Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn(gọi là các nhân tố) để chúng có ý nghĩa hơn. Cùng Luận văn 1080 tìm hiểu thêm trong bài viết sau đây:
+ Giới thiệu về mô hình var, OLS và các kiểm định Hausman trong dữ liệu mảng (Panel Data)
+ Giới thiệu về EVIEWS và cách download, cài đặt phần mềm eview 7, 8, 9, 10
1. Giới thiệu về nhân tố khám phá EFA
1.1. Khái niệm EFA
EFA (Exploratory Factor Analysis) là kỹ thuật dùng để kiểm định hai loại biến quan trọng trong thang đo, đó là các giá trị hội tụ và các giá trị phân biệt.Bạn đang xem: Cách phân tích nhân tố khám phá efa trong spss
1.2. Phân tích EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là phương pháp thống kê đa biến được sử dụng để tìm ra các mối quan hệ giữa các biến và nhóm các biến tương tự nhau thành các nhóm các yếu tố (factors). Phân tích nhân tố khám phá EFA được sử dụng để rút gọn một tập hợp k gồm các biến quan sát thành một tập hợp F (với F Kết quả của phân tích EFA sẽ giúp giảm kích thước của dữ liệu bằng cách tóm tắt các biến liên quan vào các yếu tố, giúp cho việc phân tích và diễn giải dữ liệu trở nên đơn giản hơn. Các yếu tố này thường được coi như các biến ẩn, không được đo lường trực tiếp, nhưng có ảnh hưởng đến các biến quan sát.Trong nghiên cứu: các nhà khoa học thường thu thập số liệu một số lượng biến có cỡ mẫu khá lớn và rất nhiều các biến để quan sát trong đó có quan hệ tương quan lẫn nhau. Ví dụ: Thay vì chúng ta đi nghiên cứu 30 đặc điểm nhỏ của một đối tượng thì chúng ta có thể nghiên cứu 5 đặc điểm lớn, trong số mỗi đặc điểm lớn này bao gồm 4 đặc điểm nhỏ có sự tương thích với nhau.1.2. Khái niệm các nhân tố trong phân tích EFA.
Yếu tố Factor trong EFA là yếu tố có các biến có thể quan sát được từ một số đặc điểm chung nào đó mà chúng ta không thể quan sát được trực tiếp.Ví dụ: Factor này có thể được giải thích bằng các khái niệm lớn hơn, như chất lượng cuộc sống, sự hài lòng về công việc, hoặc năng lực quản lý.Hệ số tải yếu tố Factor càng cao, nghĩa là có sự tương quan giữa các biến quan sát đó với yếu tố càng lớn và ngược lại.Mỗi factor (nhân tố) được xác định bởi một tập hợp các biến quan sát được có mối quan hệ cao với nhau và mối quan hệ thấp với các biến khác trong tập dữ liệu.Chúng thường được đo lường bằng phương sai tổng thể giữa các biến quan sát và được liệt kê theo thứ tự gồm các khả năng giải thích của yếu tố đó.Phương saiPhương sai (Variance) là phép đo lường mức độ chênh lệch giữa các biến giá trị trong một tập dữ liệu. Trong quá trình đầu tư tài chính, phương sai của lợi nhuận các tài sản trong các danh mục đầu tư được dùng như một phương tiện để phân bố tài sản một cách tốt nhất.Trong đầu tư tài chính, phương sai dùng để so sánh sự hiệu quả của các yếu tố trong danh mục đầu tư với nhau và so sánh với các giá trị hiệu suất trung bình.Hệ số tương quan: (Correlation coefficient) là thước đo dùng trong thống kê đo lường mức độ ảnh hưởng mạnh yếu của các mối quan hệ giữa hai biến số. Trong đó:Kết quả > 1.0 hoặc nhỏ hơn -1: có lỗi trong quá trình thực hiện phép đo tương quan..Kết quả Kết quả >0 cho thấy có mối quan hệ đồng điều với nhau hoặc mối quan hệ tương quan dương (đồng biến tuyệt đối thể hiện khi mức giá trị bằng 1)Kết quả = 0 tức là hai biến sẽ độc lập với nhau.Hệ số tương quan có mức từ -1.0 đến 1.0. Cụ thể:2. Mục tiêu và ứng dụng chạy efa trong spss
2.1. Mục tiêu
Hai mục tiêu quan trọng của phân tích nhân tố khám phá EFA là kiểm định:Số lượng các yếu tố ảnh hướng đến một tập dữ liệu của các biến đo lường.Mức độ ảnh hưởng về mối quan hệ giữa mỗi yếu tố với từng biến đo lường.2.2. Ứng dụng
3. Điều kiện để áp dụng EFA
3.1. Mức độ tương quan giữa các biến đo lường
Phân tích EFA dựa trên mối quan hệ giữa các biến đo lường với nhau. Chính vì vậy, trước khi tiến hành sử dụng phân tích EFA, chúng ta cần kiểm tra xem mối quan hệ giữa các biến đo lường này như thế nào. Sử dụng ma trận của hệ số tương quan (correlation matrix), chúng ta có thể xác định được mức độ ảnh hưởng giữa các biến. Nếu như các hệ số tương quan có giá trị nhỏ hơn 0.30, khi đó sử dụng phân tích EFA sẽ không phù hợp (Hair et al. 2009)Bên dưới là một số tiêu chí dùng để đánh giá mối quan hệ giữa các biến:Kiểm định Bartlett:Kiểm định Bartlett dùng để kiểm tra ma trận tương quan có đúng là ma trận đơn vị (identity matrix) hay không?. Ma trận đơn vị ở đây có nghĩa là ma trận có hệ số tương quan giữa các biến bằng 0, và hệ số tương quan với chính nó bằng 1.Nếu như phép kiểm định Bartlett có giá trị p, chúng ta có thể bác bỏ giả thuyết H0 (ma trận tương quan là một ma trận đơn vị), có nghĩa là các biến dữ liệu có mối quan hệ qua lại với nhau.Kiểm định KMO:Kiểm định KMO (Kaiser – Meyer – Olkin) là kiểm định dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng của chúng.Để sử dụng phân tích EFA, thì kiểm định KMO phải có giá trị lớn hơn 0.50 Kaiser (1974)KMO ≥ 0.90: Rất tốt;0.80 ≤ KMO 0.70 ≤ KMO 0.60 ≤ KMO 0.50 ≤ KMO KMO3.2. Kích thước mẫu
Để sử dụng phân tích EFA, chúng ta cần kiểm định kích thước mẫu lớn, nhưng vấn đề kiểm định kích thước mẫu có phù hợp hay không là việc làm vô cùng phức tạp. Các nhà khoa học thường dựa trên kinh nghiệm nhiều năm của mình.Trong phân tích EFA, kích thước mẫu thường được kiểm định dựa vào “kích thước tối thiểu” và “số lượng các biến đo lường được đưa vào phân tích EFA”, bên dưới là một số ý kiến, đề xuất từ các nhà khoa học về phân tích nhân tố EFA, các bạn có thể tìm hiểu:Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), số lượng quan sát các biến (cỡ mẫu) ít nhất phải đạt gấp 4 đến 5 lần số biến trong khi phân tích nhân tố EFA.Hair et al. (2009) cho rằng để sử dụng phân tích EFA, kích thước cỡ mẫu tối thiểu phải là 50, tốt nhất nên là 100. Ông Hair đề xuất, cố gắng tối đa hóa tỷ lệ quan sát trên mỗi biến đo lường là 5:1, có nghĩa là cứ 1 biến đo lường thì cần tối thiểu là 5 quan sát.Stevens (2002, theo Habing 2003) một yếu tố được xác định là đáng tin cậy nếu như yếu tố này có từ 3 biến đo lường trở lên.Việc thực hiện dữ liệu định lượng bằng SPSS khi làm bài luận văn hay làm nghiên cứu khoa học không thể thiếu một bước vô cùng quan trọng đó là phân tích nhân tố khám phá EFA trong SPSS. Bởi vì khi kiểm định một lý thuyết khoa học, bạn cần đánh giá độ tin cậy của thang đo (Cronbach Alpha) và giá trị của thang đo (EFA). Trước tiên hãy cùng tìm hiểu về nhân tố khám phá EFA là gì ?
1. Phân tích nhân tố khám phá EFA là gì? 3. Điều kiện để áp dụng và tiêu chí đánh giá EFA trong SPSS 3.1. Mức độ tương quan giữa các biến đo lường
Mục Options: Tích vào 2 mục như hình bên dưới. Sorted by size giúp sắp xếp ma trận xoay thành từng cột dạng bậc thang để dễ đọc dữ liệu hơn. Suppress small coefficients giúp loại bỏ các hệ số tải không đạt tiêu chuẩn khỏi ma trận xoay, giúp ma trận gọn gàng, trực quan hơn.
Tại mục này sẽ có hàng Absolute value below, bạn cần nhập vào giá trị hệ số tải nhân tố Factor Loading tối thiểu, thường là 0.3 và 0.5. Kích thước mẫu file dữ liệu là 220 nên tác giả sẽ nhập vào 0.5.
Nhấp Continue để quay lại cửa sổ ban đầu.Lưu ý: Có khá nhiều bảng ở Output, nhưng bạn chỉ cần quan tâm 3 bảng dưới đây:
Total Variance Explained: xem tổng phương sai trích Total Variance Explained và giá trị Eigenvalue.KMO and Barlett’s Test: xem hệ số KMO và sig kiểm định Bartlett.Rotated Component Matrix: xem ma trận xoay và kiểm tra hệ số tải Factor Loading của các biến quan sát.Xem thêm: Cẩm nang du lịch đăk lăk 2022 từ a điểm du lịch đăk lăk bạn không thể bỏ lỡ
Bài viết này, baigiangdienbien.edu.vn chia sẻ cho bạn về nhân tố khám phá EFA là gì? và cách phân tích nhân tố khám phá EFA trong SPSS, hy vọng thông tin ở trên đã giúp ích được cho bạn.