Giáo Trình SPSS bài 6 phan tich nhan to kham pha

LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA
1. Lời nói đầu
Trong bài trước, chúng ta thực hiện phân tích Cronbach’s Alpha nhằm kiểm định độ tin cậy
thang đo. Bước tiếp theo trong quá trình phân tích dữ liệu nghiên cứu là thực hiện phân
tích nhân tố khám phá (EFA). Phân tích nhân tố khám phá (EFA) có các tác dụng sau:
- Khi thực hiện phân tích Cronbach’s Alpha thì chúng ta thực hiện trên từng thang đo một
cách riêng rẽ. Do đó sẽ có trường hợp mục hỏi của thang đo này sẽ có mối quan hệ với thang
đo khác. Để kiểm tra xem có xảy ra trường hợp này hay không, chúng ta sẽ dùng phân tích
nhân tố khám phá. Nếu có trường hợp này xảy ra, mục hỏi có thể bị loại bỏ nhằm đảm bảo
các thang đo đạt được độ giá trị hội tụ và độ giá trị phân biệt.
- Phân tích nhân tố khám phá còn đảm bảo việc các thang đo lường là đơn hướng (thang đo
lường đa hướng bao gồm các mục hỏi đo lường cho các khái niệm khác nhau).
2. Thực hiện phân tích EFA trên SPSS
Lưu ý: Các biến đã bị loại bỏ trong phân tích Cronbach’s Alpha thì khơng đem vào
trong phân tích EFA
Bước 1: Chọn menu Analyze → Dimension Reduction → Factor…

Bước 2: Chọn các biến quan sát (mục hỏi) cần phân tích EFA vào khung Variables. Lưu ý là
chúng ta sẽ phân tích EFA riêng rẽ cho biến độc lập và biến phụ thuộc. Trong phần này
1


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA
chúng ta sẽ thực hiện EFA cho các mục hỏi biến độc lập, các mục hỏi của biến phụ thuộc làm
tương tự.

Bước 3: Click Descriptives…Tích dấu chọn như hình.

Bước 4: Click Continue → Click Extraction…Tích dấu chọn như hình

2


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Bước 5: Click Continue → Click Rotation → Chọn Promax

Bước 6: Click Continue → Click Options…Thiết lập tùy chọn như hình sau:

3


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Với 2 lựa chọn này chúng ta sẽ sắp xếp các biến quan sát trong cùng nhân tố theo thứ tự
giảm dần của trọng số nhân tố, đồng thời loại bỏ các biến quan sát có trọng số nhân tố < 0,3.
Lưu ý: Khi phân tích nhân tố, một số tác giả yêu cầu các trọng số nhân tố phải >= 0,5.
Một số khác chấp nhận >= 0,4. Ở đây chúng ta loại bỏ các nhân tố có trọng số < 0,3
trước. Sau đó loại bỏ từ từ các biến quan sát có trọng số nhỏ hơn ngưỡng chúng ta

mong muốn để tránh làm mất mát thông tin.
Yêu cầu khi phân tích EFA:
EFA sử dụng phương pháp Principle Axis Factoring với phép quay Promax và điểm
dừng khi trích các yếu tố có eigenvalue là 1 vì phương pháp này sẽ phản ánh cấu trúc
dữ liệu chính xác hơn dùng Principles Component với phép quay Varimax (Thọ &
Trang, 2007, Anderson & Gerbing, 1988).
Thực hiện phân tích nhân tố khám phá EFA bằng phương pháp Principle Axis
Factoring và phép quy Promax với yêu cầu:
- |Factor Loading| lớn nhất của mỗi Item >=0.4
- Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và |Factor Loading| bất kỳ phải
>=0.3
- Tổng phương sai trích >=50% (Anderson & Gerbing, 1988)
4


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA
- KMO>=0.5, Kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05)

Bước 7: Click Continue → Click OK. Chúng ta có kết quả phân tích nhân tố như sau:

u cầu là hệ số KMO >= 0,5 và Sig <= 5% thì kết quả phân tích EFA mới có ý nghĩa

Yêu cầu: Tổng phương sai trích phải >= 50%.

5

LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Ta thấy mục hỏi hh8 và nlpv5 có trị tuyệt đối hệ số tải nhận tố lần lượt là 0,347 và 0,372.
Do đó ta loại bỏ biến hh8 trước do có hệ số tải nhân tố nhỏ hơn. Kết quả phân tích nhân tố
lại như sau:

6


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Tiếp theo loại bỏ biến nlpv5, kết quả EFA như sau:

7


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Đến đây ta có thể chấp nhận kết quả phân tích EFA vì các hệ số tải nhân tố đều > 0,4. Tuy
nhiên ta có thể tiếp tục loại bỏ biến nlpv6 để có kết quả đẹp hơn.

8


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Ở đây chúng ta thấy hệ số tải nhân tố của du4 là 0,942 xấp xỉ 0,5 nên vẫn có thể chấp nhận
được.
3. Một số tình huống có thể gây bối rối khi phân tích EFA trong SPSS

9


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Giả sử chúng ta có kết quả phân tích EFA như hình trên. Mới nhìn vào kết quả phân tích
chúng ta có thể cảm thấy bối rối, khơng biết loại bỏ biến nào trước. Như vậy chúng ta sẽ
tuân theo quy tắc sau:
- Loại bỏ lần lượt các biến quan sát có trọng số từ nhỏ đến lớn. Nếu một biến đo lường cho
cả hai nhân tố thì chúng ta sẽ chọn trọng số lớn hơn để so sánh với trong số của biến quan
sát khác.
- Nếu một biến quan sát đo lường cho cả hai nhân tố. Nếu chênh lệch trị tuyệt đối giữa hai
trong số > 0,3 thì giữ lại biến đó và xem biến đó đo lường cho nhân tố có trọng số lớn hơn.
Ngược lại chúng ta loại bỏ biến quan sát đó.

10


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA
- Nếu một tập biến quan sát đo lường cho một nhóm nhân tố có trọng số đạt ngưỡng u
cầu nhưng lại có một hay một số ít biến quan sát có ý nghĩa khác với các biến quan sát cịn
lại thì chúng ta loại bỏ biến quan sát đó.
Áp dụng quy tắc trên, trước tiên loại bỏ biến ttien1

Lần lượt loại bỏ biến htro1, ttien2, gia3, dung1

11


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng
- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Tiếp tục loại bỏ biến clsong2 (vì đo lường cho cả 2 nhân tố và chênh lệch giữa hai trọng số
nhỏ hơn 0,3)

12


LuanVanMBA.InFo
- Hỗ trợ xử lý dữ liệu định lượng

- Hỗ trợ thu thập dữ liệu nghiên cứu
- Hỗ trợ làm luận văn MBA

Đến đây, chúng ta có kết quả phân tích EFA tương đối ổn. Tuy nhiên chúng ta vẫn phải xem
xét ý nghĩa của các mục hỏi trong cùng nhân tố có khác biệt nhau hay khơng (Ví dụ: xem
hotro2 có khác biệt với clsong1, clsong3, clsong4 và clsong5 hay khơng; hoặc ttien2 và gia4
có khác biệt với kmai1, kmai2 hay không).

13