Hướng dẫn phân tích nhân tố khám phá trong spss năm 2024

Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến rất lớn, và trong số đó, có rất nhiều biến quan sát có sự liên hệ tương quan với nhau. Chẳng hạn như: Chúng ta có một đối tượng gồm có 20 đặc điểm cần nghiên cứu. Thay vì đi nghiên cứu từng đặc điểm một, chúng ta sẽ gộp chúng thành 4 đặc điểm lớn, bên trong 4 đặc điểm lớn bao gồm 5 đặc điểm nhỏ có sự tương quan lẫn nhau. Cách làm này sẽ giúp tiết kiệm thời gian và kinh phí cho nghiên cứu đồng thời vẫn không làm thay đổi kết quả. Từ đó, sự ra đời của một phương pháp định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lần nhau thành một tập các nhân tố (các biến) có ý nghĩa hơn. Được gọi là phân tích nhân tố khám phá-(Exploratory Factor Analysis), gọi tắt là EFA. Ứng dụng phân tích nhân tố EFA Phân tích nhân tố khám phá EFA thường được sử dụng nhiều trong các lĩnh vực về kinh tế, quản trị, xã hội học, tâm lý… Trong nghiên cứu xã hội, phân tích EFA thường được dùng trong quá trình xây dựng thang đo (scale) nhằm kiểm tra tính đơn khía cạnh của thang đo và đo lường các khía cạnh khác nhau của khái niệm nghiên cứu. Trong kinh tế, phân tích nhân tố khám phá có ứng dụng rất rộng rãi, trong nhiều trường hợp.

Phân tích nhân tố (Factor Analysis)

Phân tích nhân tố (Factor Analysis) là một phương pháp thống kê để giảm chiều dữ liệu bằng cách tìm ra các nhân tố chung đằng sau các biến quan sát. Phân tích nhân tố khám phá là loại phân tích nhân tố được sử dụng để tìm ra số lượng nhân tố cần thiết để giải thích sự biến động trong dữ liệu. Trong SPSS, bạn có thể thực hiện phân tích nhân tố khám phá bằng các bước sau:

1. Mở SPSS và mở tập tin dữ liệu mà bạn muốn phân tích nhân tố.
2. Chọn menu “Analyze” và chọn “Dimension Reduction” và sau đó chọn “Factor”.
3. Chọn các biến mà bạn muốn phân tích nhân tố bằng cách kéo chúng vào khung “Variables”.
4. Bấm vào “Extraction” và chọn phương pháp trích xuất nhân tố. Các phương pháp phổ biến bao gồm Principal Component Analysis (PCA), Maximum Likelihood (ML) và Unweighted Least Squares (ULS).
5. Bấm vào “Rotation” và chọn phương pháp quay nhân tố. Các phương pháp phổ biến bao gồm Varimax, Promax và Oblimin.
6. Bấm vào “Options” để chọn các tùy chọn bổ sung như hiển thị các hệ số tải của nhân tố và các giá trị Eigenvalue.
7. Bấm vào “OK” để chạy phân tích nhân tố khám phá.
8. Xem kết quả phân tích nhân tố bằng cách kiểm tra bảng kết quả, biểu đồ scree plot và các biểu đồ hộp của các hệ số tải.

Thông thường, bạn sẽ quan tâm đến các nhân tố có hệ số tải cao (ví dụ: hệ số tải > 0,5) và có ý nghĩa lâm sàng và lý thuyết. Bạn có thể đặt tên cho các nhân tố này để trình bày kết quả phân tích nhân tố một cách rõ ràng.

Lưu ý rằng phân tích nhân tố khám phá không thể chứng tỏ mối quan hệ nhân quả giữa các biến quan sát, mà chỉ cho thấy các biến có tính chất chung và có thể được giải thích bằng các nhân tố. Nếu bạn muốn xác định mối quan hệ nhân quả giữa các biến, bạn có thể cân nhắc sử dụng phân tích đường hồi quy hoặc phân tích đường tuyến tính đa biến.

Diễn giải kết quả phân tích nhân tố khám phá (EFA)

Để diễn giải kết quả phân tích nhân tố khám phá, bạn cần làm theo các bước sau:

1. Xác định số lượng nhân tố: Để xác định số lượng nhân tố cần giải thích phần lớn sự biến động của các biến, bạn có thể kiểm tra giá trị Eigenvalue hoặc xem biểu đồ scree plot. Số lượng nhân tố cần giải thích phải đủ để giải thích phần lớn sự biến động của các biến, nhưng cũng không quá nhiều để tránh quá khớp.
2. Xác định các biến và nhân tố: Sau khi xác định số lượng nhân tố, bạn có thể xem xét các hệ số tải của các biến trên các nhân tố để phân loại chúng. Các biến có hệ số tải cao trên một nhân tố được cho là liên quan chặt chẽ với nhau và tạo thành một nhân tố.
3. Đặt tên cho các nhân tố: Sau khi xác định các biến và nhân tố, bạn có thể đặt tên cho các nhân tố dựa trên các biến có hệ số tải cao trên từng nhân tố. Tên nhân tố phải phản ánh một khái niệm hoặc một đặc tính chung của các biến trong nhân tố đó.
4. Xác định mối quan hệ giữa các biến và nhân tố: Bạn có thể xác định mối quan hệ giữa các biến và nhân tố bằng cách xem xét hệ số tải của các biến trên các nhân tố và các giá trị trung bình của các biến trên các nhân tố. Các biến có hệ số tải cao trên một nhân tố được cho là liên quan chặt chẽ với nhau và tạo thành một nhân tố.
5. Kiểm tra sự phân bố của các biến trên các nhân tố: Bạn có thể kiểm tra sự phân bố của các biến trên các nhân tố bằng cách xem xét giá trị trung bình và độ lệch chuẩn của các biến trên từng nhân tố. Nếu các biến phân bố đều trên các nhân tố, thì cấu trúc nhân tố được coi là phù hợp.
6. Kiểm tra mức độ phù hợp của cấu trúc nhân tố: Bạn có thể kiểm tra mức độ phù hợp của cấu trúc nhân tố bằng cách xem xét cross-loadings, tương quan giữa các nhân tố và các giá trị trung bình của các biến trên các nhân tố. Nếu các biến chỉ có hệ số tải cao trên một nhân tố và cross-loadings thấp, thì cấu trúc nhân tố được coi là phù hợp.
7. Báo cáo kết quả: Cuối cùng, bạn cần báo cáo kết quả phân tích nhân tố khám phá trong bài báo cáo hoặc nghiên cứu của bạn. Báo cáo phải bao gồm số lượng nhân tố, các biến và nhân tố, tên nhân tố, mối quan hệ giữa các biến và nhân tố, sự phân bố của các biến trên các nhân tố và mức độ phù hợp của cấu trúc nhân tố.

Giới hạn của phân tích nhân tố khám phá (EFA)

Mặc dù phân tích nhân tố khám phá có thể giúp chúng ta hiểu được cấu trúc ẩn của các biến, tuy nhiên phương pháp này cũng có một số giới hạn như sau: