân tố) khác nhau. Mục tiêu chính của EFA là phát hiện ra những biến quan sát “tải” lên nhiều nhân tố (tức là có mối tương quan cao với nhiều nhân tố) hoặc các biến quan sát bị phân loại sai nhân tố so với giả thuyết ban đầu.

2. Các Tiêu Chí Quan Trọng Trong Phân Tích EFA

Minh họa các bước thực hiện phân tích EFA trong SPSSMinh họa các bước thực hiện phân tích EFA trong SPSS

Khi thực hiện EFA, bạn cần đưa các biến quan sát của các biến độc lập vào mục “Variables” trong phần mềm SPSS. Lưu ý rằng, nếu có bất kỳ biến quan sát nào đã bị loại ở bước kiểm định Cronbach Alpha trước đó, bạn sẽ không đưa chúng vào phân tích EFA. Dưới đây là các tùy chọn quan trọng cần chú ý:

Giao diện nhập biến và lựa chọn các tùy chọn thống kê trong EFAGiao diện nhập biến và lựa chọn các tùy chọn thống kê trong EFA

  • Descriptives: Tích vào mục “KMO and Bartlett’s test of sphericity” để xuất bảng giá trị KMO (Kaiser-Meyer-Olkin) và giá trị sig (mức ý nghĩa) của kiểm định Bartlett. KMO đánh giá sự phù hợp của dữ liệu để phân tích nhân tố (giá trị KMO nên lớn hơn 0.5), còn kiểm định Bartlett đánh giá giả thuyết rằng ma trận tương quan là một ma trận đơn vị (chúng ta muốn bác bỏ giả thuyết này, tức là giá trị sig phải nhỏ hơn 0.05).

Lựa chọn phép trích PCA để phân tích nhân tốLựa chọn phép trích PCA để phân tích nhân tố

  • Extraction:
    • Phương pháp trích (Method): Thông thường, chúng ta sử dụng phép trích PCA (Principal Components Analysis). PCA là một phương pháp phổ biến giúp giảm số lượng biến và tóm tắt thông tin một cách hiệu quả. Ngoài PCA, bạn cũng có thể sử dụng PAF (Principal Axis Factoring).
    • Số lượng nhân tố (Number of factors): Số lượng nhân tố được trích ra thường được xác định dựa trên tiêu chí eigenvalue lớn hơn 1 (Kaiser’s criterion) hoặc dựa trên Scree plot (biểu đồ cặn).

Lựa chọn phép quay Varimax để tối ưu hóa kết quả phân tíchLựa chọn phép quay Varimax để tối ưu hóa kết quả phân tích

  • Rotation:
    • Phép quay (Method): Phép quay giúp làm rõ cấu trúc nhân tố, giúp các biến quan sát “tải” mạnh lên một nhân tố duy nhất. Hai phép quay phổ biến là Varimax và Promax. Nếu bạn đã xác định được biến độc lập và biến phụ thuộc, phép quay Varimax thường được ưu tiên sử dụng.

Tùy chọn sắp xếp và ẩn hệ số tải nhỏTùy chọn sắp xếp và ẩn hệ số tải nhỏ

  • Options:
    • Sorted by size: Tích vào tùy chọn này để ma trận xoay sắp xếp các biến quan sát theo thứ tự hệ số tải (factor loading) giảm dần trong mỗi nhân tố, giúp bạn dễ dàng đọc và diễn giải kết quả.
    • Suppress small coefficients: Nếu bạn chọn tùy chọn này, các hệ số tải nhỏ hơn một ngưỡng nhất định (ví dụ: 0.4 hoặc 0.5) sẽ không được hiển thị trong ma trận xoay, giúp bạn tập trung vào các biến quan sát quan trọng nhất.

Sau khi thiết lập các tùy chọn, nhấp “OK” để SPSS xuất kết quả.

2.1. Đánh Giá Kết Quả Phân Tích EFA

Có nhiều bảng kết quả trong output của SPSS, nhưng ba bảng quan trọng nhất là:

  • KMO and Bartlett’s Test: Đánh giá tính phù hợp của dữ liệu để phân tích nhân tố.
  • Total Variance Explained: Cho biết tổng phương sai (variance) được giải thích bởi các nhân tố được trích.
  • Rotated Component Matrix: Ma trận hệ số tải sau khi xoay, cho biết mức độ liên quan giữa mỗi biến quan sát và mỗi nhân tố.

Bảng KMO and Bartlett's TestBảng KMO and Bartlett's Test

Bảng Total Variance ExplainedBảng Total Variance Explained

Ví dụ:

Giả sử bạn thực hiện phân tích EFA lần đầu tiên và nhận được kết quả sau:

  • KMO = 0.887 (lớn hơn 0.5, đạt yêu cầu)
  • Sig. Bartlett’s Test = 0.000 (nhỏ hơn 0.05, đạt yêu cầu)
  • Có 6 nhân tố được trích với eigenvalue lớn hơn 1, tổng phương sai tích lũy là 63.109%.

Bạn quyết định sử dụng ngưỡng hệ số tải là 0.5 để chọn ra các biến quan sát chất lượng. Khi xem xét ma trận xoay, bạn thấy có hai biến “xấu” là DN4 và LD5:

  • Biến DN4 tải lên cả hai nhân tố (Component 4 và Component 6) với hệ số tải lần lượt là 0.612 và 0.530, độ chênh lệch giữa hai hệ số tải là 0.082 (nhỏ hơn 0.2, không đạt yêu cầu).
  • Biến LD5 có hệ số tải ở tất cả các nhân tố đều nhỏ hơn 0.5.

Trong trường hợp này, bạn nên loại bỏ DN4 và LD5 và thực hiện phân tích EFA lại với các biến quan sát còn lại.

Kết quả EFA lần 2 sau khi loại bỏ biến không đạt yêu cầuKết quả EFA lần 2 sau khi loại bỏ biến không đạt yêu cầu

Sau khi loại bỏ DN4 và LD5, bạn thực hiện phân tích EFA lần thứ hai và nhận được kết quả:

  • Có 6 nhân tố được trích với eigenvalue lớn hơn 1.
  • Tổng phương sai mà 6 nhân tố này trích được là 63.357% (lớn hơn 50%, đạt yêu cầu).

Ma trận xoay sau khi loại bỏ biến xấuMa trận xoay sau khi loại bỏ biến xấu

Kết quả ma trận xoay cho thấy 26 biến quan sát được phân thành 6 nhân tố, tất cả các biến quan sát đều có hệ số tải nhân tố lớn hơn 0.5 và không còn biến “xấu”. Như vậy, kết quả phân tích EFA này là phù hợp.

2.2. Chạy EFA cho Biến Phụ Thuộc

Thực hiện tương tự như các bước đã hướng dẫn cho biến độc lập. Thay vì đưa các biến quan sát của biến độc lập vào mục “Variables”, bạn sẽ đưa các biến quan sát của biến phụ thuộc vào.

Kết quả output cũng sẽ bao gồm các bảng “KMO and Bartlett’s Test”, “Total Variance Explained”, và “Rotated Component Matrix”. Cách đọc và diễn giải bảng “KMO and Bartlett’s Test” tương tự như khi phân tích biến độc lập.

Bảng “Total Variance Explained” khi chỉ có một nhân tố được trích sẽ hiển thị khác một chút (không có cột “Rotation Sums of Squared Loadings”).

Bảng Total Variance Explained khi chỉ có 1 nhân tốBảng Total Variance Explained khi chỉ có 1 nhân tố

Nếu EFA chỉ trích được một nhân tố duy nhất, bảng “Rotated Component Matrix” sẽ không xuất hiện mà thay vào đó là thông báo: “Only one component was extracted. The solution cannot be rotated” (Chỉ có một nhân tố được trích. Ma trận không thể xoay).

Thông báo khi chỉ trích được 1 nhân tốThông báo khi chỉ trích được 1 nhân tố

Trong trường hợp này, bạn sẽ đọc kết quả từ bảng ma trận chưa xoay “Component Matrix” thay vì bảng ma trận xoay “Rotated Component Matrix”. Việc trích được chỉ một nhân tố là một dấu hiệu tốt, cho thấy thang đo của biến phụ thuộc đảm bảo tính đơn hướng và các biến quan sát có sự hội tụ tốt.

3. Kết Luận

Phân tích nhân tố khám phá (EFA) là một công cụ hữu ích để khám phá cấu trúc tiềm ẩn của dữ liệu. Việc hiểu rõ các tiêu chí đánh giá và quy trình thực hiện EFA trên SPSS là rất quan trọng để đảm bảo tính chính xác và tin cậy của kết quả nghiên cứu. Bằng cách tuân thủ các hướng dẫn và lưu ý trong bài viết này, bạn có thể tự tin thực hiện phân tích EFA và đưa ra những kết luận có giá trị cho nghiên cứu của mình.