Bạn dán nhãn 5 ngăn tủ, rồi đổ 20 món ra sàn và nhờ người lạ xếp lại theo món nào hay "đi cùng"
món nào. Xếp ra đúng 5 chồng như nhãn → nhãn đáng tin. Món nào lưng chừng giữa hai chồng → món đó có vấn đề.
Người lạ đó là EFA (phân tích nhân tố khám phá).
EFA dùng để làm gì trong khóa luận của bạn
Cronbach's Alpha (bài 10) chỉ nhìn từng ngăn riêng. Nó không
biết câu X1.3 thật ra giống X3 hơn. EFA nhìn cả 20 câu cùng lúc, nên bắt được lỗi đó.
Lần chạy
Đưa vào
Kỳ vọng
EFA biến độc lập
20 câu X1.1 … X5.4
5 nhân tố, mỗi nhân tố đúng 4 câu của một biến
EFA biến phụ thuộc
4 câu Y.1 … Y.4
1 nhân tố duy nhất
Chạy EFA riêng cho khối X và khối Y là quy ước phổ biến trong khóa luận VN, không phải
luật bắt buộc. Lý do thực dụng: Y đóng vai trò biến phụ thuộc trong mô hình, và trộn chung thì câu Y
tải sang nhóm X có thể là lỗi đo, cũng có thể là chính quan hệ X→Y bạn muốn kiểm định - không tách được.
Một số tác giả lại chạy chung để xét giá trị phân biệt giữa X và Y, hoặc dùng CFA. Hỏi GVHD trường
bạn theo hướng nào, và ghi lựa chọn đó vào Chương 3.
Phương pháp trích: SPSS mặc định Principal Components (PCA) và in ra bảng
"Rotated Component Matrix". Nếu chọn Principal Axis Factoring thì bảng tên là "Factor Matrix".
Hai cách cho kết quả gần nhau nhưng không giống nhau - hội đồng có thể hỏi "em dùng PCA hay PAF?".
Chọn trước, ghi vào Chương 3, đừng đổi giữa đường.
EFA không chứng minh nhân quả
EFA chỉ nói câu nào đi cùng câu nào, không nói CLND có làm tăng ý định mua hay không.
Đó là việc của hồi quy (bài 13).
Đọc output theo năm cửa, đúng thứ tự
KMO ≥ 0,5 (Kaiser, 1974)Dữ liệu có đủ phần "chung" để gom nhóm không. Thang của Kaiser: 0,90s marvelous · 0,80s meritorious · 0,70s middling · 0,60s mediocre · 0,50s miserable · dưới 0,50 unacceptable. KMO = 0,56 (số liệu giả lập) là qua ngưỡng nhưng ở mức miserable - ghi trung thực như vậy.
Kiểm định tính cầu Bartlett, p < 0,05H0: ma trận tương quan là ma trận đơn vị (các câu không liên quan nhau). p < 0,05 → bác bỏ H0 → có tương quan để gom. Với n ≈ 250 kiểm định này gần như luôn đạt, đừng coi là bằng chứng mạnh.
Eigenvalue > 1 - tiêu chí Kaiser (1960)Giữ nhân tố giải thích nhiều hơn một câu đơn lẻ. Tiêu chí này hay giữ thừa: ra 6 nhân tố, nhân tố thứ 6 có eigenvalue 1,04 (số liệu giả lập) → xem biểu đồ scree, chỗ "gãy khuỷu".
Phương sai trích ≥ 50%Quy ước phổ biến trong khóa luận VN (thường dẫn Hair et al., Nguyễn Đình Thọ - chưa đối chiếu sách), không phải chuẩn quốc tế thống nhất. Viết "đạt mức quy ước 50%", không viết "đạt yêu cầu bắt buộc".
Hệ số tải ≥ 0,5 (Hair et al.) trong ma trận xoayMỗi câu tải mạnh lên đúng nhân tố của nó. Hair et al. có hai bộ quy tắc, đừng trộn: theo ý nghĩa thực tiễn, 0,5 là "có ý nghĩa thực tiễn"; theo cỡ mẫu, n ≈ 120 cần 0,50, n ≈ 250 cần 0,35. Khi trích phải ghi rõ ấn bản.
Tải chéo: một câu tải đáng kể lên hai nhân tố, ví dụ X3.2 tải 0,58 lên MBTT và 0,52 lên DTC
(số liệu giả lập) - không rõ nó đo cái gì. Mức chênh lệch tối thiểu giữa hai hệ số tải mà nhiều
tài liệu VN dùng không có trong nguồn của khóa này; hỏi GVHD.
Varimax hay Promax
Phép xoay
Giả định
Bảng cần đọc
Varimax
Các nhân tố không tương quan (xoay vuông góc). Phổ biến ở VN.
Rotated Component Matrix
Promax
Các nhân tố được phép tương quan (xoay xiên).
Pattern Matrix; hệ số có thể vượt 1
5 khía cạnh nội dung số của bạn gần như chắc chắn liên quan nhau: trang mô tả tốt thường minh bạch hơn.
Về lý thuyết Promax hợp lý hơn; Varimax dễ trình bày hơn. Chọn một, ghi lý do ở Chương 3 - đừng chạy
cả hai rồi chọn bản đẹp hơn.
Khi một câu tải kém
Loại từng câu một, câu tệ nhất trướcCâu không tải ≥ 0,5 ở đâu, hoặc tải chéo nặng nhất.
Chạy lại toàn bộ EFABỏ một câu làm đổi mọi hệ số khác; câu đang "xấu" có thể tốt lên.
Giải thích bằng nội dung câu hỏiVí dụ: "X3.2 hỏi về nguồn gốc mật ong, dễ hiểu thành độ tin cậy." Ghi nhật ký từng lần loại.
Chạy lại Alpha cho nhóm vừa mất câuThành phần thang đo đã đổi nên α cũng đổi. Báo cáo α sau cùng, so với 0,7 (Nunnally, 1978).
Loại câu để "đẹp số" mà không giải thích được là chuyện liêm chính dữ liệu (bài 17).
Kiểm tra trí nhớ
Vì sao 4 câu của Y thường được chạy EFA riêng?
Trộn chung thì không tách được lỗi đo với chính quan hệ X→Y. Lưu ý: đây là quy ước, không phải luật - một số tác giả chạy chung để xét giá trị phân biệt. "Ít câu hơn" nghe hợp lý nhưng sai: X1 cũng chỉ có 4 câu, giống Y.
KMO = 0,56 (số liệu giả lập). Viết gì cho đúng?
0,56 qua ngưỡng 0,5 của Kaiser (1974) nhưng nằm ở dải miserable. "Đạt mức tốt" là cách viết hấp dẫn nhất nhưng thổi phồng kết quả. KMO cũng không đo độ tin cậy.
Kiểm định tính cầu Bartlett có p < 0,05 cho biết điều gì?
Bartlett chỉ bác bỏ H0 "ma trận tương quan là ma trận đơn vị". "Gom đúng 5 nhân tố" hấp dẫn vì đó là điều bạn mong, nhưng phải đọc ma trận xoay mới biết.
X5.3 không tải ≥ 0,5 lên nhân tố nào. Bước kế tiếp là gì?
Loại từng câu rồi chạy lại. Loại hai câu một lượt hấp dẫn vì nhanh, nhưng câu yếu thứ hai có thể tốt lên sau lần chạy lại. Đổi phép xoay đến khi "đạt" là chọn phương pháp theo kết quả.
Nhớ lại không nhìn đáp án
Tự trả lời thành tiếng trước khi bấm mở.
Kể năm cửa đọc output EFA theo thứ tự, kèm ngưỡng và tên tác giả.
bấm để xem
KMO ≥ 0,5 (Kaiser, 1974) → Bartlett p < 0,05 (tính cầu) → eigenvalue > 1 (tiêu chí Kaiser, 1960) + xem scree → phương sai trích ≥ 50% (quy ước VN) → hệ số tải ≥ 0,5 (Hair et al.), không tải chéo.
Varimax và Promax khác nhau ở giả định nào?
bấm để xem
Varimax: các nhân tố không tương quan (vuông góc). Promax: cho phép tương quan (xiên), đọc Pattern Matrix.
Sau khi loại một câu ở EFA, phải làm thêm hai việc gì?
bấm để xem
Chạy lại toàn bộ EFA, rồi chạy lại Alpha cho nhóm vừa mất câu.
Bài tập - áp lên khóa luận của bạn
20 phút · làm ngay
Mở KLTN_CHINH_SUA_DOT_1.docx, phần phương pháp phân tích dữ liệu ở Chương 3. Viết kịch bản
cho ba tình huống xấu (số liệu giả lập), mỗi tình huống 3 dòng: làm gì trước, làm gì sau, câu sẽ viết vào Chương 4.
#
Tình huống
1
EFA 20 câu X cho KMO = 0,47, nhưng Bartlett vẫn p < 0,001. (Gợi ý: xem chỉ số MSA của từng câu trên đường chéo ma trận anti-image - câu nào kéo KMO xuống; và kiểm tra lại xem có câu nào bị mã hóa ngược.)
2
Ra 6 nhân tố eigenvalue > 1; nhân tố thứ 6 chỉ gồm X2.4 và X4.1, eigenvalue 1,03.
3
X3.2 tải 0,58 lên MBTT và 0,52 lên DTC; X5.3 không tải ≥ 0,5 ở đâu.
Tình huống 3: quyết định câu nào xử lý trước, vì sao; đọc lại nguyên văn hai câu trong bảng hỏi.
Sản phẩm: bảng 3 dòng gửi GVHD duyệt, để quy tắc loại câu được chốt trước khi thấy dữ liệu thật.
Đọc thêm - nguồn chính cho bài này
Field, A., Discovering Statistics Using IBM SPSS Statistics, 6th edition, SAGE - chương về
phân tích nhân tố khám phá.
Trang nhà xuất bản.
Đọc để hiểu phép xoay và cách đọc Pattern Matrix.
Có gì chưa rõ?
Hỏi tôi bất cứ lúc nào
Tôi là giáo viên của bạn trong khóa này. Cần thì nói "vẽ cho tôi một ma trận xoay giả lập".
Ghi chú thuật ngữ: từ điển chưa có mục "tải chéo" (cross-loading), "biểu đồ scree" và "Pattern Matrix"; bài dùng cách gọi phổ biến nhất.