Vấn đề phân tích nhân tố khám phá EFA đối với đề tài chạy CFA, SEM luôn là vấn đề được nhiều người dùng SPSS quan tâm tới. Bởi đây là vấn đề khó, phức tạp có nhiều hạn chế cho người dùng phần mềm này. Để giúp các bạn hiểu rõ hơn về bản chất của việc phân tích nhân tố khám phá EFA trong các mô hình đề tài có chạy CFA và SEM. Ngày hôm nay chúng tôi sẽ chia sẻ và trình bày tới các bạn tất cả các vấn đề liên quan tới chúng. Hãy theo giõi bài viết của chúng tôi để có thêm nhiều thông tin tham khảo cho bài nghiên cứu của mình bạn nhé.
Nếu bạn gặp khó khăn khi thực hiện phân tích EFA vì số liệu khảo sát không tốt, bạn có thể tham khảo dịch vụ xử lý định lượng SPSS của Luận Văn Tốt hoặc liên hệ trực tiếp Zalo/tele : 0934573149, chúng tôi cam đoan sẽ mang đến cho các bạn kết quả số liệu cho bài nghiên cứu hay bài luận văn tốt nghiệp hơn cả mong đợi.
Phân tích EFA chung hay riêng
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
Chúng tôi đã có một bài viết riêng rất rõ ràng, cụ thể về việc phân tích nhân tố khám phá EFA chung hay riêng trong một mô hình nghiên cứu. Các bạn có thể tìm và đọc lại để hiểu rõ hơn. Tại bài viết này, chúng tôi chỉ nói qua, xem xét về mối quan hệ giữa các loại biến độc lập và biến phụ thuộc để có cơ sở tiến hành phân tích EFA cho đề tài nghiên cứu với mô hình CFA, SEM. Mục đích chúng ta xác định các biến độc lập là X, các biến phụ thuộc là Y trên những lý thuyết căn bản để chứng minh, là cơ sở để khẳng định các biến X thực sự đã tác động, ảnh hưởng lên các biến Y. Khi đó, giữa biến độc lập X và biến phụ thuộc Y sẽ có mối liên hệ, sư tương quan từ mức độ trung bình cho tới mức độ mạnh. Chính sự tương quan, liên hệ này sẽ làm cho tính phân biệt giữa X và Y không cao.
Trong phân tích nhân tố khám phá EFA, cho dù người dùng có sử dụng phép trích hay phép xoay như thế nào thì EFA luôn luôn có một chức năng là đánh giá, xem xét tính phân biệt, độc lập của các cấu trúc biến. Chính vì thế, tính phân biệt giữa các biến được thỏa mãn, mỗi nhóm biến sẽ được tách thành một cột trong bảng ma trận. Khi đó, nếu chúng ta đưa các biến phụ thuộc và biến độc lập vào cùng phân tích chung trong EFA sẽ dẫn tới sự tương quan giữa các biến độc lập và biến phụ thuộc trở nên mạnh hơn. Từ đó, dẫn tới các biến quan sát của cấu trúc biến phụ thuộc dễ dàng bị xâm nhập chung với các biến độc lập. Chính vì thế sẽ khiến cho các cấu trúc thang đo không đảm bảo được tính phân biệt, độc lập trong phân tích nhân tố khám phá EFA. Đó là tính trạng ma trận xoay lộn xộn. Việc chạy phân tích nhân tố khám phá EFA riêng biến độc lập và riêng biến phụ thuộc là cách thức chạy EFA tối ưu nhất, hợp lý nhất về tính tương quan giữa các biến trong các bài nghiên cứu chạy CFA và SEM. Đồng thời cũng sẽ phù hợp với nhiều quan điểm nghiên cứu của các nhà nghiên cứu trên thế giới.
Từ đó, ta có thể kết luận rằng, khi chạy EFA, chúng ta có thể phân chia mô hình nghiên cứu thành hai loại tương ứng với hai phương pháp chạy phổ biến của phân tích nhân tố khám phá EFA – chung và riêng. Người dùng cần phải làm rõ trước về từng vai trò của các biến trung gian. Vì nó có vai trò vừa độc lập, vừa phụ thuộc trong thang đo. Chính vì thế, khi chúng ta đề cập tới số lượng biến phụ thuộc, số lượng biến độc lập thì các biến trung gian sẽ được tính cho cả hai loại biến này trong mô hình nghiên cứu.
- Mô hình đơn giản: đây là loại mô hình mà ở đó vai trò của các biến được xác định một cách rõ ràng, cụ thể. Số lượng biến phụ thuộc ít, số lượng biến độc lập nhiều. Và có nhiều biến độc lập tác động vào một biến phụ thuộc. Trong trường hợp này chúng ta sẽ lựa chọn, phương pháp chạy riêng các biến độc lập, riêng các biến trung gian, riêng các biến phụ thuộc.
- Mô hình phức tạp: Dạng mô hình này cho thấy vai trò của các biến vẫn có hể xác định được. Tuy nhiên các biến đóng vai trò là trung gian sẽ nhiều hơn. Các mối quan hệ tác động, ảnh hưởng nhiều hơn gấp bội so với mô hình đơn giản phía trên. Số lượng biến phụ thuộc nhiều dẫn tới có nhiều mối quan hệ mà chỉ một biến độc lập tác động lên một biến phụ thuộc. Trong trường hợp đó, chúng ta sẽ tiến hành chạy chung EFA cho tất cả các biến trong mô hình nghiên cứu.
Đánh giá một số quan điểm về chạy phân tích nhân tố khám phá EFA cho mô hình chạy CFA, SEM
Quan điểm: mô hình chạy CFA, SEM là chung cho tất cả các biến.
Đầu tiên, chúng tôi sẽ đánh giá đây là một quan điểm không có cơ sở và chỉ phù hợp, chỉ đúng trong một số trường hợp nhất định. Chính vì thế, các bạn cần phải lưu ý, không nên áp dụng một cách máy móc, công thức cho tất cả mọi trường hợp phân tích EFA cho mô hình chạy CFA, SEM. Khi đó, việc các bạn xử lý mô hình nghiên cứu bằng phương pháp hồi quy hay SEM cũng không ảnh hưởng, không liên quan tới việc phân tích EFA là chung hay riêng giữa các biến.
Việc phân tích nhân tố khám phá EFA chung hay riêng hoàn toàn phụ thuộc vào tính chất của từng mô hình nghiên cứu là đơn giản hay phức tạp. Phụ thuộc vào vai trò và số lượng của các biến độc lập, biến trung gian, biến phụ thuộc trong mô hình nghiên cứu đó. Nếu một mô hình có ít biến trung gian, ít biến phụ thuộc nhiều biến độc lập thì cần phải lựa chọn chạy riêng phân tích nhân tố khám phá EFA. Còn nếu, mô hình có ít biến độc lập, nhiều biến trungg gian, mối quan hệ của các biến trong mô hình phức tạp thì các bạn nên lựa chọn bỏ qua phân tích EFA hoặc chọn phân tích nhân tố EFA chung cho các biến. Sở dĩ việc nhận định mô hình CFA và SEM thì phân tích EFA chung cho tất cả các biến là bởi vì, mô hình SEM thường là các mô hình phức tạp và có số lượng biến trung gian nhiều. Nhưng vẫn tồn tại những mô hình SEM tương đối đơn giản.
Thứ hai, không phải mô hình SEM nào cũng ở dạng phức tạp. Trên thực tế, có nhiều trường hợp, mô hình SEM vẫn tồn tại dưới dạng đơn giản, số lượng biến trung gian ít, mối tương quan giữa các biến cũng không quá nhiều và chằng chịt. Vai trò của các biến trong mô hình được xác định một cách đơn giản, dễ dàng. Đối với những trường hợp như thế, chúng ta sẽ sử dụng phương pháp chạy Phân tích EFA riêng cho từng biến như đã nói ở trên.
Thứ ba, không phải chạy CFA, SEM là cứ phải dùng cho mô hình phức tạp. Rất nhiều trường hợp, chúng ta vẫn sẽ sử dụng và chạy CFA, SEM cho các mô hình đơn giản một cách bình thường. Hai kiểm định CFA và SEM được hình thành để đánh giá, xem xét về mọi dạng mô hình chứ không riêng gì mô hình phức tạp. Khi mô hình nghiên cứu của các bạn ở dạng đơn giản, vai trò của accs biến được xác định một cách dễ dàng thfi các bạn nên chạy EFA cho riêng từng nhóm biến.
Thông qua bài viết chúng tôi muốn chia sẻ thêm cho các bạn một nội dung cũng rất hữu ích và được nhiều bạn đọc quan tâm là Cách Phân Tích Nhân Tố Khám Phá EFA, nội dung này sẽ mang đến cho các bạn nhiều kiến thức hữu dụng trong quá trình phân tích số liệu EFA
Phân tích nhân tố khám phá EFA cho đề tài chạy kiểm định CFA và SEM
Khi đã tiến hành xác định được chạy chung hay chạy riêng nhân tố khám phá EFA cho mô hình nghiên cứu thì chúng ta sẽ bước vào chạy và đọc kết quả phân tích EFA một cách bình thường. Chúng tôi đã có một bài viết cụ thể về việc đọc, đánh giá kết quả phân tích nhân tố khám phá EFA trong phần mềm SPSS. Các bạn có thể đọc lại để hiểu và thực hiện được quá trình phân tích nhân tố khám phá EFA cho mô hình chạy CFA, SEM của mình. Tuy nhiên chúng tôi có một số lưu ý dành cho các bạn như sau:
1.Tại mục phép trích Extraction
Nếu như mục đích của các bạn là tiến hành chạy phân tích EFA để có được kết quả tổng hợp phương sai trích lớn nhất, đọc kết quả của các nhân tố trích được giải thích tốt nhất. Thì sẽ sử dụng phần PCA – Principal Components. Còn nếu như mục đích của các bạn là xác định được chính xác cấu trúc của các nhóm biến một cách rõ ràng nhất, chọn lọc được các biến quan sát chất lượng cao không có tình t rạng các biến tải liên nhiều nhóm nhân tố. Thì sẽ chọn phần PAF – Principal Axis Factoring. Kéo theo đó, việc PAF sẽ cho ra tổng số phương sai trích tương đối thấp, các biến quan sát sẽ có hệ số tải thấp hơn so với việc sử dụng PCA. Chính vì thế, các bạn cần phải xem xét kỹ hơn về việc lựa chọn giữa PCA và PAF.
Tuy nhiên, cả hai phương pháp này đều phù hợp với mục đích của người thực hiện nghiên cứu.
- Tại mục phép quay Rotation
Đối với những trường hợp các giả định những nhân tố có sự tương quan, liên hệ với nhau trong quá trình quay thì phép quay Promax sẽ có xu hướng phù hợp hơn trong việc hỗ trợ cho kết quả CFA của các bạn trong giai đoạn sau của bài nghiên cứu. Chính vì thế tại mục này, các bạn cần phải lưu ý xem xét kỹ càng sự khác biệt giữa hai phép quay. Tuy nhiên chúng tôi cũng đưa ra khuyến nghị cho các bạn là nên sử dụng phép quay Promax.
- Ngưỡng hệ số tải Factor Loading
Các tiêu chí đánh giá các biến trong kiểm định CFA là tương đối phức tạp và khó thực hiện. Do đó, khi phân tích nhân tố khám phá EFA các bạn nên sử dụng ngưỡng hệ số tải là 0.5. Để có thể dễ dàng chọn lọc các biến quan sát chất lượng tốt cho mô hình nghiên cứu của mình. Điều này đã được nhà nghiên cứu Hair và các cộng sự của ông khẳng định vào năm 2010. Sau khi các bạn đã hoàn tất quá trình thực hiện phân tích nhân tố khám phá EFA cho mô hình chạy CFA và SEM, các bạn sẽ tiến hành phân tích nhân tố khẳng định trong hai mô hình trên.
Trên đây là những thông tin chi tiết chúng tôi muốn trình bày tới các bạn về phân tích nhân tố khám phá EFA đối với đề tài sử dụng CFA, SEM. Trong bài viết này chúng tôi cũng đã nhắc qua lại về việc lựa chọn chạy chung hay riêng các biến trong phân tích EFA. Đồng thời hướng dẫn và đưa ra cho các bạn một số lưu ý khi đọc, đánh giá kết quả Phân tích EFA cho mô hình chạy CFA, SEM. Chúng tôi mong rằng những thông tin của mình có thể giúp các bạn hoàn thành tốt đề tài nghiên cứu của mình. Khi cần hỗ trợ hay tư vấn thêm về bài làm các bạn hãy tham khảo dịch vụ chạy số liệu SPSS thuê của luanvantot nhé. Cuối cùng, xin chân thành cảm ơn các bạn đã quan tâm tới bài viết này của chúng tôi.
