- 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
Cập nhật: 10/03/2022 bởi admin0
Nội dung chính (Nếu bạn chưa đăng nhập, nhiều nội dung có thể đã bị ẩn đi)
Khái niệm
Như tên gọi của nó, một thang đo dùng để đo lường nhiều yếu tố, nhiều khái niệm có tính chất khác nhau (thứ nguyên) thì được gọi là một THANG ĐO ĐA HƯỚNG
Đây là thang đo phổ biến trong các nghiên cứu, marketing, nghiên cứu xã hội,……. được lựa chọn sao cho phù hợp với mục tiêu nghiên cứu và cần thiết phải có để trả lời các câu hỏi nghiên cứu.
Lấy ví dụ, nếu bạn muốn xem xét các yếu tố cơ bản trong marketing mix (4P) ảnh hưởng như thế nào tới doanh thu của 1 công ty/ 1 ngành hàng/…. thì bạn phải có 1 bộ thang đo để đo lường các yếu tố: Sản phẩm, Giá, Phân phối, Xúc tiến và Doanh thu.
Mỗi yếu tố trên khi đo lường nó lại giống như 1 biến tiềm ẩn, xem lại tại https://vaxidi.com/bien-tiem-an. Như vậy để đo lường hết các yêu tố trên ta sẽ có 1 tập hợp lớn các biến quan sát và tạo nên một thang đo đồ sộ (mỗi khái niệm đo bằng 4-5 biến quan sát thì ta sẽ cần đến trên dưới 20 biến quan sát)
Nhưng để có 1 thang đo đa hướng quả không đơn giản? Và làm sao biết dữ liệu có thỏa mãn tính đa hướng ấy hay không? Làm sao để xử lý một bộ thang đo cồng kềnh như thế?
Xin mời các bạn theo dõi các phần tiếp theo nhé.