Phân tích nhân tố khám phá EFA trong SPSS từng bước (kèm dữ liệu mẫu và cách loại biến)
Mục lục
Sau khi các thang đo đã qua kiểm định Cronbach’s Alpha, bước tiếp theo của luận văn định lượng thường là phân tích nhân tố khám phá (EFA). Cronbach’s Alpha chỉ cho biết các câu hỏi trong một thang đo có đi cùng nhau hay không. EFA trả lời một câu hỏi khác: khi đưa tất cả câu hỏi vào cùng một lần phân tích, chúng có tự gom lại thành đúng những nhóm (nhân tố) mà bạn đã thiết kế không.
Bài này đi qua từng bước trong SPSS, giải thích từng bảng kết quả, và có một tình huống loại biến thật để bạn thấy cách xử lý. Số liệu được tính từ bộ dữ liệu mẫu (.csv) gồm 250 người trả lời và 12 biến quan sát. Bạn tải về chạy theo sẽ ra cùng kết quả. Đây là dữ liệu mô phỏng để học, không phải khảo sát thật.
Bộ dữ liệu mẫu dùng trong bài
Mô hình giả định gồm 3 thang đo về sự hài lòng công việc, mỗi câu hỏi chấm theo thang Likert 5 điểm:
| Thang đo | Ký hiệu | Số biến | Ví dụ câu hỏi |
|---|---|---|---|
| Lương thưởng | LT1–LT4 | 4 | “Mức lương tương xứng với công sức tôi bỏ ra” |
| Đồng nghiệp | DN1–DN4 | 4 | “Đồng nghiệp sẵn sàng giúp đỡ khi tôi cần” |
| Cơ hội thăng tiến | TT1–TT4 | 4 | “Công ty có lộ trình thăng tiến rõ ràng” |
Trong 12 biến có cài sẵn một biến “có vấn đề”. Bạn thử đoán trước đó là biến nào, rồi đối chiếu ở phần đọc kết quả.
Các bước chạy EFA trong SPSS
- Vào Analyze → Dimension Reduction → Factor.
- Đưa tất cả biến quan sát của các thang đo độc lập vào ô Variables (ở đây là 12 biến LT, DN, TT). Biến phụ thuộc thường chạy EFA riêng.
- Bấm Descriptives, tick KMO and Bartlett’s test of sphericity, bấm Continue.
- Bấm Extraction: Method chọn Principal components; Extract chọn Based on Eigenvalue, giá trị 1; tick thêm Scree plot. Continue.
- Bấm Rotation: chọn Varimax, tick Rotated solution. Continue.
- Bấm Options: tick Sorted by size và Suppress small coefficients, đặt Absolute value below là 0.3 để bảng gọn, dễ đọc. Continue.
- Bấm OK.
Principal components kết hợp Varimax là cách làm phổ biến nhất trong luận văn ở Việt Nam, nên bài dùng cách này. Nếu sau EFA bạn còn chạy CFA hoặc SEM, nhiều giảng viên sẽ yêu cầu dùng Principal axis factoring với phép xoay Promax. Các bước còn lại vẫn như trên, chỉ khác hai lựa chọn này.
Năm ngưỡng cần kiểm tra
Trước khi đọc từng bảng, nên nắm các ngưỡng mà hội đồng hay hỏi:
| Chỉ số | Ngưỡng đạt | Đọc ở bảng |
|---|---|---|
| KMO | ≥ 0,5 (từ 0,8 trở lên là tốt) | KMO and Bartlett’s Test |
| Kiểm định Bartlett | Sig. < 0,05 | KMO and Bartlett’s Test |
| Eigenvalue | > 1 (giữ lại các nhân tố đạt) | Total Variance Explained |
| Tổng phương sai trích | ≥ 50% | Total Variance Explained |
| Hệ số tải nhân tố | ≥ 0,5, không tải chéo mạnh lên hai nhân tố | Rotated Component Matrix |
Ngưỡng 0,5 cho hệ số tải là quy ước thực hành phổ biến. Hair và cộng sự đưa ra ngưỡng theo cỡ mẫu: mẫu khoảng 250 thì 0,35 đã có ý nghĩa thống kê, mẫu 100 thì cần khoảng 0,55. Dùng 0,5 là lựa chọn an toàn cho hầu hết luận văn.
Đọc kết quả lần chạy đầu (12 biến)
KMO và Bartlett
| KMO and Bartlett’s Test | ||
|---|---|---|
| Kaiser-Meyer-Olkin Measure of Sampling Adequacy | 0,818 | |
| Bartlett’s Test of Sphericity | Approx. Chi-Square | 1151,742 |
| df | 66 | |
| Sig. | 0,000 | |
KMO = 0,818 nằm trong khoảng “tốt” theo thang của Kaiser, nghĩa là dữ liệu phù hợp để phân tích nhân tố. Bartlett có Sig. = 0,000 (SPSS làm tròn, thực tế là nhỏ hơn 0,001), tức các biến có tương quan với nhau trong tổng thể. Nếu Bartlett không có ý nghĩa thì các biến gần như độc lập, chạy EFA không còn ý nghĩa.
Tổng phương sai trích
| Thành phần | Eigenvalue ban đầu | % phương sai | % tích luỹ | Sau xoay: % phương sai |
|---|---|---|---|---|
| 1 | 4,055 | 33,792 | 33,792 | 24,749 |
| 2 | 2,156 | 17,970 | 51,762 | 21,119 |
| 3 | 1,717 | 14,307 | 66,069 | 20,201 |
| 4 | 0,677 | 5,640 | 71,709 |
Có 3 thành phần với eigenvalue lớn hơn 1, khớp với 3 thang đo đã thiết kế. Thành phần thứ 4 chỉ có eigenvalue 0,677 nên bị loại. Ba nhân tố giải thích được 66,069% biến thiên của dữ liệu, vượt ngưỡng 50%. Cột “sau xoay” chia lại phần giải thích cho đều hơn giữa các nhân tố, nhưng tổng vẫn là 66,069%.
Biểu đồ Scree plot cho cùng thông tin: đường gấp khúc “gãy” sau điểm thứ 3 rồi đi gần như ngang.
Ma trận xoay: tìm ra biến có vấn đề
| Biến | Nhân tố 1 | Nhân tố 2 | Nhân tố 3 |
|---|---|---|---|
| LT1 | 0,832 | ||
| LT2 | 0,825 | ||
| LT3 | 0,773 | ||
| LT4 | 0,773 | ||
| TT4 | 0,595 | 0,531 | |
| DN1 | 0,822 | ||
| DN2 | 0,807 | ||
| DN3 | 0,786 | ||
| DN4 | 0,694 | ||
| TT1 | 0,855 | ||
| TT2 | 0,837 | ||
| TT3 | 0,793 |
Hệ số dưới 0,3 đã được ẩn (Suppress small coefficients). SPSS có thể xếp thứ tự cột khác, nhưng các nhóm biến không đổi.
Mười một biến nằm gọn trong nhóm của mình, hệ số tải đều trên 0,69. Riêng TT4 tải lên cả nhân tố Lương thưởng (0,595) lẫn nhân tố Thăng tiến (0,531). Đây là hiện tượng tải chéo: người trả lời hiểu câu TT4 vừa như chuyện thăng tiến, vừa như chuyện thu nhập. Trên thực tế điều này rất hay gặp, ví dụ câu “Thăng chức đi kèm tăng lương xứng đáng”.
Ở Việt Nam, quy ước thường dùng là: nếu chênh lệch hai hệ số tải của một biến nhỏ hơn 0,3 thì biến đó không phân biệt được giữa hai nhân tố và nên loại. TT4 có chênh lệch 0,595 − 0,531 = 0,064, nhỏ hơn nhiều so với 0,3, nên bị loại.
Loại biến và chạy lại
Loại mỗi lần một biến rồi chạy lại, vì bỏ một biến sẽ làm thay đổi toàn bộ ma trận. Bỏ TT4 khỏi ô Variables, giữ nguyên mọi tuỳ chọn, bấm OK:
| Chỉ số | 12 biến | 11 biến (bỏ TT4) |
|---|---|---|
| KMO | 0,818 | 0,790 |
| Bartlett (Chi-Square; df) | 1151,742; 66 | 988,118; 55 |
| Số nhân tố (eigenvalue > 1) | 3 | 3 |
| Eigenvalue của nhân tố thứ 3 | 1,717 | 1,640 |
| Tổng phương sai trích | 66,069% | 67,071% |
| Biến tải chéo | TT4 | không còn |
Sau khi bỏ TT4, mỗi biến chỉ tải lên đúng một nhân tố: LT1–LT4 từ 0,785 đến 0,835; DN1–DN4 từ 0,701 đến 0,820; TT1–TT3 từ 0,813 đến 0,858. Tổng phương sai trích tăng lên 67,071%.
KMO giảm nhẹ từ 0,818 xuống 0,790. Điều này bình thường: KMO thường giảm khi bớt biến, và 0,790 vẫn trên mức đạt khá xa. Đừng cố giữ biến xấu chỉ để KMO cao hơn một chút.
Một lưu ý: thang đo Thăng tiến giờ còn 3 biến, vẫn đủ. Nếu một thang đo bị loại đến mức còn dưới 3 biến, bạn cần xem lại thiết kế thang đo và trao đổi với giảng viên hướng dẫn, đừng tự gộp hay tự đổi tên nhân tố cho “đẹp”.
Viết kết quả EFA vào luận văn
Một đoạn mẫu dựa trên kết quả trên:
Phân tích nhân tố khám phá được thực hiện với 12 biến quan sát của 3 thang đo, sử dụng phép trích Principal Components và phép xoay Varimax. Ở lần chạy thứ nhất, biến TT4 tải lên hai nhân tố với chênh lệch hệ số tải 0,064 (< 0,3) nên bị loại. Kết quả lần chạy thứ hai với 11 biến: KMO = 0,790; kiểm định Bartlett có ý nghĩa (χ² = 988,118; df = 55; p < 0,001). Ba nhân tố được trích tại eigenvalue = 1,640, giải thích 67,071% biến thiên của dữ liệu. Các hệ số tải nhân tố đều lớn hơn 0,7. Ba nhân tố trùng với ba thang đo đề xuất ban đầu, do đó thang đo đạt giá trị hội tụ và giá trị phân biệt.
Nhớ kèm bảng KMO và Bartlett, bảng tổng phương sai trích và ma trận xoay của lần chạy cuối. Lần chạy đầu nên tóm tắt bằng lời để hội đồng thấy quá trình loại biến.
Những lỗi hay gặp
- Ra 1 nhân tố duy nhất hoặc ít hơn số thang đo: thường do các thang đo quá giống nhau về nội dung, hoặc người trả lời chấm cùng một mức cho mọi câu. Kiểm tra lại dữ liệu trước khi kết luận.
- Bảng KMO không hiện và có dòng “This matrix is not positive definite”: có biến trùng hoặc gần trùng nhau (ví dụ nhập cùng một cột hai lần), hoặc cỡ mẫu nhỏ hơn số biến.
- Quên đảo chiều câu hỏi nghịch trước khi chạy: biến đó sẽ có hệ số tải âm. Cách đảo chiều có trong bài Cronbach’s Alpha.
- Loại nhiều biến cùng lúc: dễ loại nhầm biến tốt. Luôn loại từng biến một.
- Cỡ mẫu quá nhỏ: quy tắc thường gặp là tối thiểu 5 quan sát cho mỗi biến đưa vào EFA. Với 12 biến thì cần ít nhất 60, nhưng càng nhiều càng ổn định.
Hỏi đáp
Chạy Cronbach’s Alpha trước hay EFA trước?
Thông thường chạy Cronbach’s Alpha trước để loại các biến có tương quan biến tổng thấp, sau đó mới chạy EFA. Nếu EFA loại thêm biến, bạn nên chạy lại Cronbach’s Alpha cho thang đo bị ảnh hưởng.
Biến phụ thuộc có đưa chung vào EFA không?
Phần lớn luận văn chạy EFA riêng cho biến phụ thuộc. Đưa chung có thể làm các nhân tố bị trộn lẫn, khó diễn giải.
Tổng phương sai trích dưới 50% thì sao?
Xem lại các biến có hệ số tải thấp hoặc communality thấp (bảng Communalities, cột Extraction dưới 0,5). Loại từng biến yếu rồi chạy lại. Nếu vẫn dưới 50%, cần bàn với giảng viên về thang đo.
Không có SPSS thì làm EFA bằng gì?
Có thể dùng jamovi, phần mềm miễn phí chạy được trên cả Windows và Mac. Xem thêm các lựa chọn hợp pháp trong bài tải SPSS cho Macbook.
Tài liệu tham khảo
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. Multivariate Data Analysis. Pearson.
- Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31–36.
- IBM SPSS Statistics: tài liệu hướng dẫn thủ tục Factor Analysis.
