Communality trong SPSS là gì và đọc thế nào

Communality trong SPSS là gì

Bạn mở output SPSS sau khi chạy EFA và thấy bảng Communalities với hai cột Initial và Extraction. Communality cho biết bao nhiêu phần phương sai của một biến quan sát được các nhân tố giữ lại trong mô hình EFA giải thích. Nói đơn giản, đây là chỉ số giúp bạn xem một biến có được nhóm nhân tố chung đại diện tốt hay không.

Trong SPSS, giá trị communality thường nằm trong khoảng từ 0 đến 1. Giá trị càng cao, phần biến thiên của biến quan sát được các nhân tố trích giải thích càng nhiều. Giá trị thấp cho thấy biến đó có thể chưa phù hợp với cấu trúc nhân tố đang hình thành, nhưng bạn không nên xóa biến chỉ vì nhìn thấy một con số thấp. Quyết định cuối cùng cần đặt cạnh Factor Loading, KMO and Bartlett's Test, tổng phương sai trích và ý nghĩa lý thuyết của thang đo.

Về mặt tính toán, communality sau trích có thể được hiểu là tổng bình phương các hệ số tải của một biến trên những nhân tố được giữ lại:

h²ᵢ = λᵢ₁² + λᵢ₂² + ... + λᵢₖ²

Trong đó h²ᵢ là communality của biến thứ i, còn λ là hệ số tải nhân tố của biến đó trên từng nhân tố được giữ lại. Công thức này giải thích vì sao communality liên quan trực tiếp đến ma trận tải nhân tố, nhưng hai chỉ số này không phải là một.

Nếu bạn cần xem toàn bộ quy trình từ dữ liệu đến các bảng EFA, có thể đối chiếu với hướng dẫn EFA trong SPSS. Còn nếu đang vướng ở bảng các biến nhảy giữa nhiều nhóm, hãy xem thêm bài ma trận xoay.

Ý nghĩa của communality trong nghiên cứu định lượng

Communality trả lời một câu hỏi thực tế: các nhân tố được trích có giải thích được biến quan sát này hay không. EFA không chỉ gom các biến thành nhóm, mà còn giúp bạn kiểm tra liệu cấu trúc tiềm ẩn có đủ sức đại diện cho dữ liệu quan sát hay không.

Trong giai đoạn đầu, communality giúp bạn phát hiện biến hoạt động khác với phần còn lại của thang đo. Chẳng hạn, một biến có loading thấp trên mọi nhân tố thường có communality thấp. Biến này có thể diễn đạt không rõ, không cùng khái niệm với các biến còn lại, hoặc người trả lời hiểu theo một hướng khác với dự kiến.

Tuy vậy, communality không tự trả lời được câu hỏi biến có đạt hay không. Một biến có communality khá nhưng tải lên hai nhân tố vẫn có thể gây vấn đề về giá trị phân biệt. Ngược lại, một biến có communality thấp vừa phải nhưng có ý nghĩa nội dung quan trọng cần được cân nhắc trước khi loại bỏ.

Bạn cũng cần phân biệt EFA với CFA. Trong CFA, bạn thường quan tâm đến standardized loading, AVE, CR và giá trị phân biệt theo mô hình đo lường đã xác định trước. Bài CFA sẽ phù hợp hơn nếu bạn đang kiểm định một cấu trúc nhân tố đã có giả thuyết rõ ràng.

Trong luận văn định lượng, communality thường hỗ trợ ba quyết định. Thứ nhất, bạn xem biến nào cần kiểm tra lại. Thứ hai, bạn đánh giá liệu số nhân tố giữ lại có giải thích được dữ liệu hợp lý không. Thứ ba, bạn dùng kết quả này cùng với ma trận xoay để giải trình việc giữ hoặc loại biến.

Communality bao nhiêu là đạt

Không có một ngưỡng duy nhất áp dụng cho mọi bộ dữ liệu để kết luận communality đạt hay không đạt. Một số tài liệu thực hành dùng ngưỡng tham khảo, nhưng bảng Communalities nên được đọc cùng với các chỉ số EFA khác. Với bài viết này, không gán một con số chưa có trong danh mục nguồn cho communality.

Các ngưỡng dưới đây là những chỉ số liên quan thường được dùng khi đánh giá EFA. Mỗi dòng ghi rõ nguồn để bạn không biến một quy tắc tham khảo thành kết luận tuyệt đối.

Cách đọc thực tế là xem communality như một dấu hiệu sàng lọc, không phải chiếc nút tự động xóa biến. Nếu một biến có communality thấp, loading thấp, bị cross-loading và còn làm giảm độ tin cậy thang đo, lý do loại biến sẽ thuyết phục hơn. Nếu chỉ communality thấp nhưng biến có cơ sở lý thuyết rõ, bạn nên kiểm tra thêm trước khi quyết định.

Khi báo cáo, bạn có thể ghi rằng kết quả communality được xem xét kết hợp với hệ số tải nhân tố, tổng phương sai trích và ý nghĩa nội dung của biến. Cách này trung thực hơn việc viết rằng mọi biến đều đạt chỉ vì bạn muốn bảng EFA trông đẹp.

Cách đọc communality trên output

Sau khi chạy EFA, SPSS thường hiển thị bảng Communalities trước Total Variance Explained và ma trận nhân tố. Hai cột trong bảng có ý nghĩa khác nhau.

Initial là communality ban đầu. Với phương pháp Principal Components, SPSS thường đặt giá trị ban đầu của mỗi biến bằng 1 vì toàn bộ phương sai của biến được xem xét. Nếu bạn dùng một phương pháp trích nhân tố chung như Principal Axis Factoring, giá trị Initial có thể được ước lượng khác. Vì vậy, đừng so sánh máy móc cột Initial giữa các phương pháp.

Extraction là communality sau khi SPSS giữ lại số nhân tố theo lựa chọn của bạn. Đây là cột bạn thường cần đọc khi đánh giá mức độ biến quan sát được các nhân tố trích giải thích. Ví dụ, Extraction = 0.624 có thể được hiểu là mô hình nhân tố giữ lại giải thích khoảng 62,4% phương sai của biến đó trong bộ dữ liệu minh họa.

Số liệu minh họa từ bảng Communalities

Bảng sau mô phỏng cách SPSS hiển thị output. Đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật và không nên chép vào luận văn như số liệu của bạn.

Trong ví dụ này, CL3 được các nhân tố giữ lại giải thích tốt hơn CL4. Tuy nhiên, chưa thể kết luận CL4 phải bị loại. Bạn cần mở tiếp bảng Rotated Component Matrix hoặc Pattern Matrix, tùy phương pháp xoay và phương pháp trích, để xem CL4 tải lên nhân tố nào và tải bao nhiêu.

Nếu CL4 có loading thấp trên mọi nhân tố, đó là dấu hiệu cần kiểm tra. Nếu CL4 tải rõ vào đúng nhân tố theo mô hình lý thuyết và nội dung câu hỏi quan trọng, bạn có thể cân nhắc giữ lại, sau đó ghi rõ tiêu chí và trao đổi với giảng viên hướng dẫn.

Đừng nhầm Extraction với tỷ lệ phương sai trích của toàn bộ mô hình. Extraction trong bảng Communalities nói về từng biến. Total Variance Explained nói về các nhân tố được giữ lại và phần phương sai chung mà toàn bộ các nhân tố đó giải thích.

Bạn cũng có thể tham khảo bài communality để đối chiếu khái niệm, hoặc bài Principal Component Analysis nếu bạn đang dùng Principal Components và chưa rõ nó khác gì với các phương pháp trích nhân tố chung.

Khi communality không đạt thì xử lý thế nào

Hãy xử lý theo thứ tự từ kiểm tra dữ liệu đến quyết định mô hình. Xóa biến ngay sau khi nhìn thấy một giá trị thấp có thể làm bạn mất biến quan trọng và khiến cấu trúc thang đo thay đổi mà không có giải trình.

Kiểm tra mã hóa và dữ liệu đầu vào

Xác nhận biến được nhập đúng kiểu số, các giá trị Likert không bị đảo mã nhầm, và biến đảo chiều đã được recode trước khi chạy. Kiểm tra missing value, giá trị ngoài thang đo và những cột không phải biến quan sát. Một lỗi mã hóa có thể làm tương quan giữa biến đó với các biến cùng thang đo giảm mạnh.

Xem lại số nhân tố được giữ lại

Kiểm tra Total Variance Explained, eigenvalue và biểu đồ Scree Plot. Nếu giữ quá ít nhân tố, một số biến có thể bị ép vào cấu trúc không phù hợp, khiến communality thấp. Nếu giữ quá nhiều nhân tố, mô hình lại có thể tách những biến vốn thuộc cùng một khái niệm.

SPSS thường được chạy với lựa chọn Eigenvalues greater than 1, nhưng đây là quy tắc tham khảo gắn với (Kaiser, 1960), không phải lý do duy nhất để chọn số nhân tố. Bạn nên đối chiếu mô hình lý thuyết, nội dung thang đo và khả năng diễn giải từng nhân tố.

Kiểm tra loading và cross-loading

Mở Rotated Component Matrix để xem biến có loading đủ rõ trên một nhân tố hay không. Nếu biến có loading thấp trên mọi nhân tố hoặc tải gần tương đương trên nhiều nhân tố, communality thấp chỉ là một phần của vấn đề. Trong trường hợp này, xem lại câu chữ của biến và nguồn thang đo trước khi xóa.

Chạy lại có kiểm soát nếu cần

Nếu có cơ sở loại một biến, hãy loại từng biến một, chạy EFA lại và lưu output của mỗi vòng. Không nên xóa cùng lúc nhiều biến chỉ để làm communality tăng, vì bạn sẽ không biết biến nào thực sự gây vấn đề và cấu trúc nhân tố đã thay đổi ra sao.

Việc loại biến được chấp nhận hơn khi bạn nêu được ba điểm: biến có chỉ số thống kê yếu, nội dung biến không thiết yếu hoặc có khả năng gây hiểu nhầm, và kết quả sau khi chạy lại vẫn phù hợp với mô hình. Nếu chỉ viết “loại vì communality thấp” mà không báo cáo các chỉ số liên quan, hội đồng có thể hỏi tiếp.

Phân biệt communality với các chỉ số dễ nhầm

Communality và factor loading đều xuất hiện trong EFA nhưng trả lời hai câu hỏi khác nhau. Factor loading cho biết mức liên hệ của một biến với một nhân tố cụ thể. Communality tổng hợp phần phương sai được giải thích bởi tất cả nhân tố được giữ lại.

Communality cũng khác Unique Variance. Nếu communality là phần phương sai được các nhân tố chung giải thích, unique variance là phần còn lại gắn với riêng biến hoặc sai số. Hai phần này không nên bị gộp thành cùng một chỉ số khi bạn viết chương kết quả.

Communalities khác Total Variance Explained ở cấp độ phân tích. Bảng đầu cho từng biến quan sát, còn bảng sau cho từng nhân tố và toàn bộ mô hình. Một biến có Extraction = 0.624 không có nghĩa mô hình EFA có tổng phương sai trích là 62,4%.

Communality cũng không phải Cronbach's Alpha. Alpha đánh giá độ nhất quán nội tại của một nhóm biến, còn communality xem các nhân tố được trích giải thích từng biến đến mức nào. Một thang đo có alpha tốt vẫn có thể có một biến tải yếu trong EFA.

Nếu bạn đang chạy PCA, cần nhớ PCA phân rã toàn bộ phương sai của các biến, trong khi EFA theo hướng nhân tố chung tập trung vào phần phương sai chung. Phương pháp trích bạn chọn phải phù hợp với mục tiêu nghiên cứu và cách bạn lập luận trong phương pháp.

Lỗi thường gặp

Lỗi đầu tiên là tìm một ngưỡng communality duy nhất rồi tự động xóa mọi biến thấp hơn ngưỡng đó. Cách làm này bỏ qua lý thuyết, loading, cross-loading và chất lượng bảng hỏi. Hãy xem communality như tín hiệu cảnh báo để kiểm tra thêm.

Lỗi thứ hai là đọc cột Initial thay cho Extraction. Trong nhiều output PCA, Initial đều bằng 1.000 nên cột này không giúp bạn phân biệt biến nào được mô hình giữ lại giải thích tốt hơn.

Lỗi thứ ba là lấy giá trị communality của một bài mẫu đưa vào kết quả nghiên cứu của bạn. Bảng minh họa chỉ giúp bạn nhận diện cột và cách diễn giải. Khi viết luận văn, bạn phải thay bằng output từ file .sav hoặc .csv của chính mình.

Lỗi thứ tư là chạy lại EFA nhiều lần nhưng không ghi nhật ký loại biến. Bạn nên lưu syntax, tên biến bị loại, lý do, số nhân tố và các thay đổi chính sau mỗi vòng. Việc này giúp bạn trả lời được câu hỏi “vì sao loại biến này” khi bảo vệ.

Câu hỏi thường gặp

Communality trong SPSS có phải là hệ số tải nhân tố không

Không. Hệ số tải cho biết một biến liên hệ với từng nhân tố cụ thể, còn communality là phần phương sai của biến được giải thích tổng hợp bởi các nhân tố được giữ lại. Communality thường được tính từ các loading liên quan, nhưng không thể lấy một loading đơn lẻ để thay cho communality.

Communality thấp có bắt buộc phải xóa biến không

Không bắt buộc. Bạn cần xem thêm loading, cross-loading, độ tin cậy thang đo, nội dung biến và mô hình lý thuyết. Xóa biến chỉ vì một con số thấp có thể làm thang đo mất nội dung quan trọng hoặc khiến kết quả khó giải trình.

Vì sao cột Initial trong bảng Communalities đều bằng 1.000

Đây thường là cách SPSS xử lý trong Principal Components, khi toàn bộ phương sai ban đầu của mỗi biến được đưa vào phân tích. Cột cần chú ý để đánh giá phần được các thành phần giữ lại giải thích thường là Extraction. Nếu bạn dùng phương pháp trích khác, giá trị Initial có thể không giống như vậy.

Communality khác tổng phương sai trích ở điểm nào

Communality được báo cáo theo từng biến quan sát. Tổng phương sai trích được báo cáo cho các nhân tố hoặc thành phần được giữ lại, cho biết toàn bộ cấu trúc giữ lại giải thích bao nhiêu phương sai của bộ biến. Hai con số có thể cùng xuất hiện trong một output nhưng không cùng đơn vị diễn giải.

Có thể dùng communality để kết luận thang đo đạt độ tin cậy không

Không. Độ tin cậy thường được xem qua Cronbach's Alpha, corrected item-total correlation hoặc các chỉ số phù hợp với mô hình đo lường. Communality hỗ trợ đánh giá EFA, nhưng không thay thế kiểm định độ tin cậy và giá trị của thang đo.

Bạn có thể mở file SPSS, ghi lại Initial và Extraction của từng biến, rồi đối chiếu với Rotated Component Matrix, Total Variance Explained và kết quả Cronbach's Alpha trước khi quyết định vòng chạy tiếp theo; nếu cần chạy phân tích trên chính file .sav hoặc .csv, xem module M4 phân tích dữ liệu.