Biến tải lên hai nhân tố phải làm sao trong SPSS

Hiện tượng bạn đang gặp

Bạn chạy EFA trong SPSS, mở bảng Rotated Component Matrix hoặc Pattern Matrix, rồi thấy một biến quan sát có hệ số tải cao ở hai cột nhân tố. Ví dụ, biến DV3 tải 0.621 ở Component 1 và 0.574 ở Component 2. Đây là tình trạng thường được gọi là cross-loading, tức một biến cùng lúc thể hiện khá rõ ở hai nhân tố.

Cũng có trường hợp bạn thấy nhiều biến nhảy sang nhóm khác so với mô hình lý thuyết. Khi đó, câu hỏi “biến tải lên hai nhân tố phải làm sao” thực chất gồm hai việc: xác định biến có thật sự gây vấn đề hay chỉ do cách hiển thị, sau đó chọn cách xử lý có thể giải thích trong luận văn.

Bạn nên lưu riêng file dữ liệu và output của từng vòng chạy. Đừng xóa biến ngay trong file gốc. Nếu cần xem lại toàn bộ kết quả EFA, bạn có thể đối chiếu thêm hướng dẫn về ma trận xoay, EFA và Principal Component Analysis.

Nguyên nhân thường gặp

Một biến tải lên hai nhân tố không tự động có nghĩa là bạn chạy sai. Nguyên nhân có thể nằm ở nội dung biến, thiết kế bảng hỏi, cỡ mẫu, phương pháp trích nhân tố, phép xoay hoặc chất lượng dữ liệu. Trước khi loại biến, bạn cần xem cả hệ số tải, chênh lệch giữa hai hệ số tải và ý nghĩa lý thuyết của biến.

Nếu chỉ một biến bị cross-loading, vấn đề thường dễ xử lý hơn so với trường hợp cả nhóm biến cùng thay đổi cấu trúc. Bạn cũng nên xem communality, vì một biến có communality thấp cho thấy các nhân tố trích ra giải thích chưa tốt phần phương sai của biến đó.

Cách xử lý theo thứ tự ưu tiên

Hãy xử lý từ bước ít can thiệp nhất đến bước có ảnh hưởng lớn nhất. Mỗi lần chỉ thay đổi một biến hoặc một thiết lập, rồi chạy lại EFA. Cách này giúp bạn biết kết quả thay đổi do đâu và tránh tạo ra một mô hình “đẹp” nhưng không thể giải trình.

Bước 1: Kiểm tra bạn đang đọc đúng bảng

Với EFA dùng Principal Component Analysis và phép xoay Varimax, SPSS thường hiển thị bảng Rotated Component Matrix. Với một số lựa chọn khác, bạn có thể thấy Pattern Matrix và Structure Matrix. Đừng lấy hệ số ở Component Matrix chưa xoay để kết luận biến tải lên hai nhân tố.

Vào Analyze > Dimension Reduction > Factor. Trong Extraction, kiểm tra phương pháp trích. Trong Rotation, kiểm tra phép xoay. Nếu bạn đang dùng oblique rotation như Promax, hãy đọc Pattern Matrix trước, vì đây là bảng thể hiện hệ số tải riêng của biến lên các nhân tố trong cách trình bày đó.

Bước 2: Xác định mức độ cross-loading

Ghi lại hai hệ số tải lớn nhất của biến. Ví dụ, DV3 có 0.621 và 0.574, chênh lệch là 0.047. Một biến có hai hệ số gần nhau đáng xem xét hơn biến có tải 0.720 ở nhân tố chính và 0.210 ở nhân tố phụ.

Không nên dùng một con số duy nhất như một luật cứng cho mọi đề tài. Hệ số tải từ 0.5 trở lên thường được xem là đạt trong nhiều nghiên cứu định lượng, theo (Hair và cộng sự, 2010). Tuy vậy, quyết định giữ hay loại còn phụ thuộc vào nội dung biến, cấu trúc lý thuyết và sự ổn định của toàn bộ thang đo.

Bước 3: Đọc lại nội dung biến quan sát

Bạn mở bảng hỏi và đọc nguyên văn biến đang bị tải lên hai nhân tố. Hãy hỏi: biến này có chứa hai ý trong cùng một câu không, có dùng từ quá rộng không, hoặc người trả lời có thể hiểu nó theo hai hướng không. Chẳng hạn, một biến vừa nói về “tốc độ phục vụ” vừa nói về “thái độ nhân viên” có thể liên quan đồng thời đến hai khái niệm.

Nếu biến bị đảo chiều, kiểm tra xem bạn đã reverse code trước khi chạy EFA chưa. Một biến được mã hóa từ 1 đến 5 có thể cần chuyển thành 5 thành 1, 4 thành 2, 3 giữ nguyên. Sai mã hóa có thể làm tương quan của biến với các biến cùng thang đo bị đảo hướng hoặc yếu đi.

Bước 4: Kiểm tra các chỉ số trước khi loại biến

Xem KMO and Bartlett's Test, Total Variance Explained, Communalities và bảng xoay. KMO từ 0.5 trở lên là mức tối thiểu thường được chấp nhận, còn Bartlett có ý nghĩa khi p-value nhỏ hơn 0.05, theo (Kaiser, 1974). Eigenvalue lớn hơn 1 là quy tắc trích thường được sử dụng, theo (Kaiser, 1960).

Tổng phương sai trích từ 50% trở lên thường được dùng làm mốc tham khảo trong EFA, theo (Hair và cộng sự, 2010). Đây là tiêu chí của toàn bộ mô hình, không phải lý do riêng để xóa một biến. Nếu KMO tốt, Bartlett có ý nghĩa và cấu trúc nhìn chung phù hợp, bạn nên đánh giá từng biến thay vì loại hàng loạt.

Bước 5: Loại biến có cơ sở rõ ràng rồi chạy lại

Nếu biến có hai tải gần nhau, nội dung mơ hồ và không cần thiết để giữ độ bao phủ của khái niệm, bạn có thể loại biến. Trong SPSS, quay lại Analyze > Dimension Reduction > Factor, chuyển biến đó ra khỏi ô Variables, giữ các thiết lập khác, rồi chạy lại.

Sau khi chạy lại, kiểm tra xem biến của các nhân tố còn lại có bị cross-loading hay không. Tiếp đó chạy lại Cronbach's Alpha cho thang đo liên quan tại Analyze > Scale > Reliability Analysis. Trong Statistics, chọn Scale if item deleted để xem Corrected Item-Total Correlation và Alpha nếu loại biến. Tương quan biến tổng hiệu chỉnh từ 0.3 trở lên thường được chấp nhận theo (Nunnally và Bernstein, 1994).

Bước 6: Xem xét lại số nhân tố và phép xoay

Nếu nhiều biến cùng tải sai nhóm, nguyên nhân có thể là số nhân tố bạn cố định chưa phù hợp. Trong Extraction, thử xem Scree Plot và phương án trích theo eigenvalue, nhưng phải đối chiếu với mô hình lý thuyết. Việc đổi số nhân tố chỉ để làm bảng đẹp hơn sẽ tạo rủi ro khi bảo vệ.

Nếu các khái niệm trong mô hình có khả năng tương quan, oblique rotation như Promax có thể phù hợp hơn Varimax. Tuy nhiên, bạn cần giữ cách chọn nhất quán với phương pháp đã nêu trong chương phương pháp. Khi cấu trúc thang đo quan trọng hoặc cần kiểm định chặt hơn, CFA có thể được dùng ở bước tiếp theo, thay vì cố ép EFA phải khớp hoàn toàn với mô hình ban đầu.

Bước 7: Đối chiếu output minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Bạn chỉ dùng nó để nhận diện hình dạng output và cách tính chênh lệch giữa hai hệ số tải.

Ở ví dụ này, DV3 đáng được xem xét đầu tiên vì hai hệ số gần nhau. DV5 còn cần kiểm tra hệ số tải ở các nhân tố khác, communality và nội dung biến. Bạn không nên xóa DV3 chỉ vì thấy nó có hai con số, cũng không nên giữ nó chỉ vì một trong hai hệ số vượt 0.5.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể sửa một mẫu dữ liệu vốn không đại diện cho mô hình. Bạn nên cân nhắc thu thêm dữ liệu khi cỡ mẫu hiện tại quá nhỏ so với số biến quan sát, tỷ lệ dữ liệu thiếu cao, nhiều người trả lời chọn cùng một mức cho gần như toàn bộ bảng hỏi, hoặc các nhóm đối tượng trả lời không đúng đối tượng nghiên cứu.

Với EFA, quy tắc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn theo (Hair và cộng sự, 2010). Đây là quy tắc tham khảo, không phải giấy phép để xóa biến nhằm đạt một tỷ lệ đẹp. Nếu bạn có 30 biến quan sát nhưng chỉ 80 phiếu hợp lệ, hãy trao đổi với giảng viên trước khi diễn giải kết quả.

Thu thêm dữ liệu cũng không bảo đảm biến sẽ hết cross-loading. Trước khi thu lại, bạn cần sửa câu chữ của biến mơ hồ, kiểm tra logic nhảy câu, thử bảng hỏi trên một nhóm nhỏ và xác định rõ tiêu chí loại phiếu. Nếu dữ liệu đã thu đúng thiết kế nhưng cấu trúc thực tế khác mô hình, việc báo cáo kết quả và nêu giới hạn có thể trung thực hơn việc thu thêm một mẫu chỉ để tìm kết quả mong muốn.

Cách giải trình với giảng viên hướng dẫn

Bạn nên đưa cả output trước và sau khi xử lý, cùng lý do cho từng thay đổi. Đừng chỉ gửi ảnh chụp bảng cuối cùng, vì người hướng dẫn có thể hỏi biến nào đã bị loại, loại ở vòng nào và tiêu chí nào được dùng.

Cách viết vào luận văn: “Kết quả EFA lần đầu cho thấy biến [mã biến] có hệ số tải đồng thời trên nhân tố [A] là [giá trị] và nhân tố [B] là [giá trị], với chênh lệch [giá trị]. Do nội dung biến [mã biến] chưa thể hiện rõ một khái niệm và gây khó khăn cho việc phân biệt nhân tố, nghiên cứu loại biến này và thực hiện EFA lần tiếp theo. Kết quả sau điều chỉnh cho thấy [mô tả ngắn kết quả], phù hợp hơn với cơ sở lý thuyết của nghiên cứu.”

Bạn thay các phần trong ngoặc vuông bằng số liệu thật của mình. Nếu giữ biến dù có cross-loading, hãy giải thích rằng biến có cơ sở lý thuyết cần thiết, hệ số tải chính đủ lớn, kết quả độ tin cậy phù hợp và quyết định giữ biến được thống nhất với người hướng dẫn. Cách giải trình này tốt hơn việc viết rằng “SPSS tự động loại biến”. SPSS không tự quyết định thay cho bạn.

Cách phòng từ bước thiết kế

Ngay từ lúc xây dựng bảng hỏi, mỗi biến quan sát nên tập trung vào một nội dung. Tránh câu ghép có từ “và”, tránh thuật ngữ người trả lời khó hiểu, và không lấy nguyên văn một thang đo rồi thay vài từ mà chưa xem xét bối cảnh Việt Nam. Bạn cần lập bảng theo dõi mã biến, khái niệm, nguồn tham khảo và phiên bản câu chữ sử dụng.

Trước khi phát hành chính thức, kiểm tra dữ liệu thử bằng các bước cơ bản: có biến nào bị hiểu nhầm không, các phương án trả lời có đầy đủ không, người trả lời mất bao lâu để hoàn thành, và mã hóa trong SPSS có đúng không. Với thang đo Likert, cần thống nhất chiều tăng của điểm số. Biến đảo chiều phải được đánh dấu riêng trong file dữ liệu.

Trong quá trình phân tích, lưu các file như EFA_v1.sav, EFA_v2_loai_DV3.sav và ghi nhật ký thay đổi. Bạn có thể xem thêm các chủ đề SPSS để đối chiếu đường dẫn menu và cách đọc những bảng output liên quan.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là loại tất cả biến có hệ số tải dưới 0.7. Mốc hệ số tải 0.5 thường được sử dụng trong EFA theo (Hair và cộng sự, 2010), vì vậy bạn cần xem bối cảnh thay vì áp dụng máy móc một mốc cao hơn.

Lỗi thứ hai là xóa biến liên tục cho đến khi các nhân tố tách đẹp. Mỗi lần loại biến đều thay đổi cấu trúc tương quan, nên kết quả cuối có thể mất nội dung quan trọng của thang đo. Nếu một nhân tố chỉ còn một biến, hoặc còn quá ít biến để đại diện cho khái niệm, bạn cần dừng lại và trao đổi với giảng viên.

Lỗi thứ ba là nhầm giữa EFA và CFA. EFA dùng để khám phá cấu trúc tiềm ẩn, còn CFA dùng để kiểm định mô hình đo lường đã được xác định rõ hơn. Bạn không nên lấy các chỉ số fit của CB-SEM như CFI, TLI hoặc RMSEA để kết luận cho một bài chỉ chạy EFA trong SPSS.

Lỗi cuối là báo cáo kết quả sau khi đã xóa biến nhưng không nói quy trình. Hãy giữ output từng vòng, ghi ngày chạy, số biến còn lại và lý do điều chỉnh. Nếu dùng SmartPLS ở bước sau, đừng trộn tiêu chí của PLS-SEM vào bảng EFA của SPSS. Hai phần cần được trình bày đúng theo công cụ và mô hình bạn thực sự sử dụng.

Đọc thêm: cfa, ma trận xoay, communality, principal component analysis, efa, chủ đề spss.

Câu hỏi thường gặp

Biến tải lên hai nhân tố có bắt buộc phải loại không?

Không. Bạn cần xem độ lớn của hai hệ số tải, chênh lệch giữa chúng, nội dung biến, communality và vai trò lý thuyết. Nếu biến thật sự mơ hồ và không cần thiết, loại biến có thể hợp lý. Nếu biến đại diện cho nội dung quan trọng, bạn có thể giữ và giải trình rõ với người hướng dẫn.

Chênh lệch hệ số tải bao nhiêu thì được xem là nghiêm trọng?

Không có một mốc duy nhất áp dụng cho mọi đề tài trong phần hướng dẫn này. Chênh lệch càng nhỏ thì vấn đề phân biệt giữa hai nhân tố càng đáng chú ý. Hãy báo cáo cả hai hệ số thay vì chỉ báo cáo hệ số lớn hơn, sau đó kết hợp với lý thuyết và kết quả độ tin cậy.

Biến bị loại khi xoay nhân tố phải làm sao nếu thang đo còn ít biến?

Trước hết, kiểm tra xem biến còn lại có đủ đại diện cho khái niệm không và có đạt độ tin cậy không. Nếu loại thêm khiến nhân tố chỉ còn một biến hoặc mất nội dung chính, không nên tiếp tục xóa chỉ để làm ma trận xoay đẹp. Bạn cần trao đổi với giảng viên về việc giữ biến, sửa mô hình hoặc thu thập lại dữ liệu.

Có nên chạy lại EFA sau mỗi lần loại biến không?

Nên chạy lại sau một thay đổi có cơ sở, vì việc loại một biến làm thay đổi tương quan và kết quả trích nhân tố. Tuy nhiên, không nên loại nhiều biến cùng lúc nếu bạn muốn biết biến nào gây ra thay đổi. Lưu lại output từng vòng để kiểm soát quá trình.

Tôi dùng Promax thì đọc bảng nào?

Với phép xoay oblique như Promax, bạn thường xem Pattern Matrix để đọc hệ số tải riêng của biến lên nhân tố. Hãy kiểm tra đúng tên bảng trong output và ghi rõ phương pháp trích, phép xoay trong luận văn. Nếu chưa chắc thiết lập nào phù hợp, đối chiếu mô hình lý thuyết và hỏi người hướng dẫn trước khi đổi toàn bộ quy trình.

Bạn hãy mở file dữ liệu, ghi lại hai hệ số tải lớn nhất của biến đang bị cross-loading, kiểm tra nội dung biến và chạy lại từng vòng có lưu output. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và theo dõi rõ từng quyết định, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.