Ngày hôm nay chúng tôi sẽ giới thiệu tới các bạn một số quy tắc chạy chung hay riêng biến độc lập với biến phụ thuộc trong phân tích nhân tố khám phá EFA. Đây là vấn đề được nhiều người dùng SPSS quan tâm tới. Vì trong phân tích nhân tố khám phá EFA việc lựa chọn chạy chung hay chạy riêng các biến độc lập với các biến phụ thuộc là rất quan trọng. Ảnh hưởng, quyết định tới việc phân tích các thành phần trong thang đo. Chính vì thế, chúng tôi sẽ đi sâu phân tích về lý do, quy tắc chạy chung hay riêng các biến độc lập và biến phụ thuộc trong EFA.
Tuy nhiên không phải bạn nào cũng biết cách phân tích dữ liệu trong EFA và chạy định lượng SPSS nói chung. Vì vậy từ lâu Luận Văn Tốt đã cung cấp dịch vụ xử lý định lượng SPSS thuê cho các bạn, với đội ngũ chuyên nghiệp và kinh nghiệm hơn 10 trong nghề, chúng tôi cam đoan sẽ mang đến cho các bạn kết quả hơn cả mong đợi. Hãy liên hệ ngay Zalo/tele : 0934573149 để được tư vấn và giá bạn nhé!!
Tại sao nên chạy chung và tại sao nên chạy riêng các biến phụ thuộc, biến độc lập trong EFA
Tài liệu tham khảo : Phân Tích EFA Cho Mô Hình Có Biến Trung Gian Và Biến Điều Tiết
Tài liệu tham khảo : Hệ Số Tải Factor Loading Trong Phân Tích EFA
Để biết được lý do tại sao chúng ta cần phải chạy chung, chạy riêng các biến độc lập với biến phụ thuộc; chúng ta cần phải nhận thức đúng bản chất của vấn đề. Bản chất mối quan hệ giữa các biến độc lập và các biến phụ thuộc là xác định giữa biến X và biến Y có tồn tại mối tương quan nào không. Và việc xác định sự tương quan này dựa trên kiểm định lý thuyết, giả định của các nghiên cứu trước đó. Chúng ta sẽ cần phải tiến hành đánh giá các giả định đó theo hai hướng. Tức là X có sự tác động lên Y thì giữa X và Y có sự tương quan với nhau từ mức trung bình đến lớn. Chính vì mối tương quan này khiến tính phân biệt, độc lập giữa hai biến X và Y không quá cao.
Trong phân tích nhân tố khám phá EFA, dù bạn có sử dụng phương pháp này thì EFA luôn tồn tại một chức năng đánh giá tính phân biệt của các biến, của các cấu trúc biến. Một khi tính phân biệt được đánh giá ở mức độ thỏa mãn thì mỗi một nhóm biến sẽ được tách và tạo thành một cột riêng biệt trong ma trận. Trong trường hợp, chúng ra đưa các biến độc lập và phụ thuộc vào cùng phân tích trong EFA thì sẽ khiến cho các biến quan sát của các cấu trúc biến dễ bị nhập chung vào với nhau. Do đó, các cấu trúc của thang đo chứa biến quan sát sẽ không đảm bảo tính phân biệt trong EFA. Dẫn tới, việc chạy chung hay chạy riêng các biến độc lập với biến phụ thuộc trong phân tích EFA là một vấn đề cần phải đặc biệt lưu ý. Chúng ta cần phải lựa chọn một phương pháp tối ưu nhất, hợp lý về tính chất tương quan giữa các biến với nhau.
Một số mô hình nghiên cứu tương ứng với hai phương pháp chạy chung, chạy riêng trong phân tích EFA.
Căn cứ vào các lập luận ở trên, chúng tôi đã tiến hành phân chia mô hình nghiên cứu thành 2 loại khác nhau; tương ứng với hay phương pháp chạy trong phân tích nhân tố khám phá EFA. Trong EFA còn xuất hiện biến trung gian. Loại biến này vừa đóng vai trò độc lập, vừa đóng vai trò phụ thuộc. Chính vì thế, khi chúng ta phân tích, đánh giá về số lượng biến phụ thuộc, số lượng biến độc lập thì cần phải đánh giá biến trung gian cho cả hai loại.
Mô hình đơn giản: Đây là loại mô hình có vai trò quan trọng trong việc xác định rõ, cụ thể về số lượng các biến phụ thuộc; biến độc lập là ít hay nhiều. Từ đó đánh giá, kiểm định xem với số lượng đó, có sự tác động với nhau hay không; có phù hợp trong phân tích nhân tố khám phá EFA hay không? Đối với mô hình này chúng ta sẽ lựa chọn phương pháp chạy EFA riêng với các biến độc lập, trung gian, phụ thuộc.
Mô hình phức tạp: Dạng mô hình này đóng vai trò trong việc xác định các biến có ý nghĩa trung gian trong EFA. Đồng thời cũng chỉ ra được số lượng các biến trung gian có trong mô hình là nhiều hay ít. Mối liên hệ, tương quan giữa các biến này là ít hay nhiều. Đối với mô hình này, số lượng biến phụ thuộc nhiều và có nhiều mối quan hệ nhưng chỉ có một biến độc lập tác động lên một biến phụ thuộc nào đó thôi. Trong trường hợp này, chúng ta sẽ sử dụng tới phương pháp chạy EFA chung cho tất cả các biến. Khi lựa chọn chạy chung tất cả các biến thì số lần phân tích EFA là nhiều và số lượng biến tham gia vào quá trình phân tích là rất ít. Dẫn tới, mặt chức năng của phân tích EFA không được tối ưu hóa; mặt trình bày, diễn giải kết quả cũng sẽ phức tạp và không thể sơ lược hóa lại.
Đối với hai mô hình phân tích chạy chung và chạy riêng trên, có nhiều quan điểm đánh giá khác nhau như:
- Cả hai mô hình đều không có cơ sở khoa học. Chỉ phù hợp với một số trường hợp, không thể ứng dụng được với phần lớn các trường hợp trong EFA. Chình vì thế, người dùng không nên áp dụng nó một cách dập khuôn, cứng nhắc trong mọi trường hợp. Vấn đề xử lý mô hình theo các phương pháp cũng không liên quan quá nhiều đến phân tích nhân tố khám phá EFA chung hay riêng giữa các biến độc lập và phụ thuộc. Do đó, các bạn cần phải căn cứ vào từng trường hợp để đưa ra mô hình phân tích phù hợp hơn.
- Phân tích nhân tố khám phá EFA chung hay riêng phụ thuộc hoàn toàn vào các tính chất của mô hình đơn giản hay phức tạp. Nói cách khác, nó sẽ phụ thuộc phần lớn vào vai trò của các biến trong mô hình và số lượng của các biến trong mô hình đó. Nếu một mô hình phân tích có út biến trung gian, ít biến độc lập nhưng lại nhiều biến phụ thuộc thì nên sử dụng phương pháp chạy riêng các biến trong EFA. Và nếu mô hình có ít các biến độc lập, nhiều biến trung gian thì mối quan hệ giữa các biến sẽ trở nên phức tạp hơn thì lự chọn bỏ qua phân tích EFA hoặc tiến hành chạy chung các biến trong phân tích EFA.
Một lưu ý nữa mà chúng tôi muốn chia sẻ tới các bạn về mô hình nghiên cứu phù hợp với hai phương pháp chạy chung, chạy riêng trong EFA. Đó là không phải mô hình nào cũng ở dạng phức tạp. Có những trường hợp, mô hình nghiên cứu đó rất đơn giản, có ít các biến trung gian, nhiều biến độc lập. Khi đó, vai trò của các biến được xác định một cách đơn giản, dễ dàng không phụ thuộc quá nhiều vào các thành phần khác. Đối với những trường hợp như thế, các bạn chỉ cần tiến hành chạy riêng các biến độc lập và biến phụ thuộc trong phân tích EFA. Và đó cũng là phương pháp ổn đinh, tối ưu nhất trong trường hợp đó.
Và cũng không phải đối với mọi loại biến nào cũng phải dùng mô hình phức tạp. Ngoài mô hình phức tạp, các bạn vẫn có thể sử dụng mô hình đơn giản đối với các biến độc lập, phụ thuộc. Hai mô hình này được xây dựng để áp dụng cho mọi trường hợp chứ không phải chỉ dùng mô hình phức tạp. Các bạn sẽ phải căn cứ vào mối quan hệ, tương quan giữa các biến độc lập và biến phụ thuộc là đơn giản hay phức tạp là một chiều hay đa chiều. Để có thể lựa chọn một mô hình phù hợp cho việc phân tích EFA.
Để các bạn có thêm tài liệu hữu ích để tham khảo trước khi làm bài chúng tôi muốn gửi đến các bạn nội dung Tổng Quan Về Thang Đo Kết Quả Và Thang Đo Nguyên Nhân Trong Spss, tài liệu này sẽ mang đến cho các bạn nhiều kinh nghiệm bổ ích trong quá trình xử lý định lượng trên SPSS bạn nhé
Phân tích sâu về hai mô hình đơn giản, phức tạp trong phân tích nhân tố khám phá EFA
Chúng tôi sẽ đưa ra hai ví dụ cụ thể và tiến hành phân tích về hai dạng mô hình đơn giản, phức tạp. Để các bạn có thể hiểu rõ hơn về hai dạng mô hình này trong phân tích EFA
Mô hình đơn giản
Ví dụ, chúng ta có một mẫu nghiên cứu với câu hỏi là sự hài lòng của khách hàng đối với sản phẩm sữa tươi của công ty M. Và sẽ có 5 câu trả lời tương ứng với 5 tiêu chí như sau:
H1: giá cả phù hợp với thị trường
H2: sữa khá ngon và dễ uống
H3: nhân viên chăm sóc khách hàng thân thiện, nhiệt tình
H4: mẫu mã sản phẩm đa dạng
H5: Sản phẩm được bảo quản tốt
Mô hình đơn giản là loại mô hình được sử dụng phổ biến, rộng rãi nhất trong các đề tài nghiên cứu khoa học, luận văn thạc sĩ, khóa luận tốt nghiệp. Với đặc điểm nổi trội là xác định các biến độc lập, biến phụ thuộc một cách nhanh chóng, hiệu quả. Các biến phụ thuộc trong ví dụ này sẽ là sự hài lòng của khách hàng đối với sản phẩm sữa tươi của công ty M. Các biến phụ thuộc sẽ là các câu trả lời, H1, H2, H3, H4, H5. Trong đó, các biến độc lập sẽ tác động một chiều lên các biến phụ thuộc trong mô hình này. Tức là, chỉ có các biến độc lập tác động lên các biến phụ thuộc mà các biến phụ thuộc không thể tác động trở lại các biến độc lập. Điều này sẽ chứng minh cho mối quan hệ giữa biến độc lập với biến phụ thuộc. Cũng như xác định dễ dàng vai trò của các biến độc lập, phụ thuộc trong các mối quan hệ tác động. Số lượng các biến phụ thuộc trong mô hình đơn giản này sẽ rất ít, ngược lại số lượng biến độc lập là nhiều.
Mô hình phức tạp
Ví dụ, chúng ta tiến hành phân tích, nghiên cứu một bảng khảo sát có các biến: nhận biết về sản phẩm; chất lượng sản phẩm; thái độ đối với sản phẩm; sự hài lòng về thương hiệu đó; ý định tiêu dùng sản phẩm trong tương lại. Có tất cả 6 biến trong ví dụ trên, nhưng giữa các biến có sự liên kết, tương quan với nhau. Đối với trường hợp này, các bạn nên sử dụng mô hình phức tạp để phân tích EFA trong phần mềm SPSS.
Dạng mô hình phức tạp sẽ khó xác định được biến độc lập và biến phụ thuộc hơn mô hình đơn giản. Bởi sẽ xuất hiện nhiều biến trung gian và các biến độc lập, phụ thuộc có sự tương quan, liên kết lẫn nhau. Chính vì thế, để xác định được đâu là biến phụ thuộc, đâu là biến độc lập thì cần phải cắt mô hình lớn thành từng mối quan hệ nhỏ để dễ dàng nhận biết, dễ dàng xác định các biến. Đồng thời, trong mô hình phức tạp thì đa phần chỉ là một biến độc lập tác động lên một biến phụ thuộc. Số lượng biến phụ thuộc trong mô hình phức tạp tương đối là nhiều.
Như vậy, chúng tôi đã trình bày tới các bạn những lưu ý, quy tắc nhất định để lựa chọn chạy chung hay chạy riêng các biến độc lập, phụ thuộc trong phân tích EFA. Trong bài viết này chúng tôi đã giới thiệu tới hai loại mô hình: mô hình đơn giản, mô hình phức tạp theo từng dạng khác nhau. Chúng tôi mong rằng với những gì mà chúng tôi chia sẻ sẽ giúp các bạn lựa chọn được một mô hình phù hợp với các biến trong phân tích EFA. Nếu có thắc mắc hay cần hỗ trợ thêm về bài làm của mình thì hãy liên hệ ngay với dịch vụ chạy SPSS thuê trọn gói của Luận Văn Tốt Cảm ơn các bạn đã quan tâm tới bài viết này của chúng tôi.
