EFA trong SPSS: Cách chạy và đọc kết quả đúng
Khi nào dùng EFA trong SPSS
Bạn dùng Exploratory Factor Analysis, thường gọi là EFA, khi muốn khám phá các biến quan sát đang tập hợp thành bao nhiêu nhân tố và biến nào thuộc về cùng một nhóm. Tình huống phổ biến là bạn kế thừa thang đo từ nhiều nguồn, đã dịch sang tiếng Việt, hoặc điều chỉnh thang đo cho một bối cảnh nghiên cứu mới. Trước khi chạy hồi quy hay mô hình cấu trúc, EFA giúp kiểm tra sơ bộ cấu trúc của bộ biến.
EFA phù hợp với câu hỏi như: các biến quan sát đo chất lượng dịch vụ có thực sự tạo thành năm nhóm hay không, hoặc các biến đo ý định sử dụng có đang quy về một nhân tố duy nhất hay không. Nếu mô hình của bạn đã được xác nhận rõ và mục tiêu là kiểm định mức độ phù hợp của mô hình đo lường, bạn nên xem thêm CFA sau khi hoàn thành bước khám phá.
EFA không tự chứng minh rằng một giả thuyết nhân quả đúng. Kết quả EFA chỉ cho biết cấu trúc nhóm biến trong bộ dữ liệu hiện tại. Các giả thuyết như “chất lượng cảm nhận tác động đến sự hài lòng” vẫn cần được kiểm định bằng hồi quy, SEM hoặc PLS-SEM ở bước tiếp theo.
Chuẩn bị dữ liệu trước khi chạy
Mở file .sav và kiểm tra dữ liệu trước khi vào menu EFA. Mỗi dòng nên là một người trả lời, mỗi cột là một biến quan sát. Các biến đưa vào EFA phải là biến số, thường được mã hóa bằng thang Likert 5 hoặc 7 mức. Không đưa biến giới tính, ngành học hoặc mã người trả lời vào cùng nhóm biến thang đo nếu chúng chỉ là biến phân loại.
Trước hết, kiểm tra mã thiếu trong Variable View và Data View. Nếu một số câu trả lời được mã bằng 0 hoặc 99, bạn cần khai báo chúng là missing hoặc xử lý theo quy tắc đã ghi trong phương pháp nghiên cứu. Một giá trị thiếu bị đọc như điểm Likert thật có thể làm thay đổi ma trận tương quan và kết quả EFA.
Tiếp theo, kiểm tra các biến đảo chiều. Chẳng hạn, thang đo có câu “Tôi thường thấy dịch vụ này gây nhiều phiền toái” trong khi các câu còn lại đều diễn đạt theo hướng tích cực. Biến này cần được reverse code trước khi kiểm định độ tin cậy và chạy EFA. Bạn có thể dùng Transform > Recode into Different Variables, tạo biến mới, rồi ghi rõ quy tắc mã hóa trong syntax hoặc bảng theo dõi dữ liệu.
Cronbach's Alpha thường được chạy trước EFA để phát hiện biến có tương quan thấp với phần còn lại. Corrected Item-Total Correlation từ 0.3 trở lên thường được dùng làm mốc tham khảo (Nunnally và Bernstein, 1994). Tuy nhiên, đừng xóa biến chỉ vì một con số. Hãy xem nội dung biến, nguồn thang đo và ý kiến của giảng viên hướng dẫn.
Bạn cũng cần xác định EFA đang áp dụng cho toàn bộ thang đo hay từng nhóm khái niệm. Nếu các biến thuộc những khái niệm khác nhau nhưng có cơ sở lý thuyết cho phép chúng liên hệ, chạy chung có thể giúp phát hiện biến bị tải chéo. Nếu bộ biến quá rộng, ghi rõ nhóm biến và lý do chọn trong chương phương pháp. Những khái niệm liên quan đến communality cũng cần được xem trong output vì chỉ số này cho biết mỗi biến được các nhân tố chung giải thích ở mức nào.
Các bước chạy EFA trong SPSS
Bước 1: Mở hộp thoại Factor Analysis
Trong SPSS, chọn Analyze > Dimension Reduction > Factor. Đưa các biến quan sát cần phân tích vào ô Variables. Kiểm tra lại tên biến trong danh sách, vì một biến nhân khẩu học đưa nhầm vào đây có thể khiến cấu trúc nhân tố khó giải thích.
Nhấn Descriptives. Chọn KMO and Bartlett's test of sphericity, Initial solution, và nếu cần chọn Anti-image để kiểm tra thêm. KMO và Bartlett giúp đánh giá dữ liệu có phù hợp để phân tích nhân tố hay không, nhưng chúng không thay thế việc xem nội dung thang đo.
Bước 2: Chọn phương pháp trích nhân tố
Nhấn Extraction. Ở mục Method, SPSS thường để mặc định là Principal components. Đây là lựa chọn nhiều luận văn sử dụng, nhưng về mặt khái niệm Principal Component Analysis và EFA không hoàn toàn giống nhau. Nếu mục tiêu của bạn là tìm các nhân tố tiềm ẩn, có thể cân nhắc Principal axis factoring và phải ghi đúng phương pháp đã chọn.
Trong mục Analyze, chọn Correlation matrix. Ở phần Display, chọn Unrotated factor solution và Scree plot. Với Extract, bạn có thể chọn Eigenvalues over 1 khi bám theo quy tắc này, hoặc chỉ định số nhân tố dựa trên mô hình lý thuyết và Scree plot. Quy tắc Eigenvalue lớn hơn 1 được gắn với (Kaiser, 1960), nhưng không nên dùng máy móc khi hai cách lựa chọn cho kết quả khác nhau.
Bước 3: Chọn phép xoay nhân tố
Nhấn Rotation. Nếu giả định các nhân tố không tương quan, chọn Varimax. Nếu các nhân tố có thể tương quan, cân nhắc Promax hoặc một phép xoay xiên khác. Trong nghiên cứu hành vi, các khái niệm như chất lượng, giá trị và sự hài lòng thường có liên hệ, nên bạn cần giải thích lựa chọn phép xoay thay vì chọn theo thói quen.
Chọn Loading plot(s) nếu muốn xem biểu đồ tải nhân tố. Với Varimax, SPSS thường xuất bảng Rotated Component Matrix. Với Promax, bảng quan trọng thường là Pattern Matrix và Structure Matrix. Đọc đúng tên bảng giúp bạn tránh lấy nhầm hệ số khi viết chương 4.
Bước 4: Ẩn hệ số tải nhỏ trong bảng kết quả
Nhấn Options và chọn Sorted by size để SPSS sắp xếp biến theo nhân tố. Có thể chọn Suppress small coefficients rồi nhập 0.50 để bảng dễ đọc. Tùy chọn này chỉ ẩn các hệ số nhỏ trên màn hình, không xóa biến khỏi dữ liệu.
Nếu đang xử lý EFA lần đầu, bạn có thể để ngưỡng hiển thị thấp hơn, chẳng hạn 0.30, nhằm nhìn thấy toàn bộ cấu trúc và các trường hợp tải chéo. Sau khi hiểu bảng, mới dùng ngưỡng cao hơn để trình bày. Nhấn Continue, rồi OK để chạy.
Bước 5: Lưu lại từng vòng chạy
Lưu output với tên có thứ tự, ví dụ EFA_vong_1, EFA_vong_2. Khi một biến bị loại, ghi lại lý do và kết quả sau khi chạy lại. EFA hiếm khi ra đẹp ở lần đầu. Loại biến, chạy lại và ghi lại từng vòng loại là quy trình cần kiểm soát, không phải dấu hiệu bạn thao tác sai.
Đọc kết quả output
SPSS thường hiển thị các bảng KMO and Bartlett's Test, Communalities, Total Variance Explained, Component Matrix và Rotated Component Matrix. Nếu dùng Promax, bạn sẽ gặp Pattern Matrix. Hãy đọc theo thứ tự từ mức độ phù hợp chung, số nhân tố, tỷ lệ phương sai, rồi mới đến từng biến.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS thường in trong output để bạn đối chiếu với file đang mở.
| Bảng SPSS | Chỉ số hoặc dòng minh họa | Cách đọc |
|---|---|---|
| KMO and Bartlett's Test | Kaiser-Meyer-Olkin Measure of Sampling Adequacy = 0.812 | Dữ liệu có mức độ phù hợp tốt hơn khi KMO vượt mốc chấp nhận đã chọn |
| KMO and Bartlett's Test | Approx. Chi-Square = 642.381; Sig. = 0.000 | Bartlett có ý nghĩa thống kê, ma trận tương quan không phải ma trận đơn vị |
| Total Variance Explained | Initial Eigenvalues, Component 1 = 4.286 | Nhân tố đầu tiên giải thích lượng phương sai lớn nhất trong ví dụ |
| Total Variance Explained | Cumulative % = 63.417 | Các nhân tố được giữ lại giải thích tổng cộng 63.417% phương sai minh họa |
| Rotated Component Matrix | TC1 = 0.784 trên Component 1 | Biến TC1 tải mạnh nhất vào nhân tố 1 trong ví dụ |
| Rotated Component Matrix | TC4 = 0.512 trên Component 1; 0.486 trên Component 2 | Có dấu hiệu tải chéo, cần xem nội dung và tiêu chí loại biến |
Trong KMO and Bartlett's Test, KMO càng cao cho thấy mẫu và tương quan giữa các biến phù hợp hơn với phân tích nhân tố. Bartlett có cột Sig. nhỏ hơn 0.05 cho thấy có đủ tương quan để tiếp tục xem xét. Không nên kết luận chỉ từ Sig. mà bỏ qua kích thước mẫu và chất lượng thang đo.
Trong Total Variance Explained, chú ý các cột Initial Eigenvalues, Extraction Sums of Squared Loadings và Rotation Sums of Squared Loadings. Dòng Cumulative % cho biết tổng tỷ lệ phương sai được giải thích bởi số nhân tố giữ lại. Nếu dùng Principal components, cách trình bày sẽ khác một chút so với Principal axis factoring, vì vậy hãy ghi đúng phương pháp trong luận văn.
Trong ma trận xoay, bạn xem biến nào có hệ số tải cao trên một nhân tố và thấp trên các nhân tố còn lại. Một biến tải cao ở hai nhân tố cùng lúc là tải chéo. Nếu EFA ra một nhân tố, bạn không nên vội kết luận mô hình sai. Có thể bộ biến thực sự đo một khái niệm chung, số lượng biến chưa đủ đa dạng, hoặc cách chọn số nhân tố chưa phù hợp.
Tiêu chí đánh giá
Các mốc dưới đây là tiêu chí tham khảo thường được dùng trong luận văn định lượng. Bạn cần chọn tiêu chí phù hợp với mô hình, lĩnh vực và hướng dẫn của khoa. Mỗi dòng đều nêu nguồn để bạn có thể kiểm tra khi bị hỏi về căn cứ.
| Chỉ tiêu | Mốc tham khảo | Nguồn |
|---|---|---|
| KMO | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | Sig. nhỏ hơn 0.05 | (Kaiser, 1974) |
| Eigenvalue | Lớn hơn 1 | (Kaiser, 1960) |
| Factor loading | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Số quan sát trên một biến quan sát | Khoảng 5 đến 10 | (Hair và cộng sự, 2010) |
KMO từ 0.5 trở lên là mức tối thiểu thường được nêu trong tài liệu (Kaiser, 1974). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên thường được sử dụng trong các nghiên cứu khám phá (Hair và cộng sự, 2010). Những mốc này không có nghĩa là bạn được xóa biến tự động khi một con số thấp hơn rất ít.
Khi quyết định giữ hoặc loại biến, hãy xem đồng thời factor loading, tải chéo, communality, Corrected Item-Total Correlation, nội dung câu hỏi và sự ổn định của cấu trúc sau khi chạy lại. Nếu xóa biến chỉ để làm đẹp bảng, bạn có thể làm mất nội dung quan trọng của khái niệm và bị hỏi ngược ở phần thang đo.
Nếu bạn đang nhầm giữa EFA và Principal Component Analysis, hãy ghi rõ phương pháp trong hộp thoại Extraction. Cùng là phân tích giảm chiều trong SPSS, nhưng cách diễn giải mục tiêu có thể khác nhau. Đối với một số đề tài, giảng viên yêu cầu dùng Principal components vì đó là thông lệ của ngành. Bạn nên tuân theo thiết kế nghiên cứu đã được duyệt và báo cáo trung thực lựa chọn đó.
Cách viết kết quả vào luận văn
Trong chương 4, bạn nên trình bày số biến đưa vào, phương pháp trích, phép xoay, KMO, Bartlett, số nhân tố giữ lại, tổng phương sai trích và các biến thuộc từng nhân tố. Không chụp nguyên cả trang output nếu người đọc không thể biết bạn dựa vào dòng nào để kết luận.
Cách viết vào luận văn: “Kết quả EFA đối với [số lượng biến quan sát] biến cho thấy chỉ số KMO đạt [giá trị KMO], kiểm định Bartlett có Sig. = [giá trị Sig.]. Kết quả trích được [số nhân tố] nhân tố với tổng phương sai trích là [giá trị phần trăm]%. Các factor loading dao động từ [giá trị thấp nhất] đến [giá trị cao nhất], do đó [số biến] biến quan sát được giữ lại cho bước phân tích tiếp theo.”
Sau đoạn này, thêm bảng tóm tắt tên nhân tố và danh sách biến. Tên nhân tố phải dựa trên nội dung chung của các biến, không đặt tên chỉ vì Component 1 hoặc Component 2. Nếu có biến bị loại, ghi số vòng chạy, lý do loại và kết quả sau cùng.
Bạn có thể liên kết kết quả EFA với EFA để đối chiếu khái niệm, nhưng đừng dùng liên kết thay cho phần giải thích trong bài. Người đọc luận văn cần thấy chính file dữ liệu của bạn đã được xử lý như thế nào.
Lỗi thường gặp khi chạy EFA
Lỗi đầu tiên là đưa tất cả biến vào EFA mà không kiểm tra chiều đo. Biến đảo chiều chưa xử lý có thể làm tương quan âm và khiến cấu trúc nhân tố khó giải thích. Lỗi thứ hai là chọn Varimax theo thói quen dù các nhân tố có cơ sở lý thuyết để tương quan.
Lỗi tiếp theo là xóa liên tục nhiều biến chỉ vì chúng chưa đạt loading 0.5, nhưng không lưu lại từng vòng chạy. Cách này khiến bạn không biết cấu trúc thay đổi ra sao và khó giải trình. Hãy loại từng biến có vấn đề rõ nhất, chạy lại, rồi đánh giá toàn bộ bảng một lần nữa.
Một lỗi khác là báo cáo “EFA đạt” chỉ vì KMO đạt. KMO và Bartlett mới trả lời dữ liệu có phù hợp để xem xét EFA hay không. Bạn vẫn phải đọc số nhân tố, Total Variance Explained, Rotated Component Matrix và sự phù hợp về mặt nội dung.
Nếu kết quả chỉ còn một nhân tố, hãy kiểm tra số lượng biến, nội dung các biến và tùy chọn Extraction. Khi thang đo thật sự đơn hướng, một nhân tố có thể là kết quả hợp lý. Khi mô hình lý thuyết dự kiến nhiều nhân tố nhưng dữ liệu chỉ cho một nhóm, bạn cần báo cáo chênh lệch đó và trao đổi với giảng viên thay vì ép SPSS tạo ra cấu trúc mong muốn.
Câu hỏi thường gặp
EFA trong SPSS có bắt buộc chạy trước hồi quy không?
Không phải mọi mô hình đều bắt buộc theo cùng một quy trình, nhưng với thang đo nhiều biến quan sát, EFA thường được dùng để kiểm tra cấu trúc trước khi tính điểm nhân tố hoặc chạy hồi quy. Bạn cần tuân theo mô hình và phương pháp đã được phê duyệt.
EFA ra một nhân tố phải làm sao?
Trước tiên, kiểm tra bạn đã đưa đúng nhóm biến vào chưa, đã xử lý biến đảo chiều chưa và đang chọn số nhân tố theo cách nào. Xem thêm Scree plot, Eigenvalue, factor loading và nội dung các biến.
Nếu một nhân tố phù hợp với khái niệm lý thuyết, bạn có thể giữ kết quả và giải thích rõ. Nếu mô hình dự kiến nhiều nhân tố, hãy kiểm tra lại thang đo và trao đổi với giảng viên trước khi xóa biến hoặc ép số nhân tố.
Có cần xóa biến loading dưới 0.5 ngay không?
Bạn nên xem thêm tải chéo, communality, tương quan biến tổng và ý nghĩa nội dung. Mốc 0.5 được dùng phổ biến theo (Hair và cộng sự, 2010), nhưng quyết định cuối cùng cần kết hợp bằng chứng thống kê với cơ sở lý thuyết.
Nên dùng Varimax hay Promax trong EFA?
Varimax phù hợp khi bạn giả định các nhân tố không tương quan. Promax phù hợp hơn khi các nhân tố có thể tương quan. Hãy chọn theo mô hình nghiên cứu và ghi rõ trong phương pháp, thay vì chọn dựa trên việc bảng nào trông đẹp hơn.
Có thể chạy EFA trên dữ liệu Likert không?
Trong nhiều luận văn định lượng, các biến Likert được xử lý như biến số để phân tích tương quan và EFA. Bạn vẫn cần kiểm tra phân phối, missing values, kích thước mẫu và cách mã hóa. Đừng đưa các biến phân loại như mã ngành hoặc giới tính vào nhóm biến quan sát của thang đo.
Sau khi chạy xong, hãy lưu cả file dữ liệu, file Output và bảng theo dõi các vòng loại biến. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và muốn kiểm tra từng lựa chọn trong SPSS, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.