Phân Tích Nhân Tố Khám Phá EFA Cấu Trúc Biến Bậc Hai (Second Order) Trong SPSS

5/5 - (7 bình chọn)

Ngay sau bài viết dưới đây Luận Văn Tốt sẽ đi sâu triển khai các vấn đề liên quan đến phân tích nhân tố khám phá EFA cấu trúc biến bậc hai (Second Order) trong SPSS. Như các bạn đã biết phân tích nhân tố khám phá EFA đã là một điều quá quen thuộc đối với người dùng SPSS. Trong phần mềm SPSS, phân tích nhân tố khám phá EFA được chia thành nhiều loại khác nhau với nhiều đặc điểm, chức năng riêng. Đối với phân tích nhân tố khám phá EFA mô hình có biến bậc hai thì sẽ có nhiều điểm khác biệt hơn so với những mô hình chỉ có biến đơn thuần một bậc. Chình vì điều này, đã gây ra không ít những khó khăn, hạn chế cho các nghiên cứu sinh trong quá trình sử dụng phần mềm. Để giúp đỡ các bạn tháo gỡ những thắc mắc trên, 

Nếu trong quá trình Phân Tích Nhân Tố Khám Phá Efa Cấu Trúc Biến Bậc Hai vì số liệu không phù hợp, hay các bạn không biết cách để phân tích thì các bạn có thể tham khảo dịch vụ phân tích số liệu SPSS của Luận Văn Tốt hoặc các bạn có thể liên hệ trực tiếp Sđt/zalo/tele : 0934573149 để được tư vấn và hỗ trợ kịp thời.

Khái quát chung về ma trận xoay EFA

          Để đi sâu phân tích, nghiên cứu những vấn đề về phân tích nhân tố khám phá EFA đối với cấu trúc biến bậc hai. Chúng ta cần phải nhắc lại những kiến thức về kết quả ma trận xoay EFA. Ở đây chúng tôi sẽ không nói quá nhiều về kết quả của ma trận xoay EFA, chúng tôi sẽ chỉ đề cập tới những khía cạnh có liên quan đến phân tích EFA với cấu trúc biến bậc hai. Cụ thể là hai tính: hội tụ và phân biệt của các nhân tố trong kết quả ma trận xoay EFA.

          Thứ nhất, đối với tính hội tụ: các biến quan sát trong kết quả ma trận xoay sẽ có cùng một tính chất, cùng một đặc điểm sẽ được thể hiện, gom chung lại với nhau thành một cột trong bảng. Tính hội tụ của những biến này được thể hiện ở chỗ, những biến quan sát được hội tụ về chung thành một nhân tố trong một cột. Nêu chỉ xét riêng về mặt dữ liệu của bài nghiên cứu, thì những biến quan sát này sẽ có sự tương quan, liên kết mạnh mẽ với nhau.

          Thứ hai, về tính phân biệt: các nhóm biến quan sát sẽ tách nhau ra thành từng cột riêng biệt trong bảng kết quả của ma trận xoay EFA. Việc phân biệt sẽ được thể hiện ở chỗ các biến quan sát không hội tụ với nhau, tách rời nhau, phân biệt thành từng nhân tố trong từng cột độc lập. Nếu xem xét về mặc dữ liệu của bài nghiên cứu, những biến quan sát có tính phân tích sẽ có sự tương quan thấp, dường như không có sự liên kết đối với những biến quan sát khác trong nhân tố.

 

          Để phân tích và làm rõ nội dung liên quan đến phân tích nhân tố khám phá EFA đối với cấu trúc biến bậc hai trong SPSS. Chúng tôi sẽ tiến hành chia thành hai mô hình chính để trình bày. Đó là mô hình Reflective và mô hình Formative. Cả hai mô hình này đều thể hiện mối quan hệ giữa biến bậc hai và biến bậc một. trong mô hình nghiên cứu. Tuy nhiên hai mô hình sẽ tương đương với hai tính chất mà chúng tôi đã nhắc ở phần trên: tính hội tụ và tính phân biệt. Hãy cùng theo giõi phần tiếp theo để thấy được sự khác nhau giữa hai mô hình này cũng như là thấy được cách thực giải quyết hai mô hình trên.

Tài liệu tham khảo : Phân Tích EFA Cho Mô Hình Có Biến Trung Gian Và Biến Điều Tiết

Quan hệ biến bậc hai và bậc một là Reflective

          Những trường hợp mối quan hệ bậc hai – bậc một được gọi là những mô hình kết quả Reflective. Khi đó, các biến bậc một sẽ là một kết quả được tổng hợp, tạo ra từ những biến bậc hai. Chính vì thế, giữa biến bậc một và biến bậc hai sẽ tồn tại một mối quan hệ, một sự tương quan khá mạnh mẽ. Chúng tôi sẽ lấy một ví dụ cụ thể như sau: Ta có các biến bậc một sẽ là PP, GC, SP, KM và biến bậc hai sẽ là MKT. Khi đó, mối quan hệ của chúng được thể hiện như sau:

hình 1

          Mô hình trên là mô hình Reflective. Thông qua mô hình này, chúng ta có thể thấy rõ được, mối tương quan giữa biến bậc một và biến bậc hai. Các biến bậc một có sự tương quan mạnh với nhau. Từ đó, khiến cho những biến quan sát con của chúng cũng sẽ có sự tương quan, liên kết mạnh mẽ giống thế. Trong quá trình thêm các biến quan sát vào phân tích nhân tố khám phá EFA mà giữa những biến quan sát có sự tương quan mạnh thì sẽ hội tụ về một nhân tố. Điều này chúng tôi đã nhắc lại ở phần trên. Chính vì tính chất hội tụ này, những kỳ vọng khi phân tích nhân tố khám phá EFA của các biến bậc 1 là: PP, GC, SP, KM cũng sẽ cùng một cột với nhau trong kết quả ma trận xoay EFA.

          Đối với những trường hợp giữa các biến bậc một có một hoặc một số biến tách riêng thành một cột so với nhóm khác thì cũng là điều bình thường. Nếu các bạn gặp những trường hợp như thế, thậm chí là tất cả các biến tách riêng thành một cột độc lập thì cũng không cần quá lo lắng, đây là điều bình thường xảy ra trong phân tích nhân tố khám phá EFA đối với biến bậc hai. Những tình huống như thế, xảy ra do các biến bậc một có sự tương quan, liên kết không quá mạnh, không quá chặt chẽ. Tuy nhiên kết quả đó vẫn được chập nhận, các bạn vẫn hoàn toàn có thể lấy để phân tích CFA một cách bình thường. Quá trình đánh giá biến bậc một có ý nghĩa, vai trò gì trong thang đo sẽ phụ thuộc vào chỉ số độ tin cậy và tính hội tụ của biến bậc hai – biến MKT trong phân tích CFA.

          Kết quả EFA sẽ hiển thị ra và các bạn có thể đánh giá những chỉ số trên trong bảng kết quả này. Khi kết quả EFA cho chạy chung tất cả các biến trong mô hình mang lại một kết quả tốt thì các bạn nên tiến hành chạy chung các biến trong phân tích EFA. Còn nếu xuất hiện trường hợp có sự xáo trộn, lộn xộn trong ma trận thì các bạn nên tách riêng các biến để chạy EFA. Vấn đề này, chúng tôi đã có một bài viết riêng để trình bày, giải tích về ma trận xoay lộn xộn, xáo trộn trong SPSS. Các bạn có thể tìm đọc để hiểu rõ hơn.

Quan hệ biến bậc hai và bậc một là Formative

          Ở phần trên, chúng tôi đã trình bày tới cho các bạn những vấn đề liên quan đến qaun hệ giữa biến bậc hai và bậc một là Reflective. Tiếp theo sau đây, chúng tôi sẽ đưa đến cho các bạn những thông tin về quan hệ giữa các biến bậc hai và biến bậc một là Formative. Đối với trường hợp mô hình là mô hình nguyên nhân Formative, các biến bậc một là một nguyên nhân để tạo ra biến bậc hai. Hay nói cách khác, các biến bậc một sẽ đóng vai trò là một thành phần cấu tạo nên một biến bậc hai. Khi đó, mỗi một biến bậc một sẽ là một thành phần riêng biệt có sự tương quan lẫn nhau và tác động lên biến bậc hai. Chúng tôi sẽ tiếp tục lấy ví dụ giống như mô hình trên và phân tích cho các bạn dễ hiểu. Cụ thể như sau:

hình 2

     Thông qua bài viết Luận Văn Tốt muốn chia sẻ thêm cho các bạn Cách Phân Tích Nhân Tố Khám Phá EFA, đây là nội dung được rất nhiều bạn đọc và các bạn họ viên quan tâm.mong rằng sẽ giúp ích cho các bạn trong quá trình Phân Tích Nhân Tố Khám Phá EFA Cấu Trúc Biến Bậc Hai bạn nhé!!

  Trên đây là mô hình Formative, như các bạn có thể thấy, những biến bậc một có sự tương quan yếu với nhau. Điều này khiến cho các biến quan sát con của chúng cũng sẽ có sự tương quan, liên kết với nhau khá yếu, khá hời hợt. Chúng tôi đã nói ở phần đầu tiên, trong trường hợp các biến quan sát tham gia vào quá trình phân tích EFA mà giữa chúng có sự tương quan thấp với nhau thì chúng sẽ tách rời nhau, riêng biệt thành từng cột, độc lập và không liên kết chặt chẽ với nhau. Căn cứ vào tính chất phân biệt này, những kỳ vọng, dự đoán trong quá trình phân tích nhân tố khám phá EFA, các biến quan sát: PP, GC, SP, KM sẽ nằm ở mỗi cột riêng biệt trong ma trận xoay.

          Những kỳ vọng, dự đoán phân tích nhân tố khám phá EFA của biến bậc một trong mô hình Formative sẽ tương tự với những kỳ vọng EFA giữa các biến độc lập bình thường. Mỗi một biến bậc một lúc này sẽ có vai trò giống như một biến độc lập. Do vậy, các bạn chỉ cần phân tích nhân tố khám phá EFA một cách bình thường trong trường hợp này.

          Đối với những trường hợp giữa các biến bậc một có sự gộp nhóm nhân tố, tách nhóm nhân tố so với lý thuyết ban đầu. Ví dụ như hai nhóm biến bậc một cùng hội tụ về một cột trong ma trận xoay hoặc một nhóm biến bậc một bị tách thành hai nhóm nhỏ trong ma trận xoay, … Những trường hợp như thế, các bạn sẽ tiến hành điều chỉnh lại mô hình chứa biến bậc một đó. Thực hiện đặt tên các biến bậc một mới và tiến hành xử lý như bình thường. Chúng tôi cũng đã có một bài viết cụ thể, chi tiết về cách thức đặt tên các biến bậc một mới. Các bạn có thể đọc lại để biết cách đặt tên biến trong trường hợp này. Những tình huống gộp hay tách các biến bậc một so với cấu trúc lý thuyết hoàn toàn giống với những trường hợp gộp hoặc tách các biến độc lập thông thường. Do đó, các bạn không cần phải quá lo lắng về vấn đề này. Tiến hành xử lý quá trình phân tích nhân tố khám phá EFA ở các biến độc lập như thế nào thì sẽ tiến hành phân tích và xử lý các biến bậc một trong mô hình Formative như vậy. Tương tự như thế, đối với kết quả của quá trình phân tích nhân tố khám phá EFA, nếu các biến trong mô hình mang lại một kết quả tốt thì tiến hành chạy chung các biến với nhau. Ngược lại, nếu xuất hiện sự xáo trộn, lộn xộn, trong mô hình thì lựa chọn tách riêng các biến bậc hai và các biến còn lại trong mô hình để phân tích.

          Trên đây là những vấn đề chúng tôi muốn chia sẻ tới các bạn về phân tích nhân tố khám phá EFA đối với cấu trúc biến bậc hai – Second Order. Trong bài viết của mình, chúng tôi đã nhắc lại cho các bạn những vấn đề liên quan đến tính hội tụ và tính phân biệt trong ma trận xoay EFA. Đồng thời triển khai phân tích nội dung chính của vấn đề dựa trên hai mô hình chính: mô hình quan hệ giữa biến bậc hai và biến bậc một là Reflective; mô hình quan hệ giữa biến bậc hai và biến bậc một là Formative. Chúng tôi hy vọng rằng những thông tin mà mình chia sẻ tới các bạn sẽ giúp các bạn hiểu hơn về phân tích nhân tố khám phá EFA đối với cấu trúc biến bậc hai cũng như là hiểu rõ hơn về phần mềm SPSS. Nếu như tất cả vẫn còn khó khăn với bạn thì hãy liên hệ ngay với dịch vụ xử lý định lượng SPSS trọn gói của Luận Văn Tốt. Cảm ơn các bạn đã quan tâm tới bài viết này của chúng tôi.

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
Liên hệ