Eigenvector là gì? Cách đọc Eigenvalue và Eigenvector trong SPSS
Eigenvector là gì
Bạn mở kết quả phân tích nhân tố khám phá EFA và thấy các thuật ngữ Eigenvalue, eigenvector, Total Variance Explained hoặc Rotated Component Matrix. Đây là nhóm khái niệm liên quan đến cách phần mềm rút gọn nhiều biến quan sát thành một số nhân tố có ý nghĩa hơn.
Về mặt toán học, eigenvector là một vector đặc biệt của ma trận. Khi ma trận tác động lên vector này, hướng của vector vẫn giữ nguyên, chỉ độ lớn thay đổi. Hệ số cho biết mức thay đổi đó được gọi là eigenvalue. Có thể mô tả bằng công thức:
A v = λ v
Trong đó, A là ma trận dữ liệu hoặc ma trận tương quan, v là eigenvector và λ là eigenvalue. Trong EFA, bạn thường không cần tự tính eigenvector bằng tay. SPSS thực hiện phép tính này để xác định các hướng biến thiên chính trong dữ liệu, sau đó trình bày eigenvalue trong bảng Total Variance Explained.
Điểm dễ nhầm nằm ở cách gọi. Eigenvector là vector dùng trong phép biến đổi toán học. Eigenvalue là giá trị gắn với vector đó và thường được dùng để xem một nhân tố giải thích bao nhiêu phương sai. Khi đọc output EFA, sinh viên thường cần diễn giải eigenvalue và phần trăm phương sai trích, còn eigenvector thường không xuất hiện như một cột kết luận riêng trong bảng kết quả cuối cùng.
Nếu bạn đang xử lý toàn bộ quy trình thang đo, có thể xem thêm nội dung scale là gì để phân biệt khái niệm thang đo, biến tiềm ẩn và biến quan sát trước khi chạy EFA.
Ý nghĩa của eigenvector trong nghiên cứu định lượng
Trong nghiên cứu định lượng, eigenvector giúp xác định hướng kết hợp của các biến quan sát trong không gian dữ liệu. Mỗi biến quan sát có thể cùng biến thiên với những biến khác. Ma trận tương quan ghi lại quan hệ đó, còn eigenvector cung cấp các hướng mà dữ liệu có mức biến thiên đáng chú ý.
Khi chạy EFA, mục tiêu thực tế của bạn là kiểm tra xem các biến quan sát có gom thành những nhóm nhân tố phù hợp với mô hình lý thuyết hay không. Eigenvalue hỗ trợ quyết định số nhân tố cần giữ lại. Eigenvector nằm ở phần tính toán phía sau, giúp tạo ra các nhân tố hoặc thành phần trước khi SPSS hiển thị hệ số tải nhân tố trong Component Matrix hay Rotated Component Matrix.
Ví dụ, bảng hỏi có 20 biến quan sát đo chất lượng dịch vụ, sự thuận tiện, niềm tin và ý định tiếp tục sử dụng. Nếu EFA cho thấy các biến gom thành bốn nhóm rõ ràng, bạn có thể tiếp tục kiểm tra độ tin cậy và mô hình hồi quy hoặc PLS-SEM. Nếu một số biến tải lên nhiều nhóm, bạn cần xem lại nội dung biến, hệ số tải, chênh lệch tải và cơ sở lý thuyết.
Eigenvector cũng giúp giải thích vì sao EFA không chỉ là thao tác bấm menu. Phần mềm đang biến đổi ma trận tương quan thành các trục mới. Các trục này được chọn để mô tả phần biến thiên lớn trong dữ liệu. Sau phép xoay nhân tố, hướng của các trục có thể thay đổi để cấu trúc nhân tố dễ diễn giải hơn, nhưng tổng phương sai được giải thích cần được đọc theo đúng phương pháp trích và phương pháp xoay đã chọn.
Bạn cũng cần tách EFA khỏi các kiểm tra dữ liệu khác. Eigenvector không cho bạn biết mẫu có outlier hay không. Nếu một vài dòng dữ liệu có giá trị bất thường, hãy kiểm tra outliers trong SPSS trước khi kết luận rằng cấu trúc nhân tố bị lỗi. Tương tự, eigenvector không phải chỉ số để đánh giá biến điều tiết hay biến trung gian. Những chủ đề đó có cách kiểm định riêng, như moderating và mediator.
Eigenvector bao nhiêu là đạt
Eigenvector không có một ngưỡng độc lập kiểu “từ bao nhiêu là đạt” để bạn nhìn vào rồi giữ hoặc loại một biến. Trong output EFA, quyết định thường dựa trên eigenvalue, số nhân tố được trích, phần trăm phương sai trích, hệ số tải nhân tố và tính phù hợp của mô hình đo lường.
Vì vậy, nếu giảng viên hỏi “eigenvector bao nhiêu là đạt”, bạn nên xác định họ đang nói đến chỉ số nào trong bảng SPSS. Bảng dưới đây tách các tiêu chí thường bị gọi nhầm là eigenvector.
| Thành phần cần đọc | Quy tắc tham khảo | Nguồn |
|---|---|---|
| Eigenvalue dùng để giữ nhân tố | Lớn hơn 1 trong quy tắc Kaiser | (Kaiser, 1960) |
| KMO | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test of Sphericity | Sig. nhỏ hơn 0.05 | (Kaiser, 1974) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Factor loading | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| Cronbach's Alpha | Từ 0.7 trở lên trong thang đo thông thường | (Nunnally, 1978) |
Quy tắc eigenvalue lớn hơn 1 là điểm bắt đầu, không phải bằng chứng duy nhất để chốt số nhân tố. Quy tắc này được trình bày trong (Kaiser, 1960). Bạn nên xem thêm biểu đồ Scree Plot, cơ sở lý thuyết và ý nghĩa của từng nhóm biến. Một nhân tố chỉ có eigenvalue vừa vượt 1 nhưng gồm các biến khó giải thích vẫn cần được trao đổi với giảng viên.
Hệ số tải nhân tố là kết quả bạn nhìn thấy rõ hơn sau khi trích và xoay nhân tố. Mức từ 0.5 trở lên thường được dùng làm ngưỡng tham khảo trong EFA (Hair và cộng sự, 2010). Với nghiên cứu khám phá, một số tài liệu có thể chấp nhận ngưỡng thấp hơn tùy bối cảnh, nhưng bạn cần nêu rõ lý do, thay vì giữ biến chỉ để làm đẹp bảng.
Cách đọc eigenvector trên output
Trong SPSS, eigenvector không nhất thiết xuất hiện dưới đúng tên Eigenvector trong bảng mà bạn dùng để viết chương 4. Bạn nên đọc theo chuỗi bảng sau: KMO and Bartlett's Test, Total Variance Explained, Scree Plot, Rotated Component Matrix và đôi khi là Component Transformation Matrix.
Đọc KMO and Bartlett's Test
KMO cho biết dữ liệu có phù hợp để phân tích nhân tố hay không. Bartlett's Test of Sphericity kiểm tra ma trận tương quan có khác ma trận đơn vị hay không. Với số liệu minh họa dưới đây, KMO đạt 0.812 và Sig. của Bartlett bằng 0.000, nên dữ liệu phù hợp để tiếp tục xem EFA theo các ngưỡng tham khảo đã nêu.
Đọc Total Variance Explained
Trong bảng Total Variance Explained, cột Initial Eigenvalues cho biết eigenvalue của các thành phần trước khi rút gọn. Extraction Sums of Squared Loadings cho biết phần được giữ sau phương pháp trích. Nếu dùng phép xoay, phần Rotation Sums of Squared Loadings giúp xem phương sai được phân bổ giữa các nhân tố sau xoay.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể.
| Component | Initial Eigenvalues, Total | % of Variance | Cumulative % | Extraction Sums of Squared Loadings, Total |
|---|---|---|---|---|
| 1 | 4.862 | 32.413 | 32.413 | 4.862 |
| 2 | 2.147 | 14.313 | 46.726 | 2.147 |
| 3 | 1.384 | 9.227 | 55.953 | 1.384 |
| 4 | 0.946 | 6.307 | 62.260 | Không giữ theo quy tắc eigenvalue > 1 |
| 5 | 0.781 | 5.207 | 67.467 | Không giữ theo quy tắc eigenvalue > 1 |
Ở ví dụ này, ba component đầu có eigenvalue lớn hơn 1. Tổng phương sai trích của ba component là 55.953%, vượt mức tham khảo 50% (Hair và cộng sự, 2010). Bạn vẫn cần xem Rotated Component Matrix để biết các biến quan sát phân bổ vào ba nhân tố như thế nào.
Đọc Rotated Component Matrix
Rotated Component Matrix hiển thị hệ số tải của từng biến lên các nhân tố sau xoay. Một bảng minh họa có thể trông như sau:
| Biến quan sát | Component 1 | Component 2 | Component 3 | Quyết định minh họa |
|---|---|---|---|---|
| DV1 | 0.812 | 0.114 | 0.091 | Giữ |
| DV2 | 0.776 | 0.182 | 0.126 | Giữ |
| NT1 | 0.138 | 0.804 | 0.121 | Giữ |
| NT2 | 0.205 | 0.741 | 0.176 | Giữ |
| YD1 | 0.103 | 0.164 | 0.836 | Giữ |
| YD2 | 0.228 | 0.201 | 0.719 | Giữ |
Các con số trong bảng này là factor loading, không phải eigenvector. Bạn xem biến tải cao nhất ở nhân tố nào, có tải chéo đáng kể hay không và nhóm đó có phù hợp với định nghĩa lý thuyết hay không. Sau đó, bạn đặt tên nhân tố dựa trên nội dung các biến, không đặt tên chỉ vì Component 1 có eigenvalue cao nhất.
Đọc Scree Plot và Component Transformation Matrix
Scree Plot giúp bạn quan sát điểm gãy của eigenvalue. Nếu đường biểu đồ giảm mạnh ở vài component đầu rồi phẳng dần, số nhân tố trước điểm gãy là thông tin tham khảo để so sánh với quy tắc eigenvalue lớn hơn 1.
Component Transformation Matrix thường xuất hiện khi bạn sử dụng phép xoay như Varimax. Ma trận này mô tả phép biến đổi giữa các component trước và sau xoay. Bạn không cần lấy các con số trong bảng này để báo cáo như factor loading hay eigenvalue.
Khi eigenvector không đạt thì xử lý thế nào
Trước hết, xác định “không đạt” đang nói đến eigenvalue, phương sai trích hay factor loading. Không có một nút bấm nào sửa eigenvector. Cách xử lý phải đi từ kiểm tra dữ liệu đến kiểm tra thang đo, theo thứ tự có thể giải thích trong luận văn.
Kiểm tra số biến và kiểu dữ liệu
Mở Variable View và Data View. Kiểm tra các biến có cùng chiều đo hay không, những item đảo chiều đã được reverse code chưa, dữ liệu thiếu có bị nhập thành một giá trị giả không. Một biến đảo chiều chưa xử lý có thể làm tương quan giữa các item bị giảm và khiến cấu trúc nhân tố khó diễn giải.
Xem lại KMO, Bartlett và ma trận tương quan
Nếu KMO thấp, dữ liệu chưa cho thấy mức tương quan đủ phù hợp để chạy EFA. Nếu Bartlett không có ý nghĩa thống kê, các biến có thể không liên hệ đủ với nhau. Khi đó, không nên chỉ xóa ngẫu nhiên một vài biến để ép KMO tăng. Hãy kiểm tra lại nhóm thang đo, cách nhập dữ liệu và kích thước mẫu.
Loại biến có cơ sở rồi chạy lại
Nếu một biến có factor loading thấp, tải chéo cao hoặc nội dung không phù hợp với nhân tố, bạn có thể cân nhắc loại biến. Mỗi vòng loại cần được ghi lại: biến nào bị loại, lý do gì, chỉ số thay đổi ra sao và cấu trúc mới có còn phù hợp với mô hình lý thuyết không. EFA hiếm khi ra hoàn toàn đẹp ngay lần đầu, nhưng việc loại biến phải có lập luận.
Không tự ý đổi phương pháp để có bảng đẹp
PCA và common factor analysis trả lời các câu hỏi khác nhau. Phương pháp xoay Orthogonal và Oblique cũng tạo ra cách diễn giải khác nhau. Bạn nên dùng lựa chọn phù hợp với mô hình và báo cáo rõ trong luận văn. Nếu giảng viên yêu cầu xác nhận mô hình đo lường bằng SmartPLS hoặc AMOS, hãy chuyển sang công cụ đó thay vì kéo dài việc chỉnh EFA trong SPSS.
Phân biệt eigenvector với eigenvalue và factor loading
Ba thuật ngữ này liên quan nhưng không thể dùng thay thế nhau. Eigenvector là vector đặc biệt của ma trận, eigenvalue là giá trị cho biết mức biến thiên gắn với vector đó, còn factor loading là mức liên hệ giữa biến quan sát và nhân tố được diễn giải.
Eigenvalue thường được dùng để quyết định nhân tố nào có thể được giữ lại. Factor loading được dùng để đánh giá biến quan sát thuộc về nhân tố nào. Eigenvector nằm ở bước toán học phía sau phép phân rã ma trận, nên bạn thường không dùng nó để kết luận “biến đạt” hay “biến không đạt”.
Bạn cũng không nên nhầm eigenvalue với R² trong hồi quy. Eigenvalue liên quan đến cấu trúc phương sai của ma trận trong EFA hoặc PCA. R² cho biết tỷ lệ biến thiên của biến phụ thuộc được mô hình hồi quy giải thích. Nếu bạn đang đọc mô hình có biến tương tác, hãy xem thêm moderator là gì để không dùng nhầm thuật ngữ.
Một nhầm lẫn khác là coi eigenvector như một thang đo. Thang đo gồm các biến quan sát được thiết kế để đo một khái niệm. Eigenvector không phải biến quan sát và cũng không phải một item trong bảng hỏi. Nó là thành phần toán học được tạo ra từ ma trận dữ liệu.
Lỗi thường gặp
Gọi eigenvalue là eigenvector
Đây là lỗi thuật ngữ phổ biến nhất. Khi viết chương 4, hãy ghi đúng tên cột Initial Eigenvalues, Total Variance Explained hoặc Rotated Component Matrix. Nếu đang nói đến giá trị dùng để giữ nhân tố, thuật ngữ phù hợp thường là eigenvalue.
Kết luận chỉ dựa vào eigenvalue lớn hơn 1
Eigenvalue lớn hơn 1 là quy tắc tham khảo. Bạn vẫn cần xem Scree Plot, tổng phương sai trích, factor loading và ý nghĩa lý thuyết. Giữ ba nhân tố chỉ vì có ba eigenvalue lớn hơn 1 nhưng các biến không có nội dung thống nhất sẽ khiến hội đồng hỏi lại.
Báo cáo eigenvector như hệ số tải
Các con số trong Rotated Component Matrix là factor loading. Bạn không nên viết rằng “eigenvector của biến DV1 bằng 0.812” nếu con số 0.812 thực tế nằm ở cột Component 1. Cách viết đó cho thấy bạn đã đọc nhầm bảng output.
Xóa biến đến khi chỉ số đẹp
Việc chạy lại EFA nhiều vòng có thể cần thiết, nhưng xóa biến liên tục mà không ghi lý do làm giảm độ tin cậy của quy trình. Giữ file output từng vòng và lập bảng theo dõi biến bị loại. Nếu kết quả đi ngược mô hình lý thuyết, hãy trao đổi trước khi sửa mô hình.
Dùng ngưỡng không có nguồn
Trong luận văn, mỗi ngưỡng cần gắn với nguồn phù hợp. Quy tắc eigenvalue lớn hơn 1 có thể dẫn (Kaiser, 1960), KMO có thể dẫn (Kaiser, 1974), còn factor loading từ 0.5 có thể dẫn (Hair và cộng sự, 2010). Bạn có thể xem thêm các bài thuộc chuyên mục Thống kê để đối chiếu cách đọc những bảng SPSS khác.
Câu hỏi thường gặp
Eigenvector và eigenvalue là gì?
Eigenvector là vector giữ nguyên hướng khi được ma trận tác động, còn eigenvalue là hệ số thay đổi độ lớn của vector đó. Trong EFA, eigenvalue thường được dùng để xem một component hoặc nhân tố giải thích bao nhiêu phương sai.
Eigenvector bao nhiêu là đạt?
Eigenvector không có ngưỡng đạt độc lập để kết luận trong EFA. Bạn cần xem eigenvalue, factor loading, KMO, Bartlett's Test và Total Variance Explained. Quy tắc eigenvalue lớn hơn 1 là tiêu chí tham khảo được trình bày trong (Kaiser, 1960).
Eigenvalue nhỏ hơn 1 có phải loại ngay không?
Theo quy tắc Kaiser, component có eigenvalue nhỏ hơn 1 thường không được giữ lại (Kaiser, 1960). Tuy nhiên, bạn nên xem thêm Scree Plot và cơ sở lý thuyết. Không nên loại hoặc giữ nhân tố chỉ dựa trên một con số nếu cấu trúc thang đo không được giải thích rõ.
SPSS không hiện eigenvector thì phải làm sao?
Bạn hãy mở các bảng Total Variance Explained, Scree Plot và Rotated Component Matrix. SPSS thường trình bày eigenvalue và factor loading là các bảng cần dùng để diễn giải, còn eigenvector có thể nằm trong phép tính nội bộ hoặc bảng biến đổi component tùy phương pháp trích.
Có cần đưa eigenvector vào chương 4 không?
Thông thường, bạn báo cáo phương pháp EFA, KMO, Bartlett's Test, số nhân tố giữ lại, eigenvalue, tổng phương sai trích và factor loading. Eigenvector chỉ cần giải thích khi đề tài hoặc giảng viên yêu cầu trình bày phần toán học của phép phân rã ma trận.
Khi viết vào luận văn, bạn có thể điều chỉnh câu sau: “Kết quả EFA cho thấy dữ liệu phù hợp với phân tích nhân tố, với KMO = [giá trị], Bartlett's Test có Sig. = [giá trị], [số nhân tố] nhân tố được giữ lại do có eigenvalue lớn hơn 1, tổng phương sai trích đạt [giá trị]% và các factor loading nằm trong khoảng [giá trị thấp nhất] đến [giá trị cao nhất].” Bây giờ hãy mở lại file SPSS, xác định đúng bảng Total Variance Explained và Rotated Component Matrix, rồi đối chiếu từng con số trước khi đưa vào chương 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis là module phù hợp.