- 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: 03/11/2021 bởi admin0
Lưu ý: Một số quan điểm sau các bạn có thể tham khảo, quyết định áp dụng vẫn là của chính các bạn
+ Lưu ý 1: Khi thực hành, gặp các biến quan sát không thỏa mãn cùng 1 tiêu chuẩn thì nên xem xét loại từng biến một, trừ khi chúng cùng vi phạm quá nặng
Lý do: Khi loại 1 biến có hệ số tải “lớn” trên 1 trục nào đó thì hệ số tải của các biến khác trên trục đó sẽ thay đổi đáng kể, vì trục này sẽ bị “lắc” mạnh.
Như vậy hệ sô tải của các biến còn lại trên các trục khác có thay đổi nhưng không đáng kể.
Ta có hệ quả là lưu ý thứ 2
+ Lưu ý 2: Khi có nhiều, rất nhiều biến vi phạm có thể xem xét việc loại “1 số biến” trong mỗi lần, nếu các biến này đang có hệ số tải lớn trên những trục khác nhau, nhưng không nên loại quá nhiều biến trong cùng một lần
+ Lưu ý 3: Khi trình bày vào bài, tùy quy trình chạy mà đưa vào bài để dung lượng sao cho phù hợp, miễn thể hiện được kết quả cuối cùng của phân tích này
+ Lưu ý 4: Quy trình thực hiện, các bảng biểu trích từ phần mềm có thể đưa hết vào phụ lục, không cần đưa vào bài chính
Nội dung chính (Nếu bạn chưa đăng nhập, nhiều nội dung có thể đã bị ẩn đi)
Ví dụ
Thực hiện phân tích với bộ dữ liệu mẫu thu được kêt quả như sau (bài này chỉ đề cập đến các tiêu chuẩn về hệ số tải)
Ẩn đi các hệ số tải <0,2 để dễ quan sát.
Nhận thấy có 2 biến quan sat đang chưa đạt yêu cầu
+ Biến A4 có 2 hệ số tải rất lớn lên 2 trục 1 và 3 (có thể gọi là 2 nhân tố 1 và 3 cũng được). Tuy có 1 hế sô > 0,5 nhưng hệ số còn lại chỉ chênh nhau 0,557-0,448=0,109 <0,3
+ Biến A12 không có hệ số tải nào lớn hơn 0,5, hệ số cao nhất là 0,423 tải cho nhóm 2
Vậy là có 2 biến quan sát đang chưa đạt tiêu chẩn và không ảnh hưởng chung đến nhóm nào, như vậy các bạn có thể loại từng biến hay loại đồng thời đều được (tất nhiên cuối cùng vấn loại hết 2 biến đó)
Bây giờ cùng nhau thử nhé!
Nếu chỉ loại A4, vẫn còn A12 chưa đạt
Nếu chỉ loại A12, sẽ vẫn còn A4 chưa đạt
Loại đồng thời A4 và A12 ta thu được kêt quả cuối cùng
Trên thực tế khi làm các nghiên cứu cụ thể trên các thang đó có số lượng biến quan sát rất lớn, có thể cần loại nhiều biến sau nhiều lần, các bạn chủ động áp dụng linh hoạt nhé!
