Phân tích nhân tố khám phá (EFA) là một bước quan trọng trong quá trình xử lý định lượng luận văn, báo cáo. Bởi nhà EFA, ta có thể định hình được cấu trúc các nhóm thang đo, xem xét sự tụ hội và phân biệt các nhóm biến. Ngoài ra, việc phân tích nhân tố khám phá EFA trong SPSS còn giúp sinh viên loại bỏ đi những biến quan sát “rác”, cải thiện kết quả nghiên cứu. Cùng Viết báo cáo thuê 24h tìm hiểu thêm về nhân tố này trong bài viết dưới đây.
Nội dung
Tổng quan thông tin về phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá (EFA) dùng để rút gọn một tập hợp k biến quan quan sát thành một tập hợp F. Trong đó, k > F và các nhân tố trong tập hợp biến có ý nghĩa. Trong quá trình nghiên cứu, sinh viên thường thu thập một lượng lớn các biến. Các biến quan sát trong số đó lại có mối liên hệ tương quan với nhau. Ví dụ, thay vì phải nghiên cứu 20 – 30 đặc điểm của một đối tượng, bạn có thể nghiên cứu 4 nhóm đặc điểm lớn. Trong mỗi đặc điểm lớn được chia ra làm 5 đặc điểm nhỏ có sự tương quan gần. Điều này có thể giúp sinh viên tiết kiệm thời gian và kinh phí nghiên cứu nhiều hơn.
Ngoài ra, phân tích nhân tố khám phá (EFA) xem xét mối quan hệ giữa tất cả các biến ở mọi nhóm. Mục đích của việc này nhằm phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ đầu nghiên cứu.
>> Xem thêm: Dịch Vụ Hỗ Trợ Và Phân Tích Định Lượng Chi Tiết Từ A – Z Cho Sinh Viên
Giải đáp thắc mắc phân tích nhân tố khám phá EFA để làm gì?
Rất nhiều sinh viên thắc mắc mục đích phân tích nhân tố khám phá EFA để làm gì? Có 2 mục tiêu chính mà phân tích EFA phải các định. Cụ thể là tìm được số lượng những nhân tố ảnh hưởng tới tập các biến đo lường. Thứ 2 là xác định được cường độ về mối quan hệ giữa mỗi nhân tố và từng biến.
Ứng dụng của phân tích nhân tố khám phá EFA trong mọi lĩnh vực
thường được sử dụng nhiều trong những lĩnh vực kinh tế, quản trị, tâm lý, xã hội… Trong các nghiên cứu, người nghiên cứu sẽ sử dụng thang đo chỉ mục bao gồm nhiều biến đo lường nhằm đo lường các khái niệm trong mô hình. Việc sử dụng EFA góp phần rút gọn một tập gồm nhiều biến đo lường thành một số nhân tố. Sau khi có được nhân tố, người nghiên cứu có thể sử dụng chúng với tư cách biến độc lập trong hàm hồi quy bội. Khi đó, mô hình nghiên cứu sẽ giảm khả năng vi phạm hiện tượng đa cộng tuyến.
Không những vậy, các nhân tố kết quả của phân tích EFS có thể được thực hiện trong mô hình logit, phân tích hồi quy đa biến. Bạn cũng có thể thực hiện phân tích CFA để thực hiện mô hình cấu trúc tuyến tính hoặc đánh giá độ tin cậy mô hình. Từ đó, kiểm định về mối quan hệ phức tạp giữa các khái niệm nghiên cứu.
Các tiêu chí trong phân tích nhân tố khám phá EFA của SPSS
Trong quá trình phân tích nhân tố khám phá (EFA), người nghiên cứu phải nắm được các tiêu chí:
Hệ số KMO
Hệ số KMO là một chỉ số dùng để xem xét sự phù hợp, thích ứng của phân tích nhân tố. Trong đó, trị số của KMO phải nằm trong khoảng 0.5 – 1. Đây là điều kiện đủ và phù hợp để người nghiên cứu phân tích nhân tố. Ngược lại, nếu trị số nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không tương thích với tập dữ liệu nghiên cứu. Một số ngưỡng giá trị KMO được đề xuất như:
-
KMO ≥ 5: Giá trị chấp nhận ở mức tối thiểu
-
5 < KMO ≤ 0.7: Mức chấp nhận đạt ngưỡng bình thường
-
7 < KMO ≤ 0.8: Mức chấp nhận đạt ngưỡng tốt
-
8 < KMO ≤ 0.9: Mức chấp nhận đạt ngưỡng rất tốt
-
KMO > 9: Mức chấp nhận đạt ngưỡng xuất sắc
Kiểm định Bartlett
Kiểm định Bartlett là kiểm định xem xét có mối tương quan xảy ra giữa các biến tham gia EFA. Giả định trong EFA là mọi biến quan sát có sự tương quan với nhau đưa vào phân tích. Thay vì phải đánh giá dựa vào ma trận tương quan, người nghiên cứu có thể dùng kiểm định Bartlett. Kiểm định này sẽ xem xét mối tương quan giữa các biến tham gia EFA với giả thuyết H0. Đây là giả thuyết kiểm định không có mối tương quan giữa các biến quan sát. Trường hợp “sig” kiểm định Bartlett < 0.05, người nghiên cứu có thể bác bỏ H0. Sau đó, bạn hoàn toàn có thể kết luận các biến tham gia EFA có sự tương quan với nhau. Ngược lại, nếu “sig” > 0.5, người nghiên cứu có thể chấp nhận H0. Đồng thời, kết luận được các biến quan sát không có sự tương quan và phân tích EFA không phù hợp.
Trị số Eigenvalue
Đây là một tiêu chí phổ biến được sử dụng nhằm xác định số lượng nhân tố trong EFA. Cụ thể, trong tiêu chí, những nhân tố nào có Eigenvalue ≥ 1 sẽ được giữ lại. Ngược lại, nhân tố không có giá trị Eigenvalue < 1 bị loại bỏ trong mô hình phân tích.
Tổng phương sai trích
Nếu tổng phương sai trích ≥ 50% thì mô hình EFA là phù hợp. Nếu coi biến thiên là 100% thì trị số tổng phương sai thể hiện các nhân tố được trích cô đọng bao nhiêu % và thất thoát bao nhiêu % của các biến quan sát.
>> Xem thêm: Download phần mềm SPSS 20 và SPSS 22 full bản quyền
Trọng số nhân tố
Trọng số nhân tố hay còn được gọi là hệ số tải nhân tố. Giá trị này dùng để biểu thị mối quan hệ tương quan giữa các nhân tố và biến quan sát. Nếu trọng số nhân tố càng cao thì tương quan giữa các biến với nhân tố càng lớn và ngược lại. Trên thực tế, người nghiên cứu thường lấy hệ số tải 0.5 làm mức tiêu chuẩn. Với hệ số 0.5, cỡ mẫu sẽ khoảng 120 – 350. Trường hợp hệ số tải tiêu chuẩn là 0.3 thì cỡ mẫu > 350.
Kết luận
Trên đây là toàn bộ thông tin tổng quan về phân tích nhân tố khám phá (EFA) trong SPSS. Nếu bạn không có nhiều kinh nghiệm trong việc phân tích EFA? Bạn cần tìm đến dịch vụ nhận xử lý số liệu SPSS để hoàn thành bài luận? Khi gặp khó khăn về vấn đề phân tích kinh tế lượng, chạy SPSS, liên hệ Viết báo cáo thuê 24h.
Hỗ trợ viết báo cáo thuê 24h chuyên cung cấp dịch vụ viết báo cáo thực tập đa dạng lĩnh vực với giá thành cực kỳ hợp lý dành cho học sinh sinh viên. Chúng tôi có một quy trình làm việc rõ ràng, đội ngũ chuyên gia giàu kiến thức và kinh nghiệm chắc chắn sẽ giúp bạn hoàn thành báo cáo một cách nhanh chóng nhất với điểm số như ý.
Mọi thông tin chi tiết xin liên hệ
-
Địa chỉ: BT1A, KĐT Mỹ Đình 2, Phường Mỹ Đình 2, Quận Nam Từ Liêm, Thành phố Hà Nội
-
Hotline: 0983 018 995
-
Email: hotrovietbaocao24h@gmail.com
-
Website: vietbaocaothue24h.com
-
Fanpage: Hỗ trợ viết báo cáo