Mục lục
Trong SPSS, EFA là một thuật ngữ quen thuộc và đóng vai trò quan trọng trong phần mềm này. Phân tích nhân tố khám phá EFA là bước quan trọng trong hoạt động phân tích và xử lý số liệu, dữ liệu cho các bài nghiên cứu. EFA sẽ đóng vai trò giúp người dùng có thể hiểu rõ về cấu trúc, biến động, sự thay đổi của đối tượng nghiên cứu. Vậy phân tích nhân tố khám phá EFA là gì? EFA có những đặc điểm và được vận hành như thế nào trong phần mềm SPSS? Ngày hôm nay chúng tôi sẽ giải thích cho các bạn hiểu rõ.
Xử lý số liệu dữ liệu luôn là một công việc khó nhằn đối với người học nhất là những đề tài có nhiều dữ liệu. Nếu bạn không có thời gian nghiên cứu hay gặp khó khăn khi chạy SPSS có thể tìm hiểu dịch vụ thuê xử lý dữ liệu phần mềm SPSS của Luận Văn Tốt qua Zalo/tele : 0934573149 sẽ mang đến cho các bạn kết quả hơn cả mong đợi của các bạn
Khái niệm phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA là một phương pháp phân tích định lượng trong phần mềm SPSS. Với vai trò chính là để xử lý các biến, rút gọn những tập dữ liệu bao hàm nhiều biến khác nhau thành một tập biến gọn hơn. Mục đích cuối cùng là để có những thông tin chung nhất, đánh giá được đúng bản chất đối tượng nghiên cứu. Có một đặc điểm quan trọng đó là, tập dữ liệu cuối cùng sau khi phân tích vẫn bao hàm những nội dung, thông tin của những tập dữ liệu ban đầu. Mỗi bài nghiên cứu cần có nhiều đối tượng mà mỗi đối tượng sẽ có nhiều đặc điểm khác nhau. Do đó, phân tích nhân tố khám phá EFA sẽ giúp tiết kiệm thời gian của quá trình nghiên cứu bằng cách, phân tích những đặc điểm lớn, đặc điểm nổi bật của đối tượng nghiên cứu đó. Từ đó chỉ ra sự tương quan với nhau giữa các đặc điểm. Để phản ánh được đúng đối tượng và vấn đề nghiên cứu.
Tài liệu tham khảo thêm : Kiểm Định T – Test Và Kiểm Định Sự Khác Biệt
Ứng dụng của EFA trong thực tiễn
Phân tích nhân tố khám phá EFA có một vai trò quan trọng trong nhiều lĩnh vực khác nhau của đời sống xã hội. Ở phần khái niệm chúng tôi đã nói rằng, EFA là một công cụ dùng trong mục đích, phân tích, xử lý những dữ liệu lớn thành những dữ liệu nhỏ và tiện hơn. Chình vì thế, EFA được vận dụng nhiều trong lĩnh vực quản trị, kinh tế, xã hội học, kinh tế lượng, tâm lý học, …. Và còn nhiều lĩnh vực khác trong xã hội cũng cần tới phương pháp phân tích nhân tố khám phá EFA. Thông thường phương pháp này sẽ được dựa trên nền tảng của những mô hình khái niệm, những lý thuyết có sẵn để tiến hành phân tích và xử lý.
Trong lĩnh vực kinh tế, những nhà nghiên cứu thường sử dụng thang đo để đo lường các khái niệm mang tính chuyên ngành và trừu tượng. Do đó, cần dùng tới EFA để có thể rút gọn những khái niệm đó một cách dễ hiểu, đơn giản nhưng đầy đủ ý. Các nhân tố khám phá được rút ra từ quá trình phân tích EFA sẽ có thể được tiếp tục sử dụng trong các mô hình khác như mô hình phân tích hồi quy đa biến, … Và cũng là tiền để cho những bước phân tích, xử lý số liệu tiếp theo trong phần mềm SPSS. Như vậy, ta có thể thấy được, phân tích nhân tố khám phá EFA đóng một vai trò quan trọng và không thể thiếu trong phần mềm SPSS.
Mô hình của EFA
Trong phương pháp phân tích nhân tố khám phá EFA, mỗi biến đo lường sẽ được thể hiện như một tổ hợp tuyến tính của các nhân tố cơ bản. Và lượng biến thiên của mỗi biến đo lường sẽ được đánh giá bởi những nhân tố chung. Các biến đo lường sẽ được chuẩn hóa và mô hình nhân tố khám phá sẽ được thể hiện qua phương trình sau:
Xi = Ai1 * F1 + Ai2 * F2 + Ai 3 * F3 + …. + Ain * Fn + Vi * Ui
Trong đó, các thông số có ý nghĩa như sau:
Xi: là biến đo lường thứ i đã được chuẩn hóa.
Aij: hệ số hồi qui bội đã được chuẩn hóa của nhân tố j đối với biến i
F1, F2, . . ., Fn: các nhân tố chung
Vi: hệ số hồi qui chuẩn hóa của nhân tố đặc trưng i đối với biến i
Ui: nhân tố đặc trưng của biến i
Mức độ tương quan giữa các biến đo lường
Phân tích nhân tố khám phá EFA được xây dựng trên nền tảng các mỗi quan hệ giữa những biến đo lường. Chính vì thế, việc sử dụng phương pháp này cần phải xem xét chính xác mối quan hệ giữa những biến đo lường đó. Để có được đánh giá và kết quả đúng, khả quan nhất. Có nhiều tiêu chí khác nhau để có thể tiến hành đánh giá về mối quan hệ giữa những biến đo lường. Sau đây chúng tôi sẽ đưa ra một số tiêu chí để đánh giá, nhìn nhận chính xác về mối quan hệ giữ những biến đo lường trong phương pháp nhân tố khám phá EFA.
1.Kiểm định Bartlett: Đây là một loại kiểm định dùng để đánh giá và xem xét vấn đề liên quan đến ma trận tương quan. Nói rõ hơn là đánh giá xem ma trận tương quan đó có phải là ma trận đơn vị hay không. Việc này có ý nghĩa rất lơn đối với việc xác định sự tương quan giữa các biến. Ở đây, ma trận đơn vị chính là hệ số tương quan giữa các biến bằng 0 và hệ số tương quan với chính nó bằng 1. Tức là trong EFA khi nào kiểm định hệ số tương quan giữa các biến mà bằng 0 và tương quan với chính bản thân biến đó bằng 1 thì được gọi là ma trận đơn vị.
- Kiểm định KMO: Đây là dạng kiểm định những chỉ số dùng vào mục đích so sánh độ lớn giữa những hệ số tương quan của hai biế, cụ thể là hai biến Xi và Xj với hệ số tương quan riêng phần của hai biến đó. So với phương pháp kiểm định Bartlett ở trên thì KMO có phần phức tạp và khó hiểu hơn. Các hệ số trong kiểm định KMO chính là những chỉ số dùng vào mục đích, đánh giá độ phù hợp của phân tích nhân tố khám phá. Và những trị số KMO mà lớn chính là điều kiện cần và đủ để tiến hành hoạt động phân tích nhân tố khám phá thích hợp. Trường hợp khác, nếu trị số KMO mà nhỏ hơn 0.5 thì hoạt động phân tích nhân tố khám phá sẽ không thích hợp với những dữ liệu mà bài toán đưa ra. Như vậy trong phương pháp kiểm định KMO cần phải căn cứ vào trị số KMO để so sánh, đánh giá, đưa ra kết luận chung về phân tích nhân tố khám phá đối với dữ liệu ban đầu.
- Hệ số tải Factor Loadings: Đây là những hệ số tương quan đơn giữa những biến và những nhấn tố khác trong phương pháp phân tích nhân tố khám phá EFA. Việc so sách và xem xét những hệ số này sẽ được tiến hành đánh giá, so sánh với giá trị 0.5. Nếu hệ số này nhỏ hơn 0.5 trong phân tích nhân tố thì sẽ bị loại nhằm đảm bảo những giá trị khác giữa các biến với nhau.
4.Trị số Eigenvalue: Đây là một trong những tiêu chí được sử dung phổ biến và rộng rãi nhất để đánh giá mối quan hệ giữ những biến đo lường trong phương pháp nhân tố khám phá EFA. Các trị số sẽ được sử dụng để xác định, kiểm định một số lượng nhân tố trong phương pháp phân tích EFA. Trong tiêu chí đánh giá này chỉ những nhân tố nào có trị số lớn hơn hoặc bằng với 1 thì mới được giữa lại trong mô hình để tiếp tục nghiên cứu, phân tích và đánh giá.
Với việc phân tích dữ liệu dự trên ứng dụng phần mềm SPSS thì các bạn phải cần hiểu rõ Một Số Thuật Ngữ Của Spss, để xử dụng hiệu quả và mang lại kết quả cao khi khi tiến hành nghiên cứu hoặc làm bài luận văn thạc sĩ về phân tích số liệu cũng như những bài về kinh tế lượng.
Các bước thực hiện phương pháp phân tích nhân tố khám phá EFA
Hiện nay có nhiều nhà nghiên cứu đưa ra nhiều phương pháp, cách thức phân tích nhân tố khám phá EFA khác nhau. Để các bạn có thể hiểu chi tiết và thao tác dễ dàng, chúng tôi sẽ trình bày một cách thực hiện phương pháp phân tích nhân tố khám phá EFA trong SPSS thuận tiện nhất.
Đầu tiên, các bạn truy cập vào mục Analyze -> Dimension Reduction -> Factor. Cụ thể như sau:
Tiếp theo sau đó, cần phải tiến hành đưa các biến quan sát đó có thể là các biện độc lập hoặc các biến phụ thuộc vào trong cột Variables. Cột này nằm ở vị trí bên phải. Các bạn có thể theo giõi hình sau để rõ hơn.
Và tiếp tục nhấn vào Descriptives. Ở trong bảng này các bạn sẽ chọn KMO and Bartlett’s test of sphericity. Để phần mềm có thể chạy và thực hiện kiểm định như những gì chúng tôi đã nói ở phần trên.
Tiếp theo sau đó, các bạn hãy ấn vào Rotation và hãy chọn mục Varimax. Cụ thể như sau:
Tiếp theo, việc các bạn cần làm chính là ấn vào phần Options và chọn phím Sorted by size, tiếp tục chọn Suppress absolute values less than. Và hãy gõ vào đó từ “.3”
Tiếp tục nhấn OK để phần mềm có thể chạy và đưa ra kết quả cho bạn. Lưu ý, kết quả mà chương trình đưa ra sẽ khá dài và có nhiều bảng khác nhau nên các bạn cần chú ý để không bị nhầm lẫn. Số lượng bảng có trong kết quả sẽ phụ thuộc vào từng bài toán cũng như nhu cầu và mục đích của người sử dụng.
Thông qua bài viết Luận Văn Tốt muốn chia sẻ thêm cho các bạn một nội dung cũng rất quan trọng trong quá trình sử dụng phần mềm SPSS là Cách Khởi Tạo Phần Mềm Spss
Một số lưu ý khi sử dụng phương pháp phân tích nhân tố khám phá EFA trong phần mềm SPSS
Phân tích nhân tố khám phá EFA không hề dễ thao tác và thực hiện. Nhưng đây lại là một bước vô cùng quan trọng để phân tích và xử lý số liệu trong phần mềm SPSS. Chính vì thế, trong quá trình thực hiện các bạn cần phải chú ý một số điều. Dưới đây là những lưu ý mà chúng tôi đã rút ra được trong quá trình thực hiện phân tích EFA. Hy vọng sẽ giúp ích được cho các bạn.
-Trong quá trình phân tích, các bạn cần phải phân biệt được biến độc lập và biến phụ thuộc. Điều này rất quan trọng vì trong phân tích EFA, các bạn không được đưa những biến phụ thuộc vào chung với biến độc lập. Đây là hai loại biến có tính chất và mức ảnh hưởng khác nhau hoàn toàn thậm chí chúng còn có những khía cạnh đối ngược nhau nên các bạn cần phải đặc biệt chú ý.
-Trong những trường hợp, người dùng sử dụng phương pháp phân tích EFA để đánh giá những thang đo riêng lẻ thì cần phải lưu ý vì trong trường hợp này sẽ không thể đạt được những giá trị phân biệt như những phân tích bình thường. Có thể sẽ xuất hiện những sai số hoặc không phân biệt được. Bới các biến sẽ chỉ đo lường những khái niệm muốn đo hay có cùng chỉ số đo lường.
Đó là những thông tin mà chúng tôi muốn chia sẻ tới các bạn về phương pháp phân tích nhân tố khám phá EFA trong SPSS. Bài viết này đã giải quyết những vấn đề về khái niệm, ứng dụng thực tiễn, mô hình, mối tương quan giữa các biến đo lường, cách thực thực hiện của phân tích EFA trong phần mềm SPSS. Chúng tôi mong rằng bài viết này có thể giúp các bạn thao tác và hiểu rõ hơn về phương pháp phân tích nhân tố khám phá EFA. Nếu cần hỗ trợ các bạn hãy liên hệ ngay hotline sđt/zalo/tele : 0934573149 bạn nhé!!!
