Eigenvalue trong SPSS là gì và bao nhiêu là đạt
Bạn mở output SPSS sau khi chạy EFA và thấy bảng Total Variance Explained với nhiều cột Initial Eigenvalues, Extraction Sums of Squared Loadings và Rotation Sums of Squared Loadings. Eigenvalue thường được dùng để xem mỗi nhân tố giải thích được bao nhiêu phương sai và quyết định nên giữ bao nhiêu nhân tố trong phân tích.
Trong EFA, một eigenvalue biểu thị lượng phương sai của các biến quan sát được một nhân tố đại diện. Với dữ liệu đã chuẩn hóa, mỗi biến quan sát có phương sai bằng 1. Vì vậy, eigenvalue bằng 2 có thể được hiểu là nhân tố đó giải thích lượng thông tin tương đương khoảng hai biến quan sát. Quy tắc giữ nhân tố có eigenvalue lớn hơn 1 được gọi là Kaiser criterion, được trình bày trong (Kaiser, 1960).
Eigenvalue không phải là hệ số tải nhân tố. Bạn cần đọc đúng bảng và đúng cột, vì một con số có thể xuất hiện ở nhiều giai đoạn khác nhau của EFA.
Eigenvalue trong SPSS là gì
SPSS tính eigenvalue từ ma trận tương quan hoặc ma trận hiệp phương sai giữa các biến quan sát. Trong phân tích nhân tố khám phá, eigenvalue cho biết mỗi nhân tố tiềm ẩn giữ lại bao nhiêu phần thông tin ban đầu. Các nhân tố có eigenvalue thấp thường giải thích rất ít phương sai và có thể không đáng giữ lại.
Khi chạy EFA bằng phương pháp Principal Components, SPSS thường trình bày ba nhóm thông tin trong bảng Total Variance Explained. Initial Eigenvalues cho biết eigenvalue trước khi trích nhân tố. Extraction Sums of Squared Loadings cho biết phần thông tin của các nhân tố được giữ sau bước extraction. Rotation Sums of Squared Loadings cho biết phương sai được phân bổ lại sau khi xoay nhân tố.
Bạn có thể xem thêm bài về principal component analysis nếu phương pháp bạn chọn trong hộp thoại Extraction là Principal components. Nếu dùng EFA theo nghĩa hẹp với Principal Axis Factoring, cách diễn giải eigenvalue vẫn cần đặt trong toàn bộ kết quả trích và xoay, không nên chỉ nhìn một cột.
Ý nghĩa của eigenvalue trong nghiên cứu định lượng
Eigenvalue giúp bạn trả lời câu hỏi: bộ biến quan sát đang hình thành bao nhiêu nhóm nhân tố có ý nghĩa để tiếp tục phân tích. Đây là quyết định về cấu trúc thang đo, không phải kết luận rằng một giả thuyết nghiên cứu đã được chấp nhận.
Ví dụ, bạn có 18 biến quan sát thuộc các khái niệm dự kiến ban đầu. Sau EFA, SPSS cho thấy bốn nhân tố có eigenvalue lớn hơn 1. Kết quả này gợi ý dữ liệu đang gom thành bốn nhóm theo tiêu chí eigenvalue. Bạn vẫn phải xem factor loading, cross-loading, communality, tổng phương sai trích và ý nghĩa lý thuyết của từng nhóm.
Eigenvalue cũng liên quan đến Total Variance Explained. Nếu bốn nhân tố giữ lại giải thích tổng cộng 62% phương sai, bốn nhân tố đó đang giải thích 62% biến thiên của toàn bộ tập biến trong mô hình trích. Mốc tổng phương sai trích từ 50% trở lên thường được sử dụng trong nghiên cứu định lượng, theo (Hair và cộng sự, 2010).
Trong một số trường hợp, eigenvalue giúp phát hiện sự khác biệt giữa mô hình lý thuyết và dữ liệu thực tế. Bạn dự kiến ba nhân tố nhưng output gợi ý năm nhân tố. Khi đó, cần kiểm tra nội dung biến quan sát, cách mã hóa, biến đảo chiều, cỡ mẫu và phương pháp trích. Việc ép SPSS chỉ trích đúng ba nhân tố có thể hợp lý khi có cơ sở lý thuyết rõ, nhưng không nên làm chỉ để output giống mô hình ban đầu.
Nếu bạn đang ở bước đánh giá toàn bộ EFA, bài EFA sẽ hữu ích hơn việc chỉ đọc eigenvalue riêng lẻ. Cấu trúc nhân tố phải được giải thích cùng với communality và ma trận tải nhân tố.
Eigenvalue bao nhiêu là đạt
Theo Kaiser criterion, nhân tố có eigenvalue lớn hơn 1 được xem là ứng viên để giữ lại, theo (Kaiser, 1960). Đây là quy tắc phổ biến trong SPSS, nhưng không phải một phán quyết tự động cho mọi bộ dữ liệu. Eigenvalue đúng bằng 1 hoặc thấp hơn thường không được giữ theo quy tắc này.
Bảng dưới đây tóm tắt các điểm bạn cần kiểm tra. Mỗi ngưỡng đều đi kèm nguồn để bạn có thể giải trình trong chương phương pháp hoặc chương kết quả.
| Chỉ tiêu trên output SPSS | Mức thường dùng | Cách hiểu | Nguồn |
|---|---|---|---|
| Eigenvalue của nhân tố | > 1 | Nhân tố giải thích lượng phương sai lớn hơn một biến chuẩn hóa | (Kaiser, 1960) |
| KMO | ≥ 0.5 | Dữ liệu có mức độ phù hợp tối thiểu để phân tích nhân tố | (Kaiser, 1974) |
| Bartlett's Test of Sphericity | Sig. < 0.05 | Ma trận tương quan khác ma trận đơn vị ở mức ý nghĩa thống kê | (Kaiser, 1974) |
| Total Variance Explained | ≥ 50% | Các nhân tố giữ lại giải thích phần lớn phương sai của tập biến | (Hair và cộng sự, 2010) |
| Factor loading | ≥ 0.5 | Biến quan sát có mức liên hệ đủ với nhân tố | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | ≥ 0.3 | Biến có tương quan phù hợp với tổng thang đo khi kiểm tra độ tin cậy | (Nunnally và Bernstein, 1994) |
KMO và Bartlett không phải là eigenvalue. KMO kiểm tra mức độ phù hợp của dữ liệu, còn Bartlett kiểm tra tương quan giữa các biến. Bạn có thể đọc cách kiểm tra này trong nội dung về ma trận xoay, vì hai kết quả thường xuất hiện trong cùng quy trình EFA.
Một điểm cần thận trọng là quy tắc eigenvalue lớn hơn 1 đôi khi giữ lại quá nhiều nhân tố, đặc biệt khi số biến quan sát nhiều. Vì vậy, bạn nên đối chiếu với Scree Plot, mô hình lý thuyết và ý nghĩa nội dung. Nếu luận văn yêu cầu báo cáo rõ hơn, hãy ghi cả số nhân tố theo eigenvalue và lý do chọn cấu trúc cuối cùng.
Cách đọc eigenvalue trên output SPSS
Sau đây là cách đọc một output EFA mẫu. Các con số bên dưới chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể.
Trong SPSS, vào Analyze > Dimension Reduction > Factor. Đưa các biến quan sát vào ô Variables. Ở Extraction, có thể chọn Principal components và để Eigenvalues over 1 nếu bạn muốn SPSS tự giữ các nhân tố có eigenvalue lớn hơn 1. Chọn Scree plot để có thêm biểu đồ hỗ trợ quyết định.
Bảng minh họa dưới đây mô phỏng các cột mà bạn thường thấy trong Total Variance Explained.
| Component | Initial Eigenvalues Total | % of Variance | Cumulative % | Extraction Sums of Squared Loadings Total | Rotation Sums of Squared Loadings Total |
|---|---|---|---|---|---|
| 1 | 5.842 | 32.456 | 32.456 | 5.842 | 4.126 |
| 2 | 2.318 | 12.878 | 45.334 | 2.318 | 3.214 |
| 3 | 1.476 | 8.201 | 53.535 | 1.476 | 2.296 |
| 4 | 0.912 | 5.067 | 58.602 | Không giữ | Không giữ |
| 5 | 0.741 | 4.117 | 62.719 | Không giữ | Không giữ |
Đây là số liệu minh họa. Trong ví dụ, ba component đầu có eigenvalue lần lượt là 5.842, 2.318 và 1.476, đều lớn hơn 1. Component thứ tư có eigenvalue 0.912, nên không được giữ theo Kaiser criterion. Tổng phương sai trích của ba component được giữ là 53.535%, vượt mốc 50% thường được tham khảo từ (Hair và cộng sự, 2010).
Bạn cần phân biệt Initial Eigenvalues với Rotation Sums of Squared Loadings. Sau phép xoay, tổng phương sai của từng nhân tố có thể thay đổi do thông tin được phân bổ lại giữa các nhân tố, nhưng tổng phương sai của toàn bộ các nhân tố giữ lại về cơ bản vẫn được bảo toàn trong cùng phương pháp trích.
Nếu bảng chỉ hiển thị eigenvalue của 10 component đầu, hãy kiểm tra phần còn lại bằng cách mở rộng cửa sổ Output Viewer hoặc sao chép bảng sang Word. Đừng kết luận số nhân tố chỉ từ vài dòng đang nhìn thấy trên màn hình.
Khi eigenvalue không đạt thì xử lý thế nào
Nếu một nhân tố có eigenvalue dưới 1, bước đầu tiên là kiểm tra xem bạn đang đọc đúng cột và đúng phương pháp trích hay chưa. Một lỗi thường gặp là nhìn Rotation Sums of Squared Loadings rồi bỏ qua Initial Eigenvalues, hoặc nhầm component với factor sau khi đặt tên nhân tố.
Kiểm tra KMO và Bartlett trước
Nếu KMO dưới 0.5 hoặc Bartlett's Test có Sig. từ 0.05 trở lên, dữ liệu chưa tạo đủ cơ sở cho EFA theo các mức thường dùng trong (Kaiser, 1974). Kiểm tra kích thước mẫu, các biến có tương quan quá thấp và việc nhập dữ liệu trước khi sửa cấu trúc nhân tố.
Kiểm tra biến đảo chiều và mã hóa
Một biến đảo chiều chưa được recode có thể làm tương quan giữa các biến bị lệch. Mở Transform > Recode into Different Variables, tạo biến mới và kiểm tra lại giá trị sau khi recode. Không nên sửa trực tiếp dữ liệu gốc mà không lưu bản sao, vì bạn cần truy lại từng bước khi giảng viên hỏi.
Xem factor loading, cross-loading và communality
Eigenvalue cao chưa đủ để giữ một nhân tố. Nếu một biến có loading thấp, tải mạnh ở hai nhân tố hoặc communality thấp, bạn có thể cân nhắc loại biến dựa trên cả thống kê và nội dung lý thuyết. Mỗi vòng loại biến cần ghi lại biến nào bị loại, lý do và kết quả sau khi chạy lại.
So sánh Scree Plot với mô hình lý thuyết
Scree Plot thường cho thấy điểm gãy, từ đó hỗ trợ nhận diện số nhân tố hợp lý. Nếu eigenvalue lớn hơn 1 cho ra sáu nhân tố nhưng biểu đồ và lý thuyết đều chỉ ra bốn nhân tố, hãy trao đổi với giảng viên trước khi cố định số nhân tố. Có thể chạy lại với số nhân tố định trước tại Extraction > Fixed number of factors, nhưng phải trình bày lý do.
Thu thập thêm dữ liệu chỉ khi vấn đề nằm ở dữ liệu
Thêm mẫu không tự động làm eigenvalue đạt. Bạn chỉ nên cân nhắc thu thập thêm khi cỡ mẫu ban đầu thấp, tỷ lệ dữ liệu thiếu lớn hoặc mẫu chưa đúng đối tượng nghiên cứu. Nếu biến quan sát viết mơ hồ hoặc hai khái niệm bị trộn nội dung, cần xử lý ở thiết kế thang đo thay vì hy vọng một lần chạy mới sẽ giải quyết.
Phân biệt eigenvalue với các chỉ số dễ nhầm
Eigenvalue, factor loading và communality đều xuất hiện trong quy trình EFA nhưng trả lời các câu hỏi khác nhau.
| Chỉ số | Nằm ở bảng nào | Trả lời câu hỏi gì | Dùng để quyết định |
|---|---|---|---|
| Eigenvalue | Total Variance Explained | Một nhân tố giải thích bao nhiêu phương sai | Số nhân tố ứng viên được giữ |
| Factor loading | Rotated Component Matrix hoặc Pattern Matrix | Biến quan sát liên hệ mạnh đến nhân tố nào | Giữ, loại hoặc điều chỉnh biến |
| Communality | Communalities | Bao nhiêu phần phương sai của một biến được các nhân tố giải thích | Đánh giá mức đại diện của biến |
| Total variance explained | Total Variance Explained | Toàn bộ nhân tố giữ lại giải thích bao nhiêu phương sai | Đánh giá mức độ giải thích chung |
| KMO | KMO and Bartlett's Test | Dữ liệu có phù hợp để chạy EFA không | Có nên tiếp tục diễn giải EFA |
Bạn có thể mở bài CFA nếu nghiên cứu đã có mô hình đo lường xác định và mục tiêu là kiểm định cấu trúc giả định. CFA không dùng eigenvalue theo cách EFA dùng để khám phá số nhân tố. Việc chọn EFA hay CFA phải dựa vào mục tiêu nghiên cứu, không chỉ dựa vào việc bảng output nào dễ đọc hơn.
Cách viết vào luận văn: “Kết quả EFA cho thấy có [số nhân tố] nhân tố có eigenvalue lớn hơn 1, giải thích [tổng phương sai trích]% phương sai của các biến quan sát. Theo tiêu chí của (Kaiser, 1960), các nhân tố này được giữ lại để tiếp tục đánh giá cấu trúc thang đo. Kết quả này cần được xem xét đồng thời với factor loading và ý nghĩa lý thuyết của từng nhân tố.”
Bạn thay các phần trong ngoặc vuông bằng số liệu thật trong bảng Total Variance Explained. Không ghi “eigenvalue đạt” như thể đây là một kiểm định độc lập. Cách viết chính xác hơn là “nhân tố có eigenvalue lớn hơn 1 được giữ lại theo tiêu chí đã chọn”.
Lỗi thường gặp
Chỉ giữ nhân tố vì eigenvalue lớn hơn 1. Đây là lỗi phổ biến nhất. Một nhân tố có eigenvalue đạt nhưng các biến trong nhân tố tải chéo, loading thấp hoặc không có ý nghĩa nội dung thì vẫn cần được xem xét.
Nhầm số component với số nhân tố cuối cùng. Khi dùng Principal Components, SPSS gọi các đơn vị ban đầu là component. Sau khi xoay và đặt tên, bạn cần diễn giải các nhóm biến theo nội dung, không sao chép máy móc tên Component 1, Component 2 vào luận văn.
Báo cáo tổng phương sai sai cột. Hãy lấy tổng phương sai của các nhân tố được giữ ở dòng cuối của nhóm extraction phù hợp. Không cộng tùy ý các tỷ lệ ở nhóm Rotation nếu bảng đã có dòng Cumulative %.
Xóa biến để làm eigenvalue đẹp hơn. Mỗi biến bị loại phải có căn cứ từ loading, cross-loading, communality, tương quan biến tổng hoặc lý thuyết. Lưu file theo từng phiên bản, chẳng hạn EFA_v1, EFA_v2, để không mất dấu vết phân tích.
Ép số nhân tố mà không giải trình. Nếu mô hình lý thuyết có bốn khái niệm nhưng eigenvalue tự động tạo ra năm nhân tố, bạn có thể kiểm tra cấu trúc bốn nhân tố bằng tùy chọn fixed number. Kết quả cần được báo cáo cùng lý do và các chỉ số sau khi trích.
Câu hỏi thường gặp
Eigenvalue bằng 1 có được giữ lại không
Theo Kaiser criterion, ngưỡng thường dùng là eigenvalue lớn hơn 1, nên eigenvalue đúng bằng 1 không vượt qua tiêu chí này, theo (Kaiser, 1960). Tuy nhiên, bạn không nên chỉ dựa vào một chữ số làm tròn trên bảng. Hãy xem giá trị đầy đủ trong output và đối chiếu Scree Plot, tổng phương sai trích cùng ý nghĩa lý thuyết.
Eigenvalue dưới 1 nhưng vẫn muốn giữ nhân tố thì sao
Bạn có thể giữ một nhân tố dưới 1 nếu có cơ sở lý thuyết mạnh, số biến ít hoặc cấu trúc đo lường đã được xác định từ trước. Khi đó, cần nêu rõ lý do, cách cố định số nhân tố và kết quả loading của các biến. Nếu không có lập luận cụ thể, việc giữ nhân tố chỉ để bảo vệ mô hình ban đầu sẽ dễ bị hỏi lại.
Eigenvalue lớn hơn 1 nhưng tổng phương sai trích dưới 50% thì xử lý thế nào
Kiểm tra lại phương pháp trích, số biến, loading và các biến có communality thấp. Bạn có thể xem xét loại biến yếu theo từng vòng, nhưng mỗi quyết định phải có căn cứ và không làm mất ý nghĩa của thang đo. Mốc tổng phương sai trích từ 50% trở lên thường được tham khảo theo (Hair và cộng sự, 2010), vì vậy cần giải trình nếu kết quả thấp hơn.
Eigenvalue có dùng trong hồi quy hoặc SmartPLS không
Eigenvalue chủ yếu được đọc trong bối cảnh EFA của SPSS. Hồi quy tập trung vào hệ số hồi quy, p-value, R² và các kiểm tra giả định. SmartPLS đánh giá measurement model bằng outer loading, CR, AVE và HTMT, sau đó đánh giá structural model bằng path coefficient, R², f² và Q². Không lấy ngưỡng eigenvalue của EFA để thay cho các chỉ số của PLS-SEM.
Có cần báo cáo toàn bộ eigenvalue trong luận văn không
Bạn nên báo cáo số nhân tố được giữ, eigenvalue của các nhân tố đó và tổng phương sai trích. Có thể đưa bảng đầy đủ vào phụ lục nếu bảng dài, còn chương kết quả trình bày phần cần thiết để người đọc kiểm tra quyết định. Đừng chỉ viết “EFA đạt” mà không cho biết tiêu chí và con số liên quan.
Trên file SPSS của bạn, hãy mở Total Variance Explained, đánh dấu các dòng có eigenvalue lớn hơn 1, rồi đối chiếu với KMO, Bartlett, Scree Plot và Rotated Component Matrix trước khi chốt số nhân tố. Nếu cần chạy EFA trên chính file .sav hoặc .csv và ghi lại từng vòng xử lý, bạn có thể dùng module M4 phân tích tại DoThesis.