- Giới thiệu loạt bài phân tích nhân tố khám phá EFA trên SPSS
- Dữ liệu thực hành
- Thang đo đa hướng trong nghiên cứu
- Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
- Phân tích thành phần chính (PCA) và phân tích nhân tố khám phá (EFA)
- Phép trích (chiết xuất)- Extraction
- Phép xoay- Rotation
- Các tiêu chuẩn phân tích nhân tố khám phá EFA trong luận văn ở Việt Nam
- Yêu cầu cơ bản (các giả định) của phân tích các thành phần chính PCA (EFA nói chung)
- Phương pháp phân tích thành phần chính
- Phân tích thành phần chính trên SPSS: Thao tác thực hành
- Đọc kết quả phân tích PCA từ output của phần mềm SPSS
- Các tiêu chí lựa chọn số nhân tố được trích xuất -phần 1
- Các tiêu chí lựa chọn số nhân tố được trích xuất -phần 2
- Một số thủ thuật khi phân tích EFA trên SPPS: Kỹ thuật 1: Chỉ định số nhân tố được trích
- Kỹ thuật 2: Ẩn đi các hệ số tải quá nhỏ
- Kỹ thuật 3: Sắp xếp các nhân tố theo thứ tự giảm dần của eigenvalue
- Ứng dụng phân tích EFA trong luận văn và nghiên cứu khoa học
- Ví dụ về một số trường hợp loại biến quan sát khi chạy EFA
- Một số lỗi hay gặp khi phân tích EFA và cách xử lý
- Tính biến đại diện sau khi phân tích EFA (Hướng dẫn tính biến đại diện trên SPSS)
- Phân tích EFA trong bài có phân tích CFA và SEM
- Phân tích Cronbach’s Alpha trước hay EFA trước?
- Đánh giá độ tin cậy, tính hội tụ và phân biệt của các thang đo
- Có thể bạn ngộ nhận?
- Tổng kết về phân tích EFA
- Một số bài toán ví dụ sử dụng phân tích EFA
- Việt hoá các thuật ngữ trong phân tích EFA
- Trình bày bảng kết quả phân tích EFA trong bài
- Viết kết quả phân tích EFA cho bài chạy riêng biến độc lập và phụ thuộc
- Viết kết quả phân tích EFA cho bài chạy chung các biến 1 lần
- Đọc thêm: Chỉ số KMO (Kaiser – Meyer – Olkin Test)
- Đọc thêm: Chạy EFA chung hay riêng
- Văn mẫu: Lý thuyết phân tích EFA
- Văn mẫu: Trình bày kết quả EFA trong luận văn
Nội dung chính (Nếu bạn chưa đăng nhập, nhiều nội dung có thể đã bị ẩn đi)
Chỉ số KMO
Chỉ số (hệ số) KMO là thước đo mức độ thích hợp của việc lấy mẫu (Measure of Sampling Adequacy- MSA), cả về tổng thể và đối với từng biến (Kaiser 1970; Cerny và Kaiser 1977; Dziuban & Shirkey, 1974). Thống kê là thước đo tỷ lệ phương sai giữa các biến có thể là phương sai chung. Tỷ trọng càng thấp, dữ liệu càng phù hợp với phân tích nhân tố. KMO tổng thể được thể hiện trong bảng "KMO and Bartlett's Test" của output. Các chỉ số đo mức độ thích hợp của việc lấy mẫu (MSA) cho các biến riêng lẻ được hiển thị dưới dạng các phần tử đường chéo của ma trận Anti-image Matrices trong output.
Thống kê KMO là một bản tóm tắt về mức độ nhỏ của các tương quan từng phần, so với tương quan ban đầu (bậc không). Mối tương quan từng phần đối với từng cặp biến trong phân tích nhân tố, bao gồm mối tương quan giữa các biến đó sau khi phân tích ảnh hưởng của tất cả các biến khác trong phân tích nhân tố.
Công thức
Trong đó
+ rjk là hệ số tương quan của biến thứ j và biến thứ k (j≠k)
+ pjk là hệ số tương quan riêng phần của biến thứ j và thứ k (j≠k) được kiểm soát bởi tất cả các biến quan sát khác. Xem thêm: Hệ số tương quan riêng
Hệ quả
còn nữa ...