Hướng dẫn phân tích nhân tố khám phá (EFA) bằng phần mềm SPSS

Trong nghiên cứu khoa học, đặc biệt là trong các lĩnh vực như tâm lý học, xã hội học, quản trị kinh doanh, chúng ta thường làm việc với các khái niệm phức tạp, trừu tượng (còn gọi là các **biến tiềm ẩn** hay **nhân tố**). Các khái niệm này không thể đo lường trực tiếp mà phải thông qua nhiều biến quan sát (câu hỏi) cụ thể. **Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA)** là một kỹ thuật thống kê mạnh mẽ giúp chúng ta xác định cấu trúc tiềm ẩn của một tập hợp các biến quan sát, nhóm các biến liên quan lại với nhau thành các nhân tố chung và loại bỏ các biến không phù hợp.

⚡

BÁO GIÁ SIÊU TỐC TRONG 5-15 PHÚT

Nếu bạn cần dịch vụ hỗ trợ về dữ liệu, chỉ cần nhắn Zalo và cung cấp thông tin bài. Bạn sẽ nhận được báo giá chi tiết chỉ sau 5-15 phút.

* Lưu ý: Mọi báo giá trên website chỉ là tham khảo do tính chất các bài hoàn toàn khác nhau:

• Cùng các bước chạy nhưng 3 giả thuyết độ khó khác bài 10 giả thuyết.
• Sửa dữ liệu đã đạt 5/6 bước sẽ khác bộ chỉ mới đạt 3/6 bước.
• Cùng một mô hình nhưng trình tự và yêu cầu khác nhau tạo ra độ khó khác nhau.

NHẮN ZALO BÁO GIÁ NGAY: 086 978 6862

Bài viết này sẽ giải thích rõ EFA là gì, các giả định cần thiết, cách diễn giải kết quả và hướng dẫn chi tiết cách thực hiện phân tích này trên phần mềm SPSS.

1. Phân tích nhân tố khám phá (EFA) là gì?

1.1. Khái niệm và mục đích

Phân tích nhân tố khám phá (EFA) là một kỹ thuật giảm chiều dữ liệu (data reduction technique) được sử dụng để:

• **Phát hiện cấu trúc tiềm ẩn:** Xác định các nhân tố tiềm ẩn (latent factors) từ một tập hợp lớn các biến quan sát.
• **Giảm số lượng biến:** Thay thế nhiều biến quan sát bằng một số ít nhân tố, giúp đơn giản hóa dữ liệu mà vẫn giữ được phần lớn thông tin.
• **Đánh giá tính hợp lệ của thang đo:** Xác nhận liệu các câu hỏi (items) có nhóm lại với nhau một cách logic theo các khái niệm lý thuyết mà chúng được thiết kế để đo lường hay không.

EFA thường được sử dụng trong giai đoạn đầu của phát triển thang đo hoặc khi nhà nghiên cứu chưa có giả thuyết rõ ràng về cấu trúc nhân tố.

1.2. Các thuật ngữ quan trọng trong EFA

• **Biến quan sát (Observed Variables/Items):** Các câu hỏi hoặc chỉ báo cụ thể mà bạn thu thập dữ liệu (ví dụ: các câu hỏi trong bảng khảo sát).
• **Nhân tố (Factor/Latent Variable):** Khái niệm trừu tượng, không đo lường trực tiếp, được suy ra từ các biến quan sát.
• **Hệ số tải nhân tố (Factor Loading):** Giá trị thể hiện mối tương quan giữa một biến quan sát và một nhân tố. Hệ số này càng lớn, biến quan sát đó càng đo lường tốt nhân tố đó. Ngưỡng chấp nhận thường là ≥ 0.5 (tốt nhất là ≥ 0.7).
• **Eigenvalue (Giá trị riêng):** Là lượng phương sai của tất cả các biến quan sát được giải thích bởi một nhân tố. Thường chỉ giữ lại các nhân tố có Eigenvalue ≥ 1.
• **Tổng phương sai trích (Total Variance Explained):** Tổng phần trăm phương sai của các biến quan sát được giải thích bởi tất cả các nhân tố được giữ lại. Giá trị này càng cao càng tốt (thường > 50%).
• **Hiệp phương sai dư (Residuals):** Phần phương sai còn lại không được giải thích bởi các nhân tố.
• **Vòng quay nhân tố (Rotation):** Kỹ thuật xoay các trục nhân tố để làm cho cấu trúc nhân tố dễ diễn giải hơn. Các phương pháp phổ biến là Varimax (cho nhân tố không tương quan) và Promax (cho nhân tố tương quan).

—

2. Các giả định và điều kiện của EFA

Để EFA cho kết quả đáng tin cậy, cần đảm bảo một số giả định:

• **Dữ liệu định lượng:** Các biến quan sát phải là biến định lượng (Scale) hoặc thang đo Likert (Ordinal) có ít nhất 5 bậc (để coi gần như định lượng).
• **Kích thước mẫu phù hợp:**
  • Quy tắc chung: Tối thiểu 5-10 quan sát cho mỗi biến (item).
  • Nhiều tác giả khuyến nghị: N ≥ 100-200.
• **Tương quan giữa các biến:** Các biến quan sát trong cùng một nhân tố phải có mối tương quan với nhau.
  • **Kiểm định Bartlett’s Test of Sphericity:** Kiểm tra xem ma trận tương quan có phải là ma trận đơn vị hay không (tức là các biến có tương quan với nhau hay không). Giá trị Sig. (p-value) phải < 0.05 để bác bỏ giả thuyết $H_0$ (ma trận là đơn vị), cho thấy các biến có tương quan với nhau và phù hợp để thực hiện EFA.
  • **Chỉ số KMO (Kaiser-Meyer-Olkin):** Đo lường mức độ phù hợp của dữ liệu để thực hiện EFA. Giá trị KMO nên ≥ 0.5 (tốt nhất ≥ 0.7).
• **Không có đa cộng tuyến hoàn hảo:** Các biến không nên có tương quan quá cao với nhau (thường tránh tương quan > 0.9).

—

3. Hướng dẫn thực hành trên SPSS: Phân tích nhân tố khám phá (EFA)

Chúng ta sẽ thực hiện một ví dụ cụ thể để minh họa cách chạy EFA trên SPSS.

Ví dụ minh họa: Các yếu tố ảnh hưởng đến sự hài lòng công việc

Giả sử bạn đang nghiên cứu về sự hài lòng công việc và đã thu thập dữ liệu từ 200 nhân viên với 15 câu hỏi (item), được kỳ vọng sẽ nhóm thành 3 nhân tố tiềm ẩn: **Môi trường làm việc (MT)**, **Cơ hội phát triển (PT)**, và **Chính sách lương thưởng (LT)**.

Các biến quan sát (từ MT1 đến LT5) được đo bằng thang Likert 5 mức độ.

Các bước thực hiện trên SPSS:

3.1. Chuẩn bị dữ liệu và kiểm tra giả định

1. **Nhập dữ liệu:** Đảm bảo rằng bạn đã nhập dữ liệu cho 15 biến (MT1, MT2, MT3, MT4, MT5, PT1, PT2, PT3, PT4, PT5, LT1, LT2, LT3, LT4, LT5) vào SPSS. Các biến này nên được định nghĩa là **Scale** trong Variable View.
2. **Kiểm tra KMO và Bartlett’s Test of Sphericity:**
   • Vào menu: **Analyze > Dimension Reduction > Factor…**
   • Hộp thoại **Factor Analysis** xuất hiện. Chuyển tất cả 15 biến sang ô **Variables:**.
   • Nhấp vào nút **Descriptives…**.
   • Trong phần **Statistics**, tích chọn **KMO and Bartlett’s test of sphericity**.
   • Nhấp **Continue**, sau đó **OK** (tạm thời để kiểm tra giả định).

   Diễn giải kết quả KMO và Bartlett:

   • Kiểm tra bảng **KMO and Bartlett’s Test**.
     • **KMO Measure of Sampling Adequacy:** Cần ≥ 0.5 (tốt nhất ≥ 0.7).
     • **Bartlett’s Test of Sphericity – Sig.:** Cần < 0.05.
   • Nếu các điều kiện này không được thỏa mãn, dữ liệu không phù hợp để thực hiện EFA.

3.2. Chạy phân tích EFA chi tiết

Sau khi đã kiểm tra giả định, bạn quay lại hộp thoại **Factor Analysis**:

3. Vào menu: **Analyze > Dimension Reduction > Factor…** (hoặc quay lại nếu bạn vừa kiểm tra KMO).
4. Đảm bảo 15 biến vẫn ở trong ô **Variables:**.
5. Nhấp vào nút **Extraction…**.
   • Trong phần **Method**, chọn **Principal Axis Factoring** (thường dùng cho EFA khi mục tiêu là khám phá các nhân tố tiềm ẩn) hoặc **Principal Components** (thường dùng để giảm số chiều dữ liệu mà không cần giả định các nhân tố tiềm ẩn).
   • Dưới phần **Extract**, chọn **Eigenvalues greater than 1** (là tiêu chí Kaiser, phổ biến nhất) hoặc **Fixed number of factors** (nếu bạn đã có lý thuyết về số lượng nhân tố).
   • Tích chọn **Display > Unrotated factor solution** và **Scree plot**.
   • Nhấp **Continue**.
6. Nhấp vào nút **Rotation…**.
   • Trong phần **Method**, chọn phương pháp quay nhân tố phù hợp:
     • **Varimax:** Nếu bạn giả định các nhân tố độc lập (không tương quan với nhau). Đây là phương pháp phổ biến nhất.
     • **Promax:** Nếu bạn giả định các nhân tố có thể tương quan với nhau (thường dùng khi có nhiều hơn một nhân tố và có thể có mối liên hệ giữa chúng).

     Trong ví dụ này, chúng ta sẽ chọn **Varimax**.

   • Tích chọn **Display > Rotated solution**.
   • Nhấp **Continue**.
7. Nhấp vào nút **Options…**.
   • Dưới phần **Missing Values**, chọn **Exclude cases listwise** (loại bỏ các hàng có bất kỳ giá trị thiếu nào).
   • Dưới phần **Coefficient Display Format**:
     • Tích chọn **Sorted by size** để các hệ số tải nhân tố được sắp xếp theo thứ tự giảm dần cho mỗi nhân tố.
     • Tích chọn **Suppress small coefficients** và nhập một giá trị ngưỡng (ví dụ: `0.5`) để ẩn các hệ số tải quá nhỏ, giúp bảng kết quả dễ đọc hơn.
   • Nhấp **Continue**.
8. Nhấp **OK** trong hộp thoại **Factor Analysis** chính.

3.3. Diễn giải kết quả Output của SPSS

Cửa sổ Output của SPSS sẽ hiển thị nhiều bảng kết quả quan trọng:

3.3.1. KMO and Bartlett’s Test (Kiểm định giả định)

Diễn giải:

• **KMO = 0.895:** Lớn hơn 0.5 (và thậm chí lớn hơn 0.7), cho thấy dữ liệu rất phù hợp để phân tích nhân tố.
• **Bartlett’s Test of Sphericity, Sig. = 0.000:** Nhỏ hơn 0.05, bác bỏ $H_0$, cho thấy các biến có tương quan với nhau và không phải là ma trận đơn vị. Điều kiện để chạy EFA được thỏa mãn.

3.3.2. Total Variance Explained (Tổng phương sai được giải thích)

Diễn giải:

• Bảng này cho biết số lượng nhân tố được trích xuất và tổng phương sai mà chúng giải thích.
• Cột **Initial Eigenvalues**: Giá trị riêng ban đầu của từng nhân tố.
• Cột **Extraction Sums of Squared Loadings**: Thể hiện lượng phương sai được giải thích bởi các nhân tố sau khi trích xuất.
• Cột **Rotation Sums of Squared Loadings**: Lượng phương sai được giải thích bởi các nhân tố sau khi xoay.
• Trong ví dụ này, có 3 nhân tố có Eigenvalue > 1 được trích xuất. Tổng phương sai được giải thích bởi 3 nhân tố này là 63.334%. Đây là một tỷ lệ chấp nhận được (thường > 50%).

3.3.3. Scree Plot (Biểu đồ khuỷu tay)

Biểu đồ Scree Plot trực quan hóa các Eigenvalue theo thứ tự giảm dần. Điểm “khuỷu tay” (nơi đường biểu đồ bắt đầu dốc ít hơn) thường được dùng để xác định số lượng nhân tố tối ưu. Trong ví dụ này, bạn sẽ thấy đường biểu đồ dốc mạnh ở 3 điểm đầu tiên, sau đó bắt đầu “phẳng” ra, gợi ý 3 nhân tố.

3.3.4. Rotated Factor Matrix (Ma trận nhân tố đã xoay)

Diễn giải:

• Đây là bảng quan trọng nhất để xác định cấu trúc nhân tố. Mỗi ô chứa hệ số tải nhân tố của một biến trên một nhân tố. Các giá trị trống là do chúng ta đã cài đặt ẩn các hệ số nhỏ hơn 0.5.
• Mỗi biến quan sát lý tưởng chỉ nên tải mạnh lên **một** nhân tố và tải yếu lên các nhân tố khác.
• Trong ví dụ này:
  • Các biến MT1-MT5 tải mạnh lên Factor 1.
  • Các biến PT1-PT5 tải mạnh lên Factor 2.
  • Các biến LT1-LT5 tải mạnh lên Factor 3.
• Điều này hoàn toàn phù hợp với giả thuyết ban đầu của bạn về 3 nhân tố: Môi trường làm việc, Cơ hội phát triển, và Chính sách lương thưởng.

3.3.5. Factor Transformation Matrix (Ma trận biến đổi nhân tố)

Bảng này hiển thị ma trận quay được sử dụng để chuyển đổi các nhân tố chưa xoay sang các nhân tố đã xoay. Bảng này ít được diễn giải trực tiếp trong hầu hết các nghiên cứu.

—

4. Các vấn đề thường gặp và cách xử lý trong EFA

• **Hệ số tải chéo (Cross-loading):** Một biến tải mạnh lên nhiều hơn một nhân tố.
  • **Giải pháp:** Cân nhắc loại bỏ biến đó, hoặc xem xét lại lý thuyết, hoặc thử phương pháp quay nhân tố khác (ví dụ: Promax nếu bạn nghi ngờ các nhân tố có tương quan).
• **Hệ số tải thấp (Low loading):** Một biến tải yếu lên tất cả các nhân tố (thường < 0.5).
  • **Giải pháp:** Loại bỏ biến đó.
• **Nhân tố có quá ít biến:** Một nhân tố chỉ được tạo thành từ 1 hoặc 2 biến.
  • **Giải pháp:** Cần thêm biến mới, hoặc xem xét lại liệu nhân tố đó có thực sự cần thiết hay không. Một nhân tố nên có ít nhất 3 biến để ổn định.
• **Số lượng nhân tố khác biệt so với lý thuyết:** SPSS trích xuất nhiều hoặc ít nhân tố hơn bạn mong đợi.
  • **Giải pháp:** Kiểm tra lại Scree Plot, cân nhắc tiêu chí trích xuất (Eigenvalue > 1 hay số nhân tố cố định), và dựa vào cơ sở lý thuyết để quyết định số nhân tố cuối cùng.

—

Phân tích nhân tố khám phá (EFA) là một bước quan trọng để xác nhận cấu trúc thang đo và giảm thiểu dữ liệu trong nghiên cứu định lượng. Bằng cách thực hiện đúng các bước và diễn giải kết quả một cách cẩn trọng, bạn sẽ xây dựng được những thang đo đáng tin cậy và hợp lệ, làm nền tảng vững chắc cho các phân tích thống kê tiếp theo.