Phân Tích EFA Cho Mô Hình Có Biến Trung Gian Và Biến Điều Tiết Trong SPSS

5/5 - (15 bình chọn)

Phân Tích EFA Cho Mô Hình Có Biến Trung Gian Và Biến Điều Tiết Trong SPSS là nội dung tiếp theo mà chúng tôi muốn gửi đến các bạn sau khi chúng tôi đã giới thiệu tới các bạn về quy tắc chọn phương pháp chạy chung hay chạy riêng đối với biến độc lập, biến phụ thuộc trong EFA trong bài viết trước. Ở trong bài viết này, chúng tôi sẽ đi sâu, tập trung phân tích về cách thức chạy EFA cho mô hình có các biến trung gian và biến điều tiết. Được biết hiện nay có nhiều người dùng SPSS gặp khó khăn trong nhận biết, phân biệt và áp dụng các mô hình có biến trung gian, biến điều tiết trong phân tích EFA. Do đó, chúng tôi sẽ trình bày cho các bạn hiểu về rõ hơn về vấn đề này.

Nếu bạn đang gặp khó khăn trong xử lý dữ liệu trên SPSS liên quan đến biến trung gian, điều tiết, kiểm soát. Bạn có thể tham khảo dịch vụ chạy SPSS thuê của Luận Văn Tốt để tối ưu về thời gian và có được kết quả phù hợp. Với kinh nghiệm nhiều năm trong nghề chúng tôi cam đoan sẽ mang đến cho các bạn kết quả hơn cả mong đợi. Nhắn tin hoặc gọi Zalo/tele : 0934573149 để được tư vấn và hỗ trợ.

Một số quan điểm về phân tích EFA chung hay riêng

Một số quan điểm về phân tích EFA chung hay riêng
Một số quan điểm về phân tích EFA chung hay riêng

        Tài liệu tham khảo : Hệ Số Tải Factor Loading Trong Phân Tích EFA

       Tài liệu tham khảo : Nguyên Tắc Loại Biến Xấu Trong Phân Tích Nhân Tố Khám Phá EFA

  Một trong những quan điểm nổi tiếng về chạy chung hay chạy riêng các biến trong phân tích EFA phải kể đến là quan điểm của Hair và các cộng sự của ông. Mối tương quan giữa các biến là sự liên hệ giữa độc lập – phụ thuộc được xây dựng trên cơ sở biểu hiện của chúng trong từng mô hình nhất định. Các biến độc lập và biến phụ thuộc có mối quan hệ, tương quan với nhau. Mối quan hệ đó có thể là một chiều hoặc đa chiều, đơn giản hoặc phức tạp. Những sự liên hệ này nếu có đủ ba yếu tố: biến ở gốc mũi tên, mũi tên và biến ở đầu mũi tên; thì sẽ hình thành nên một mối quan hệ độc lập – phụ thuộc riêng lẻ.

          Ngài Hair và các cộng sự của ông trong năm 2010 đã đưa ra quan điểm: việc chạy chung các biến độc lập và biến phụ thuộc trong phân tích EFA và kiểm định lại các mối quan hệ đó là không phù hợp. Quan điểm này được hiểu như sau: trong quá trình các bạn tiến hành phân tích nhân tố khám phá EFA chung cho các biến độc lập và biến phụ thuộc là không hợp lý. Do, một đề tài nghiên cứu ngay từ đầu đã xác định được đâu là biến độc lập và biến phụ thuộc. Tức là ngay từ đầu các nhà nghiên cứu đã mặc định sẽ xuất hiện một mối quan hệ, tương quan giữa hai biến là biến độc lập và biến phụ thuộc. Sẽ xuất hiện một nhóm biến là tác động trực tiếp hoặc giản tiếp lên biến còn lại và có một nhóm biến chịu ảnh hưởng của nhóm biến còn lại.

          Vào năm 2015, Ngài Hair và cộng sự của ông cũng đã đưa ra quan điểm như sau: trong quá trình sử dụng phân tích nhân tố khám phá EFA, các biến sẽ không tự động được chia thành độc lập hay phụ thuộc. Thay vào đó, tất cả các biến được phân tích cùng một lúc để xác định thành phần, cấu trúc, vai trò, ý nghĩa của từng nhân tố. Phương pháp được dùng trong nhân tố khám phá sẽ cần được xem xét, đánh giá riêng giữa các biến độc lập và biến phụ thuộc.

          Giống như quan điểm đầu tiên vào năm 2010, các biến độc lập, phụ thuộc sẽ được đưa vào cùng một lúc trong phân tích nhân tố khám phá EFA. Và các biến khi được đưa vào sẽ phải là một loại độc lập hoặc cùng một loại phụ thuộc. Sẽ không thể gộp chung cả hai loại vào cùng phân tích nhân tố khám phá EFA trong một lần.

          Nhìn chung, xét theo quan điểm nào của phân tích EFA, người dùng sẽ cần phải chạy riêng từng nhóm biến độc lập, chạy riêng từng nhóm biến phụ thuộc. Điều này là mặc định ở bất cứ mô hình dù có thêm hay bớt đi bao nhiêu biến trong thang đo. Các bạn cần phải tập trung, căn cứ vào mối quan hệ, tương quan cơ bản giữa biến độc lập, biến phụ thuộc để tiến hành chạy phân tích EFA trong phần mềm SPSS.

 

Quy trình chạy phân tích EFA cho mô hình có biến trung gian

Quy trình chạy phân tích EFA cho mô hình có biến trung gian
Quy trình chạy phân tích EFA cho mô hình có biến trung gian

          Đối với những mô hình có biến trung gian thì biến trung gian sẽ đóng vai trò vừa là độc lập vừa là phụ thuộc trong mối quan hệ đó. Chúng tôi sẽ đưa ra một ví dụ để các bạn hiểu rõ hơn. Nhóm nghiên cứu có hai mô hình như sau:

          Tiền lương là biến phụ thuộc và sự hài lòng với công việc là biến phụ thuộc. Trong mô hình nhỏ này, chúng ta cần phải tiến hành chạy riêng biến tiền lương và chạy riêng biến sự hài lòng với công việc. Tức là chạy riêng biến độc lập và biến phụ thuộc.

          Sự hài lòng với công việc là biến độc lập, gắn bó với công ty là biến phụ thuộc. Đối với mô hình này, các bạn sẽ tiến hành chạy riêng cho biến sự hài lòng với công việc; chạy riêng cho biến gắn bó với công ty.

          Từ đó, ta nhận thấy rằng, ở bất cứ mô hình nào dù có bao nhiêu biến độc lập, trung gian, phụ thuộc thì chúng ta cũng nên tách thành nhiều mô hình nhỏ với các cặp cụ thể độc lập – phụ thuộc rồi mới tiến hành phân tích nhân tố khám phá EFA. Việc phân tích EFA là chung hay riêng thì phụ thuộc vào tương quan giữa các biến độc lập, biến phụ thuộc trong mô hình đó. Khi tiến hành chạy EFA cho mô hình có biến trung gian, chúng ta sẽ cần phải chạy 3 lần EFA cho từng dạng biến cụ thể như sau: thứ nhất là chạy EFA cho biến độc lập; thứ hai là chạy EFA cho biến trung gian; thứ ba là chạy EFA cho biến phụ thuộc.

Quy trình chạy phân tích EFA cho mô hình có biến điều tiết

Quy trình chạy phân tích EFA cho mô hình có biến điều tiết
Quy trình chạy phân tích EFA cho mô hình có biến điều tiết

          Hiện nay không có một quan điểm, quy tắc nhất định nào nói về việc phân tích nhân tố khám phá EFA cho mô hình có biến điều tiết. Tuy nhiên, xét tới những mối quan hệ, tương quan giữa các biến, các biến điều tiết có chức năng điều tiết một mối quan hệ làm nó trở nên mạnh hơn hoặc yếu đi. Do đó, biến điều tiết không hoàn toàn phù hợp đối với việc đưa vào phân tích EFA chung với các biến nào khác trong mô hình nghiên cứu.

          Chính vì thế, nếu tồn tại một biến điều tiết trong mô hình nghiên cứu, thì các bạn không cần tiến hành phân tích EFA hoặc sẽ tiến hành phân tích EFA đối với riêng biến điều tiết đó. Trong mô hình tồn tại nhiều biến điều tiết thì các bạn nên chạy riêng một EFA cho từng biến điều tiết một.

Ví dụ quy trình chạy riêng phân tích EFA cho một số mô hình cụ thể

Ví dụ quy trình chạy riêng phân tích EFA cho một số mô hình cụ thể
Ví dụ quy trình chạy riêng phân tích EFA cho một số mô hình cụ thể

         Thông qua nội dung về Phân Tích EFA Cho Mô Hình Có Biến Trung Gian Và Biến Điều Tiết Trong SPSS chúng tôi muốn chia sẻ thêm cho các bạn Cách Phân Tích Nhân Tố Khám Phá EFA Trong SPSS, tài liệu này được nhiều bạn đọc và các bạn học viên rất quan tâm khi chạy dữ liệu SPSS, các bạn cùng tham khảo nhé!!

Để các bạn hiểu rõ hơn về vấn đề này, chúng tôi sẽ lấy một ví dụ và tiến hành đưa ra quy trình chạy riêng phân tích EFA của từng mô hình. Chúng tôi sẽ căn cứ phần lớn vào quan điểm của Hair và cộng sự của ông để có cách thức chạy riêng cho từng mô hình. Lưu ý, các bạn vẫn có thể tiến hành chạy chung các biến. Nhưng việc chạy chung sẽ đưa ra kết quả không tốt, không thuyết phục. Do đó, các bạn nên chạy riêng theo vai trò độc lập – phụ thuộc để thu về kết quả tốt nhất, hiệu quả nhất.

          Mô hình 1:

          Đối với mô hình này, đầu tiên các bạn cần phải tiến hành phân tích mối tương quan, liên hệ giữa các biến có trong mô hình. Ở đây chúng tôi có các biến sau:

           X: biến phụ thuộc của các biến A, B, C. Chính vì thế, nó sẽ có khả năng tương quan mạnh hơn với các biến đó. Đối với biến này, các bạn cần phải chạy hai lần phân tích EFA: lần đầu tiên là cho 3 biến độc lập A, B, C và lần hai là cho biến phụ thuộc X.

          Z: là biến phụ thuộc của A, B, C. Do vậy, biến Z sẽ có khả năng tương quan mạnh với các biến độc lập trên. Trong mô hình này, các bạn cần phải chạy hai lần phân tích EFA như ở trên: lần một là cho 3 biến độc lập A, B, C và lần hai là cho biến phụ thuộc Z.

          Vì X và Z đều là hai biến phụ thuộc của biến A, B, C nên cả X và Z đều có khả năng tương quan, liên kết mạnh mẽ với nhau. Chúng ta cũng sẽ cần phải chạy hai lần EFA: một lần cho X và một lần cho Z.

          Y: là biến phụ thuộc của X và Z. Vì thế, Y sẽ có khả năng tương quan, liên kết mạnh mẽ với hai biến X, Z. Đối với mô hình này, các bạn cũng sẽ cần phải tiến hành chạy hai lần phân tích EFA: một lần cho hai biến độc lập X, Z và một lần cho biến phụ thuộc Y

          Sau khi phân tích được sự tương quan giữa các biến có trong mô hình, các bạn sẽ cần phải xác định số lần chạy EFA trong mỗi mô hình. Theo đó, ở ví dụ này, chúng ta có 4 lần chạy EFA: một cho 3 biến độc lập A, B, C; hai cho biến phụ thuộc X; ba cho biến phụ thuộc Z; bốn cho biến phụ thuộc Y.

          Đó là quy trình chạy riêng phân tích EFA đối với mô hình đầu tiên. Các bạn sẽ cần phải thực hiện qua hai bước. Khá đơn giản và dễ thực hiện.

          Mô hình hai:

          Đầu tiên, giống như mô hình một, các bạn cũng cần phải phân tích mối quan hệ, tương quan giữa các biến có trong mô hình. Ở mô hình số hai chúng ta có các biến sau:

          X: là biến phụ thuôc của các biến A, B, C. Theo đó, biến X sẽ có khả năng tương quan, liên kết mạnh mẽ với các biến độc lập A, B, C. Trong trường hợp này, các bạn sẽ tiến hành chạy hai lần phân tích EFA: một lần cho ba biến độc lập A, B, C và một lần cho biến phụ thuộc X.

          Y: là biến phụ thuộc của các biến X, A. Chính vì thế, biến Y sẽ có khả năng tương quan mạnh mẽ với các biến X, A. Đối với trường hợp này, các bạn cũng sẽ tiến hành chạy hai lần phân tích EFA: lần một cho hai biến độc lập X, A và lần hai là cho biến phụ thuộc Y.

          Để tiếp tục quy trình, các bạn sẽ xác định lại số lần chạy EFA trong mô hình số hai này. Theo những gì chúng ta phân tích ở trên, mô hình số hai sẽ có 3 lần chạy phân tích EFA. Lần đầu tiên là chạy EFA cho ba biến độc lập A, B, C. Lần thứ hai là chạy phân tích EFA cho biến X. Lần thứ ba là chạy phân tích nhân tố khám phá EFA cho biến Y.

          Qua cả hai mô hình, chúng ta nhận thấy rằng, về bản chất cả hai mô hình đều giống nhau. Đều phân tích tương quan giữa các biến và xác định số lần chạy EFA. Tuy nhiên sự tương quan của các biến trong các mô hình là khác nhau. Và số lần chạy EFA trong mỗi mô hình cũng là khác nhau.

          Đó là những gì chúng tôi muốn chia sẻ tới các bạn về phân tích EFA cho mô hình có biến trung gian và biến điều tiết. Trong bài viết của mình chúng tôi cũng đưa ra từng ví dụ cụ thể để các bạn hiểu rõ hơn bản chất của vấn đề. Hy vọng với những thông tin mà chúng tôi chia sẻ các bạn sẽ hiểu hơn và áp dụng đúng trong phần mềm SPSS. Khi cần hỗ trợ hoặc tư vấn thêm các bạn đừng ngần ngại hãy liên hệ ngay dịch vụ xử lý định lượng SPSS trọn gói của Luận Văn Tốt. Chúc các bạn hoàn thành tốt bài viết của mình.

5 1 đánh giá
Article Rating
Theo dõi
Thông báo của
guest
0 Comments
Phản hồi nội tuyến
Xem tất cả bình luận
0
Rất thích suy nghĩ của bạn, hãy bình luận.x
Contact Me on Zalo