Phân tích nhân tố khám phá EFA là gì? EFA trong nghiên cứu định lượng

Trong quá trình thực hiện nghiên cứu định lượng, phân tích nhân tố khám phá EFA là một trong những yếu tố vô cùng quan trọng khi xử lý dữ liệu. Tuy nhiên, không ít bạn còn nhiều bỡ ngỡ khi bước đầu làm quen với EFA trong SPSS. Bài viết này sẽ cung cấp tất tần tật thông tin về EFA, từ khái niệm, phân tích nhân tố khám phá EFA trong SPSS đến các điều kiện và lưu ý khi sử dụng nó.

Khái niệm EFA là gì?

Phân tích nhân tố khám phá (EFA - Exploratory Factor Analysis) là một kỹ thuật đặc biệt phổ biến để xác định cấu trúc chung cơ bản cho một nhóm biến quan sát trong nghiên cứu định lượng (Hair et al. 2014).

EFA được sử dụng để rút gọn một tập gồm nhiều biến quan sát có sự tương quan với nhau thành một tập nhỏ hơn các biến tổng hợp (còn gọi là các nhân tố) có ý nghĩa hơn nhưng vẫn đảm bảo nội dung thông tin của tập dữ liệu ban đầu.

Mục tiêu của EFA

Hai mục tiêu chính của phân tích EFA là phải xác định:

- Số lượng các nhân tố ảnh hướng đến một tập các biến đo lường.

- Cường độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường

Ứng dụng của EFA

EFA thường được sử dụng nhiều trong các lĩnh vực quản trị, kinh tế, tâm lý, xã hội học,... khi đã có được mô hình khái niệm (Conceptual Framework) từ các lý thuyết hay các nghiên cứu trước.

Trong các nghiên cứu về kinh tế, người ta thường sử dụng thang đo (scale) chỉ mục bao gồm rất nhiều câu hỏi(biến đo lường) nhằm đo lường các khái niệm trong mô hình khái niệm, và EFA sẽ góp phần rút gọn một tập gồm rất nhiều biến đo lường thành một số nhân tố.

Khi có được một số ít các nhân tố, nếu chúng ta sử dụng các nhân tố này với tư cách là các biến độc lập trong hàm hồi quy bội thì khi đó, mô hình sẽ giảm khả năng vi phạm hiện tượng đa cộng tuyến.

Ngoài ra, các nhân tố được rút ra sau khi thực hiện phân tích EFA sẽ có thể được thực hiện trong phân tích hồi quy đa biến (Multivariate Regression Analysis), mô hình Logit, sau đó có thể tiếp tục thực hiện phân tích nhân tố khẳng định(CFA) để đánh giá độ tin cậy của mô hình hay thực hiện mô hình cấu trúc tuyến tính (Structural Equation Modeling, SEM) để kiểm định về mối quan hệ phức tạp giữa các khái niệm.

Mô hình của EFA

EFA hoạt động dựa vào mô hình nhân tố chung (Common factor model) (theo DeCoster,1998).

Mô hình nhân tố chung

Mô hình chỉ ra rằng mỗi biến quan sát từ Measure 1 đến Measure 5 sẽ bị phụ thuộc một phần bởi các nhân tố chung cơ bản (common factor) là factor 1 và factor 2, đồng thời cũng bị ảnh hưởng một phần bởi các nhân tố đặc trưng cơ bản (unique factor) là E1, E2, E3, E4, E5.

Nếu các biến quan sát được chuẩn hóa thì mô hình nhân tố khám phá được thể hiện bằng phương trình:

Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Aim * Fm + Vi * Ui

Trong đó:

Xi : biến quan sát thứ i đã được chuẩn hóa
Aij: hệ số hồi quy bội đã được chuẩn hóa của nhân tố chung j đối với biến i
F: nhân tố chung
Vi: hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i
Ui: nhân tố đặc trưng của biến i
m: số nhân tố chung

Giữa các nhân tố đặc trưng có tương quan với nhau và tương quan với các nhân tố chung. Các nhân tố chung cũng có thể được diễn tả như những tổ hợp tuyến tính của các biến quan sát, thể hiện qua phương trình sau:

Fi = Wi1 * X1 + Wi2 * X2 + Wi3 * X3 + . . . + Wik * Xk

Trong đó:

Fi: ước lượng trị số của nhân tố thứ i
Wi: trọng số hay quyền số nhân tố
k: số biến

Điều kiện để áp dụng EFA

Dưới đây là 6 điều kiện quan trọng để việc phân tích nhân tố khám phá EFA trở nên có ý nghĩa thống kê:

Hệ số KMO (Kaiser - Meyer- Olkin): là chỉ số dùng để xem xét độ thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 ≤ KMO ≤ 1. Trị số này càng lớn thì phân tích nhân tố càng thích hợp với tập dữ liệu nghiên cứu.
Hệ số tải nhân tố (Factor Loading): là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Thông thường, tùy vào kích cỡ mẫu để chọn giá trị hệ số tải cho phù hợp. Hệ số này phải đạt giá trị tối thiểu ở mức 0.3 để biến được giữ lại. Tuy nhiên, để đảm bảo các biến quan sát có ý nghĩa thống kê tốt, hệ số tải nên duy trì ở mức từ 0.5 trở lên trong đa số các trường hợp.
Kiểm định Bartlett (Bartlett's Test of Sphericity): dùng để xem xét mối tương quan giữa các biến quan sát trong nhân tố. Để kiểm định Bartlett có ý nghĩa thì sig Bartlett’s Test < 0.05, chứng tỏ giữa các biến quan sát có tương quan với nhau.
Trị số Eigenvalues: là tiêu chí để xác định tổng số lượng nhân tố trong EFA. Thường giá trị chuẩn của trị số Eigenvalue là 1. Nghĩa là chỉ những nhân tố nào có trị số Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích nhân tố.
Tổng phương sai trích (Total Variance Explained): là trị số thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là trong mức đánh giá biến thiên 100% thì phân tích các nhân tố sẽ giải thích được bao nhiêu %. Trị số này phải đạt mức ≥ 50% thì mô hình EFA mới là phù hợp.
Kích thước mẫu: Theo Hair et al. 2009, kích thước mẫu tối thiểu là gấp 5 lần tổng số biến quan sát. Đây là cỡ mẫu phù hợp cho nghiên cứu có sử dụng phân tích nhân tố EFA. Xác định kích thước mẫu theo công thức n = 5 * m (với m là số biến quan sát tham gia nghiên cứu).

Lưu ý trong phân tích EFA

Muốn việc thực hiện phân tích nhân tố khám phá EFA được hiệu quả và chính xác, có 2 vấn đề cần chú ý như sau:

Đối với các mô hình đã xác định được biến độc lập và biến phụ thuộc, không xử lý EFA cùng một lúc cho hai loại biến này khi sử dụng phép quay, vừa tránh tình trạng ma trận xoay lộn xộn vừa hợp lý về tính chất tương quan giữa các biến.
Trong trường hợp sử dụng EFA để đánh giá giá trị thang đo, không nên thực hiện đánh giá cho giá trị của từng thang đo riêng lẻ mà nên đánh giá các thang đo trong mô hình phân tích cùng một lúc, nhằm đảm bảo đạt được các giá trị phân biệt.

Trên đây là thông tin giới thiệu về EFA là gì, cách phân tích nhân tố khám phá EFA cũng như các điều kiện áp dụng và lưu ý khi chạy EFA trong SPSS. Mong rằng những chia sẻ này sẽ giúp bạn không còn lúng túng khi thực hiện các thao tác trên SPSS cũng như có thể phân tích dữ liệu cho việc nghiên cứu một cách dễ dàng và hiệu quả nhất.

Nguồn: tổng hợp