Phân tích nhân tố khám phá EFA nghĩa là gì? Các tiêu chí trong phân tích EFA

Một trong những bước vô cùng quan trọng khi xử lý định lượng của bài luận văn, bài nghiên cứu đó chính là phân tích nhân tố khám phá EFA. Thông qua EFA, bạn sẽ có thể định hình lại cấu trúc các nhóm thang đo, xem xét sự hội tụ và phân biệt của các nhóm biến, đồng thời giúp loại bỏ đi những biến quan sát rác giúp cải thiện kết quả nghiên cứu.

Phân tích nhân tố khám phá EFA nghĩa là gì?Phân tích nhân tố khám phá EFA nghĩa là gì?Trong khi tất cả chúng ta dùng chiêu thức Cronbach Alpha để nhìn nhận độ đáng tin cậy của thang đo thì chiêu thức nghiên cứu và phân tích tác nhân tò mò EFA ( Exploratory Factor Analysis, gọi tắt là giải pháp EFA ) lại giúp tất cả chúng ta nhìn nhận hai loại giá trị quan trọng của thang đo là giá trị quy tụ và giá trị phân biệt .

Khái niệm phân tích nhân tố khám phá EFA

Phân tích nhân tố khám phá EFA dùng để rút gọn một tập hợp x biến quan sát thành một tập F (với F

Bạn đang đọc: Phân tích nhân tố khám phá EFA nghĩa là gì? Các tiêu chí trong phân tích EFA

Phân tích nhân tố khám phá EFA nghĩa là gì? Các tiêu chí trong phân tích EFA

Những tiêu chí trong phân tích EFA bao gồm những gì?

– Hệ số tải nhân tố (Factor loading): Được định nghĩa là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.

Theo Hair và ctg ( 1998, 111 ), thông số tải tác nhân hay trọng số tác nhân ( Factor loading ) là chỉ tiêu để bảo vệ mức ý nghĩa thiết thực của EFA :• Nếu Factor loading > 0.3 được xem là đạt mức tối thiểu• Nếu Factor loading > 0.4 được xem là quan trọng• Nếu Factor loading > 0.5 được xem là có ý nghĩa thực tiễnTuy nhiên, bạn cần quan tâm giá trị tiêu chuẩn của thông số tải Factor Loading cần phải nhờ vào vào kích cỡ mẫu. Trong trong thực tiễn, việc nhớ từng mức thông số tải với từng khoảng chừng kích cỡ mẫu không hề thuận tiện, chính cho nên vì thế người ta thường lấy thông số tải 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350 ; lấy tiêu chuẩn thông số tải là 0.3 với cỡ mẫu từ 350 trở lên .

– Kiểm định Bartlett có ý nghĩa thống kê (Sig.

– Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. 

– Phần trăm phương sai trích (Percentage of variance) > 50%: Nó thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.

– Trị số Eigenvalue là một tiêu chí dùng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.

Nếu quá khó khăn trong quá trình chạy spss bạn hay tham khảo và lựa chọn một trong các trung tâm cung cấp Dịch Vụ SPSS để được hỗ trợ nhiệt tình với giá cả tốt nhất.

Hai quy tắc loại biến xấu trong phân tích nhân tố

Phân tích nhân tố khám phá EFA nghĩa là gì?Hai quy tắc loại biến xấu trong phân tích nhân tốQuy tắc loại biến xấuĐể quyết định hành động giữ biến hay loại biến, bạn cần nắm rõ những yếu tố thiết yếu để bảng hiệu quả ma trận xoay có ý nghĩa thống kê là :- Kiểm định Bartlett có sig phải nhỏ hơn 0.05- Hệ số KMO phải nằm trong đoạn từ 0.5 đến 1- Tổng phương sai trích lớn hơn hoặc bằng 50 % .- Giá trị Eigenvalue lớn hơn hoặc bằng 1Vì nếu như chỉ cần một trong những tiêu chuẩn trên bị vi phạm, bảng ma trận xoay sẽ không còn có ý nghĩa nữa. Nếu mọi thứ OK hết, bạn mới đi đến phần loại biến ở ma trận xoay nhé .Dù bạn loại lần lượt từng biến hay loại một loạt những biến xấu trong một lần phân tich EFA thì bạn cũng cần bảo vệ 2 yếu tố quan trọng sau đây :

Quy tắc 1: Đảm bảo độ giá trị hội tụ.

Về mặt ý nghĩa, các hệ số tải nhân tố factor loading phải lớn hơn 0.5. Các items có hệ số tải bé hơn 0.5 cần phải được loại bỏ và chạy lại khi phân tích nhân tố.

Quy tắc 2: Đảm bảo độ giá trị phân biệt.

Xét trong cùng 1 dòng, chênh lệch giữa giá trị lớn nhất và giá trị lớn thứ nhì phải lớn hơn 0.3

Với những chia sẻ bên trên về phân tích nhân tố khám phá EFA, hi vọng rằng bạn sẽ nắm được những kiến thức cơ bản về EFA. Cảm ơn bạn đã đọc bài viết của chúng tôi.

0 Shares
Share
Tweet
Pin