BÁO CÁO CHUYÊN ĐỀ
CÁC VẤN ĐỀ CẦN LƯU Ý
TRONG PHÂN TÍCH NHÂN TỐ KHÁM PHÁ
VÀ HỒI QUY
Trịnh Hồng Anh
An Giang, tháng 5 năm 2016
1
3
Phân tích nhân tố khám phá
2
3
Phân tích hồi quy
3
Dữ liệu minh họa
4
3
Thảo luận
1. Phân tích nhân tố khám phá (EFA)
1.1. Mục tiêu
sử dụng EFA
(1) Đánh giá thang đo (Nguyễn Đình Thọ, 2012)
(2) Hay để rút gọn một tập biến
(Hoàng
Trọng & Chu Nguyễn Mộng Ngọc, 2008; Lê Văn Huy & Trương
Trần Trâm Anh, 2012; Nguyễn Đình Thọ, 2012)
Lấy tổng hoặc trung bình để tính giá trị cho các
(1)
nhân tố (biến tìm ẩn) cho phân tích tiếp theo
(Nguyễn Đình Thọ, 2012)
Dùng giá trị do SPSS tạo ra theo công thức
EFA
Fi = Wi1X1 + Wi2X2 + Wi3X3 + …. + WikXk
Trong đó:
Fi : Ước lượng trị số của nhân tố thứ i
Wi : Quyền số hay trọng số nhân tố
(2)
k
: Số biến quan sát
Xk : Biến quan sát
(Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008; Nguyễn
Đình Thọ, 2012)
1.1. Mục tiêu sử dụng EFA
1
3
Lấy tổng hoặc trung bình
Điều kiện là các biến đều có giá trị như
nhau để đo lường khái niệm nghiên cứu
(trọng số của các biến gần bằng nhau)
(Nguyễn Đình Thọ, 2012)
1.1. Mục tiêu sử dụng EFA
2
3
Dùng giá trị do SPSS tạo ra
Giá trị nhân tố tính tất cả các biến đo lường chứ
khơng tính riêng các biến chính đo lường khái niệm
của nhân tố đó.
(Nguyễn Đình Thọ, 2012; Hồng Trọng & Chu
Nguyễn Mợng Ngọc, 2008)
Giá trị nhân tố chỉ tính các biến chính đo
lường khái niệm của nhân tố đó (Lưu Thanh
Đức Hải, 2008).
1.2. Các vấn đề cần lưu ý trong phân tích EFA
?
Phân tích EFA chung cho tất cả các biến
độc lập và biến phụ thuộc hay phân tích
riêng
Khơng được đưa biến phụ thuộc vào chung với
biến độc lập để xử lý EFA cùng một lúc khi sử
dụng phép quay vng góc và sử dụng giá trị
nhân tố do EFA tạo ra để phân tích tiếp theo
(Nguyễn Đình Thọ, 2012).
Cần lưu ý phép quay nếu dùng giá trị nhân
tố do EFA tạo ra để phân tích tiếp theo
(Nguyễn Đình Thọ, 2012).
1.2. Các vấn đề cần lưu ý
?
Phân tích EFA chung cho tất cả các biến độc lập
và biến phụ thuộc hay phân tích riêng
Tuy nhiên, trong trường hợp sử dụng EFA để đánh giá giá
trị thang đo (là phương pháp đánh giá liên kết) nếu sử dụng
EFA cho từng thang đo riêng lẻ thì sẽ khơng đạt được
giá trị phân biệt (các biến chỉ đo lường khái niệm muốn đo hay
cùng đo lường các khái niệm khác) (Nguyễn Đình Thọ, 2012).
Lưu ý dùng EFA để đánh giá giá trị phân biệt chỉ
mang tính chất tham khảo, cần xem xét hệ số
tương quan giữa hai khái niệm có khác 1 hay
khơng (Nguyễn Đình Thọ, 2012).
2. Phân tích hồi quy
2.1 Các giả định của mơ hình hồi quy
1. X và Y có quan hệ tuyến tính
2. Y là biến định lượng
Hồi
Hồi
3. Các quan sát của Y độc lập nhau
4. Các giá trị Xi cố định
quy
quy
5. X được đo lường không sai số
6. Sai số ɛi có phân phối chuẩn
bợi
đơn
7. Tại mọi giá trị Xi, kỳ vọng E(ɛi) = 0 (Xi khơng có mối quan hệ với ɛi)
8. Phương sai của sai số không đổi
9. Sai số tại các giá trị Xi và Xj Khơng có quan hệ với nhau (Khơng có
hiện tượng tự tương quan)
10. Các biến đợc lập khơng có mối quan hệ hồn toàn với nhau, hệ
số tương quan r của các biến độc lập với nhau khác với 1, chứ không
phải không có tương quan với nhau nhưng chúng phải phân biệt nhau)
(Nguyễn Đình Thọ, 2012)
2. Phân tích hồi quy
2.2 Hệ số phù hợp với mơ hình và kiểm định các giả thuyết
Hệ số xác định R2 khác không
Sử dụng kiểm định F để kiểm định giả thuyết H0: R2 = 0 so với
giả thuyết thay thế H1: R2 ≠ 0. Phép kiểm định F này tương
đương với kiểm định F trong ANOVA (Nguyễn Đình Thọ, 2012).
Chú ý là kiểm định F cho giả thuyết H0: R2 = 0 so với giả thuyết
thay thế H1: R2 ≠ 0 cũng chính là phép kiểm định cho giả thuyết
H0: a1 = a2 = ...= ak = 0 (trừ hằng số hồi quy a0 , bằng 0) so với
giả thuyết H1: ai ≠ 0 (i = 1, ..., k) (Hoàng Trọng – Chu Nguyễn Mợng
Ngọc, 2008; Nguyễn Đình Thọ, 2012).
2. Phân tích hồi quy
2.2 Hệ số phù hợp với mơ hình và kiểm định các giả thuyết
Hệ số xác định R2 điều chỉnh
Hệ số điều chỉnh này giúp điều chỉnh mức đợ phù
hợp của mơ hình (Nguyễn Đình Thọ, 2012).
Sử dụng phép kiểm định t
Để kiểm định các trọng số hồi quy a1, a2,..., ak
trong mơ hình. Sử dụng kiểm định này để bác bỏ giả
thuyết các hệ số hồi quy a1, a2,..., ak bằng 0
(Hoàng
Trọng – Chu Nguyễn Mợng Ngọc, 2008; Nguyễn Đình Thọ, 2012).
2. Phân tích hồi quy
2.2 Hệ số phù hợp với mơ hình và kiểm định các giả thuyết
Hệ số phóng đại phương sai VIF
Kiểm tra hiện tượng đa cộng tuyến. Hệ số VIF càng nhỏ, hiện
tượng đa cộng tuyến sẽ giảm. Thông thường, nếu hệ số VIF
của một biến độc lập nào đó lớn hơn 10 thì biến này được coi
là có đa cợng tuyến cao. Hệ số VIF được coi là tốt nếu nhỏ
hơn 2 (Nguyễn Đình Thọ, 2012).
Kiểm định d của Durbin-Watson
Kiểm tra hiện tượng tự tương quan. Giá trị của d càng gần 2,
ta có thể kết luận mơ hình khơng có tự tương quan (Hoàng
Trọng – Chu Nguyễn Mộng Ngọc, 2008; Mai Văn Nam, 2008).
2. Phân tích hồi quy
2.3 Hệ số chưa chuẩn hóa (B) và hệ số chuẩn hóa (Beta)
Hệ số B
Đo lường sự thay đổi trong giá trị trung bình biến phụ thuộc Y
khi X thay đổi một đơn vị, giữ các biến đợc lập cịn lại khơng
đổi (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008; Lê Văn Huy &
Trương Trần Trâm Anh, 2012; Nguyễn Đình Thọ, 2012).
Hệ số Beta
Được dùng để so sánh mức độ tác động của các biến độc lập
vào biến phụ thuộc (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008;
Lê Văn Huy & Trương Trần Trâm Anh, 2012; Nguyễn Đình Thọ, 2012).
Biến nào có hệ số càng lớn thì biến đó có tác đợng mạnh vào biến
phụ tḥc (Nguyễn Đình Thọ, 2012)
2. Phân tích hồi quy
2.3 Hệ số chưa chuẩn hóa (B) và hệ số chuẩn hóa (Beta)
Tuy nhiên, tầm quan trọng tương đối của các biến cịn
phụ tḥc vào các biến đợc lập trong phương trình nên
việc sử dụng hệ số B hay Beta sẽ khơng thích hợp. Vì
vậy, để xác định tầm quan trọng của các biến khi sử dụng
chung với các biến khác ta dùng hệ số tương quan từng
phần và tương quan riêng (Hoàng Trọng – Chu Nguyễn
Mộng Ngọc, 2008).
2. Phân tích hồi quy
2.3 Cỡ mẫu trong phân tích hồi quy bội
Theo Green (1991), kích thước mẫu tối thiểu là n ≥ 50 + 8p
công thức trên tương đối phù hợp với n < 7, khi n > 7 cơng
thức trên hơi q khắc khe (trích trong Nguyễn Đình Thọ, 2012, tr.499)
Theo Cohen và Cohend (1983), độ lớn của mẫu ít nhất
nên gấp 20 lần so với số biến đợc lập
Trương Trần Trâm Anh, 2012, tr.192)
(trích trong Lê Văn Huy &
3. Dữ liệu minh họa
3.1• Kết quả kiểm định lại thang đo khi loại bỏ biến X6 và X14
Hệ số tương quan
Cronbach's Alpha
giữa biến và tổng
nếu loại biến
(F1) Những yếu tố cơ bản, hệ số Cronbach’s Alpha 0,738
X1
0,407
0,726
X2
0,660
0,630
X3
0,665
0,628
X4
0,428
0,720
X5
0,370
0,742
(F2) Những yếu tố trên sản phẩm và bao gói, hệ số Cronbach’s Alpha 0,787
X7
0,635
0,725
X8
0,692
0,682
X9
0,542
0,777
X10
0,564
0,754
Biến quan sát
(F3) Những yếu tố trong truyền thông marketing, hệ số Cronbach’s Alpha 0,776
X11
X12
X13
0,518
0,743
0,588
0,796
0,543
0,725
3. Dữ liệu minh họa
3.1• Kết quả kiểm định lại thang đo biến phụ thuộc
Hệ số Cronbach’s Alpha 0,826
Biến quan sát
Hệ số tương quan Cronbach's Alpha
giữa biến và tổng
nếu loại biến
X15
0,555
0,810
X16
0,610
0,795
X17
0,674
0,783
X18
0,683
0,780
X19
0,550
0,808
X20
0,521
0,813
Nguồn: Số liệu khảo sát, 2014
3. Dữ liệu minh họa
3.2• Kết quả phân tích nhân tố lần 1
KMO
Kiểm định Bartlett's
0,719
575,746
0,000
Chi – bình phương
Mức ý nghĩa
Nhân tố
F2
X1
X2
X3
X4
X5
X7
X8
X9
X10
X11
X12
X13
F1
0,414
0,821
0,866
0,653
0,709
F3
0,668
0,833
0,830
0,597
0,417
0,731
0,900
0,823
3. Dữ liệu minh họa
3.2• Kết quả phân tích nhân tố lần 2
KMO
Kiểm định
Bartlett's
0,690
535,651
0,000
Chi – bình phương
Mức ý nghĩa
Nhân tố
F2
X1
X2
X3
X4
X7
X8
X9
X10
X11
X12
X13
F1
F3
0,688
0,831
0,831
0,602
0,822
0,866
0,658
0,719
0,733
0,901
0,823
3. Dữ liệu minh họa
3.2• Kết quả phân tích nhân tố lần 2
C9(X1)
C9(X2)
C9(X3)
C9(X4)
C9(X7)
C9(X8)
C9(X9)
C9(X10)
C9(X11)
C9(X12)
C9(X13)
Component Score Coefficient Matrix
Component
1
2
-.077
.323
-.066
.380
-.064
.379
-.023
.266
.373
-.066
.401
-.098
.259
-.020
.303
-.028
-.024
-.007
-.091
.065
-.045
-.044
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
Component Scores.
3
-.028
.012
.011
.023
-.090
-.090
.049
-.023
.352
.448
.402
3. Dữ liệu minh họa
3.2• Kết quả phân tích nhân tố lần 2
Phương trình ước lượng điểm đối với từng nhân tố:
F1 = 0,323X1 + 0,380X2 + 0,379X3 + 0,266X4
F2 = 0,373X7 + 0,401X8 + 0,259X9 + 0,303X10
F3 = 0,352X11 + 0,448X12 + 0,402X13
3. Dữ liệu minh họa
3.3• Kết quả phân tích nhân tố đối với biến phụ thuộc F4
KMO
Kiểm định Bartlett's
0,815
292,563
0,000
Chi – bình phương
Mức ý nghĩa
F4
X15
X16
X17
X18
X19
X20
0,689
0,755
0,806
0,812
0,687
0,656
Phương trình ước lượng điểm nhân tố F4:
F4 = 0,212X15 + 0,232X16 + 0,247X17 + 0,249X18 + 0,211X19 + 0,201X20
3. Dữ liệu minh họa
3.4• Kết quả phân tích hồi quy (sử dụng kết quả của EFA tạo ra)
Mô hin
̀ h tổng quát
Mô hin
̀ h R
1
0,612
R2
R2 điều chỉnh Sai số chuẩ n
Durbin-Watson
0,375
0,361
0,799
1,962
ANOVA
Giá trị kiểm định F = 26,973
Mức ý nghĩa 0,000
Mô hin
̀ h hồ i quy
Hệ số
Hệ số
chưa chuẩ n hóa chuẩn hóa
VIF
Mô hình
t
Mức ý nghĩa
Sai số
B
Beta
chuẩn
Hằng số
8,499E-17 0,068
0,000
1,000
F2
0,311 0,068
0,311 4,571
0,000
1.000
F1
0,527 0,068
0,527 7,746
0,000
1.000
F3
-0,009 0,068
-0,009 -0,127
0,899
1.000
Biến phụ thuộc: Y - Mức độ nhận biết thương hiệu nước mắm đang sử dụng
3. Dữ liệu minh họa
3.4• Kết quả phân tích hồi quy (tính tổng hoặc trung bình)
Mơ hin
̀ h tởng quát
Mơ hin
̀ h R
1
0,610
R2
R2 điều chỉnh Sai số chuẩ n
Durbin-Watson
0,372
0,358
0,353
1,939
ANOVA
Giá trị kiểm định F = 26,617
Mức ý nghĩa 0,000
Mô hin
̀ h hồ i quy
Hệ số
Hệ số
chưa chuẩ n hóa chuẩn hóa
VIF
Mô hin
h
t
Mức ý nghĩa
̀
Sai số
B
Beta
chuẩn
Hằng số
1,774 0,275
6,449
0,000
F2
0,166 0,053
0,235 3,125
0,002
1,220
F1
0,383 0,056
0,493 6,792
0,000
1,131
F3
-0,024 0,051
-0,034 -0,473
0,637
1,085
Biến phụ thuộc: Y - Mức độ nhận biết thương hiệu nước mắm đang sử dụng
4. Thảo luận
?
- R2 hiệu chỉnh <50%?
- Có cần phải chạy lại hồi quy khi loại bỏ các
biến khơng có ý nghĩa mơ hình trong lần
chạy hồi quy trước đó?
TÀI LIỆU THAM KHẢO
Hồng Trọng & Chu Nguyễn Mợng Ngọc (2008). Phân tích
dữ liệu nghiên cứu với SPSS. TP.HCM: Nhà xuất bản
Hồng Đức
Lê Văn Huy & Trương Trần Trâm Anh (2012). Phương
pháp nghiên cứu trong kinh doanh. Hà Nội: Nhà xuất
bản Tài chính
Nguyễn Đình Thọ (2012). Phương pháp nghiên cứu khoa
học trong kinh doanh. Hà Nội: Nhà xuất bản Lao động
– Xã hội