Các tiêu chuẩn phân tích nhân tố khám phá EFA trong luận văn ở Việt Nam

Cập nhật: 10/03/2022 bởi admin0

Tại sao lại có bài viết này?

Đơn giản là nếu các bạn muốn làm máy móc, viết theo bài mẫu và không cần hiểu lắm về kết quả thì chỉ cần đọc bài viết này và cứ đọc google, xem youtube chạy rồi trích dẫn ra đủ các tiêu chuẩn mình nêu phía dưới là được. Thực ra các tiêu chuẩn này thường được ắp dụng và đã trở thành thói quen vô thức và 1 BỘ TIÊU CHUẨN kiểu Việt Nam.

Thực ra để phân tích EFA linh hoạt và đạt được hiệu quả tối đa thì các tiêu chuẩn phía dưới (3 và 4) có thể thay đổi linh hoạt. Mục đích của phương pháp này  là giảm thiểu số biến cần nghiên cứu, nhóm chũng lại với nhau hợp lý. Vậy nếu muốn lựa chọn số lượng nhân tố được trích thật uyển chuyển hợp lý thì các bạn có thể xem tại bài viết sau: https://vaxidi.com/cac-tieu-chi-lua-chon-so-nhan-to-duoc-trich-xuat

Phân tích nhân tố EFA mà hay được các bạn dùng, dùng nhiều nhất cho việc rút gọn các biến trước khi chạy hồi quy (chạy riêng biến độc lập và biến phụ thuộc đó) chính là phép phân tích thành phần chính (đã nói khá nhiều trong seri này) PCA – Principal Component Analysis, sử dụng phép trích Principal và phép xoay Varimax

Các tiêu chuẩn kinh điển cần phải chỉ ra trong bài viết là:

Tiêu chuẩn 1: Hệ số KMO

Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của kích thức mẫu khi phân tích nhân tố. Trị số KMO càng lớn có ý nghĩa là cỡ mẫu phân tích nhân tố càng thích hợp. Tiêu chuẩn: 0.5 ≤ KMO ≤ 1 theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2007)

Xem thêm về chỉ số KMO: https://vaxidi.com/kaiser-meyer-olkin-test

Tiêu chuẩn 2: Kiểm định Bartlett

Kiểm định Bartlett có Sig. < 0,05. Khi cái sig này <0,05 thì các bạn thường thấy đi kèm với các câu bình luận/ kết luận như sau:

+ Các biến quan sát có mối tương quan với nhau trong tổng thể, thích hợp cho việc phân tích nhân tố

+ Các biến quan sát có tương quan với nhau

+ Phân tích nhân tố là phù hợp

+…….

Bản thân mình diễn giải cho các bạn lắm khi cũng diễn giải vậy (vì nó phổ biến), viết khác đi thì có khi lại bị soi. Vì vậy cụ thể, tại sao lại thể mình sẽ đề cập trong 1 bài viết thuộc seri này nhé.

Bình luận thêm là 2 tiêu chuẩn này thì gần như lúc nào cũng thỏa mãn thôi. KMO sẽ không đạt khi cỡ mẫu giảm dần xuống tiệm cận số biến quan sát. Kiểm định Bartlett sẽ không thỏa mãn khi bạn mang 1 bộ số liệu “fake được” ra chạy sau khi mình viêt về kiểm định này. Chứ nếu bình thường fake ra thì 100% là kiểm định này vẫn cứ thỏa mãn.

Tiêu chuẩn 3: Hệ số tải nhân tố

Hệ số tải nhân tố (Factor loading ) > 0.5 Theo Hair & ctg (1998, 111)

Thêm kèm 1 điều kiện là các hệ số này “chỉ tải lên cho 1 nhân tố”

Tiêu chuẩn 4

Hệ số eigenvalue của các nhân tố > 1, Tổng phương sai trích > 50%

Series Navigation

<< Phép xoay- RotationYêu cầu cơ bản (các giả định) của phân tích các thành phần chính PCA (EFA nói chung) >>