Factor loading là gì? Cách đọc và đánh giá trong SPSS
Bạn đang mở bảng Rotated Component Matrix trong SPSS và thấy mỗi biến quan sát có một dãy hệ số chạy từ âm đến dương. Factor loading chính là con số cho biết biến quan sát liên hệ mạnh đến mức nào với một nhân tố. Trong EFA, hệ số này giúp bạn quyết định biến có đại diện tốt cho nhân tố dự kiến hay cần xem xét loại bỏ.
Factor loading là gì
Factor loading, hay hệ số tải nhân tố, là hệ số tương quan giữa một biến quan sát và nhân tố được trích. Giá trị càng lớn về độ lớn tuyệt đối, biến càng liên hệ chặt với nhân tố đó. Ví dụ, factor loading bằng 0.78 cho thấy biến quan sát có liên hệ mạnh với nhân tố, còn 0.32 thường là dấu hiệu biến chưa đại diện tốt.
Trong SPSS, factor loading xuất hiện rõ nhất ở bảng Rotated Component Matrix khi bạn chạy EFA với phép xoay như Varimax. Nếu không xoay nhân tố, bạn thường xem bảng Component Matrix, nhưng việc diễn giải sẽ khó hơn vì các biến có thể tải lên nhiều cột cùng lúc. Bạn có thể xem thêm quy trình tổng quan tại bài EFA trong SPSS và phần giải thích về ma trận xoay.
Về mặt kỹ thuật, factor loading là trọng số thể hiện mức đóng góp của biến quan sát vào nhân tố. Trong EFA, SPSS không đọc factor loading như một điểm số độc lập của người trả lời. Đây là kết quả cấp độ thang đo, dùng để đánh giá cấu trúc các biến quan sát sau khi thu thập dữ liệu.
Ý nghĩa của factor loading trong nghiên cứu định lượng
Factor loading trả lời câu hỏi: biến quan sát này có thật sự đi cùng nhân tố mà bạn đặt tên cho nó hay không. Nếu nhóm biến đo Sự hài lòng đều có loading cao trên cùng một cột, dữ liệu đang ủng hộ cấu trúc thang đo đó. Nếu một biến có loading thấp hoặc tải mạnh lên hai cột, nội dung biến có thể chưa phù hợp, câu chữ gây hiểu nhầm, hoặc dữ liệu chưa phân biệt được các khái niệm.
Bạn cần đọc factor loading cùng với các kết quả khác, thay vì lấy một con số để kết luận toàn bộ EFA. KMO and Bartlett's Test cho biết dữ liệu có phù hợp để phân tích nhân tố hay không. Total Variance Explained cho biết các nhân tố giữ lại giải thích bao nhiêu phương sai. Communalities cho biết phần phương sai của từng biến được các nhân tố chung giải thích. Phần communality sẽ hữu ích khi bạn thấy loading ổn nhưng giá trị Extraction của biến lại thấp.
Factor loading cũng giúp bạn đặt tên nhân tố sau EFA. Bạn xem các biến có loading cao nhất trong cùng một cột, đọc lại nội dung từng biến, rồi đối chiếu với mô hình lý thuyết và bảng hỏi ban đầu. Tên nhân tố phải xuất phát từ ý nghĩa chung của nhóm biến, không nên đặt tên chỉ vì một biến có hệ số cao nhất.
Nếu nghiên cứu của bạn dùng Principal Component Analysis, SPSS đang thực hiện một cách trích thường gặp trong EFA ở các luận văn kinh doanh. Khi dùng SmartPLS, thuật ngữ outer loading thường được dùng cho quan hệ giữa biến quan sát và biến tiềm ẩn trong mô hình đo lường. Hai chỉ số cùng nói về mức liên hệ, nhưng bối cảnh tính toán và cách báo cáo không hoàn toàn giống nhau.
Factor loading bao nhiêu là đạt
Với EFA, factor loading từ 0.5 trở lên thường được xem là đạt theo hướng dẫn của Hair và cộng sự (2010). Một số tài liệu vẫn tham khảo các mức diễn giải cũ, trong đó loading từ 0.3 có thể được xem là tối thiểu, 0.4 là quan trọng và 0.5 là có ý nghĩa thực tiễn hơn trong nhiều nghiên cứu, theo Hair và cộng sự (1998). Khi viết luận văn, bạn nên chọn một tiêu chí nhất quán và giải thích theo bối cảnh mẫu, số biến và mục tiêu nghiên cứu.
Bảng dưới đây tách các tiêu chí thường bị trộn lẫn. Mỗi dòng có nguồn để bạn không phải ghi một ngưỡng rời rạc mà không biết dựa vào đâu.
| Chỉ tiêu | Ngưỡng tham khảo | Cách dùng khi đọc EFA | Nguồn |
|---|---|---|---|
| Factor loading | Từ 0.5 trở lên | Ưu tiên giữ biến có tải đủ mạnh trên nhân tố | (Hair và cộng sự, 2010) |
| Factor loading theo cách diễn giải cũ | Từ 0.3 đến 0.5 tùy bối cảnh | Chỉ cân nhắc, cần xem lý thuyết và các chỉ số đi kèm | (Hair và cộng sự, 1998) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | Kiểm tra tương quan biến tổng trước hoặc cùng quy trình sàng lọc thang đo | (Nunnally và Bernstein, 1994) |
| KMO | Từ 0.5 trở lên | Kiểm tra mức phù hợp của dữ liệu với phân tích nhân tố | (Kaiser, 1974) |
| Bartlett's Test | Sig. nhỏ hơn 0.05 | Kiểm tra ma trận tương quan có khác ma trận đơn vị hay không | (Kaiser, 1974) |
| Eigenvalue | Lớn hơn 1 | Tiêu chí tham khảo để giữ nhân tố | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | Đánh giá tổng phương sai được các nhân tố giải thích | (Hair và cộng sự, 2010) |
Vậy factor loading bao nhiêu là tốt? Câu trả lời thực hành là loading càng cao càng tốt, nhưng không nên chỉ giữ biến có số lớn nhất. Bạn còn phải xem biến có tải chéo hay không, nội dung có phù hợp với khái niệm không, và việc loại biến có làm thay đổi cấu trúc lý thuyết không.
Một biến có loading 0.52 chưa chắc nên giữ trong mọi trường hợp. Nếu biến chỉ tải lên đúng một nhân tố, không tải chéo đáng kể, nội dung phù hợp và các chỉ số của thang đo ổn, bạn có thể bảo vệ quyết định giữ biến. Ngược lại, biến có loading 0.70 nhưng tải gần tương đương ở hai nhân tố vẫn gây vấn đề phân biệt.
Cách đọc factor loading trên output
Để hiểu factor loading trong SPSS, bạn cần nhìn đúng bảng và đúng cột. Trong hộp thoại EFA, chọn Analyze > Dimension Reduction > Factor. Đưa các biến quan sát vào ô Variables, chọn Descriptives để yêu cầu KMO và Bartlett, chọn Extraction để thiết lập cách trích, rồi chọn Rotation nếu muốn xoay nhân tố. Trong Options, bạn có thể chọn Sorted by size và Suppress small coefficients, nhưng cần ghi nhớ ngưỡng đã nhập vì việc ẩn hệ số nhỏ có thể làm bạn bỏ qua tải chéo.
Bảng dưới đây là số liệu minh họa, được dựng theo dạng output thường gặp của SPSS. Các con số không phải kết quả của một nghiên cứu thật và không được chép vào luận văn như phát hiện của bạn.
| Rotated Component Matrixa | Component 1 | Component 2 | Component 3 | Cách đọc minh họa |
|---|---|---|---|---|
| HL1 | 0.812 | 0.146 | 0.091 | Tải mạnh vào Component 1 |
| HL2 | 0.764 | 0.201 | 0.118 | Tải mạnh vào Component 1 |
| HL3 | 0.681 | 0.278 | 0.104 | Có thể giữ, cần xem nội dung |
| DV1 | 0.173 | 0.803 | 0.126 | Tải mạnh vào Component 2 |
| DV2 | 0.219 | 0.746 | 0.185 | Tải mạnh vào Component 2 |
| DV3 | 0.438 | 0.491 | 0.214 | Tải chéo, cần xem xét |
| NT1 | 0.102 | 0.166 | 0.821 | Tải mạnh vào Component 3 |
| NT2 | 0.187 | 0.224 | 0.733 | Tải mạnh vào Component 3 |
Trong ví dụ này, HL1, HL2 và HL3 tập trung ở Component 1. DV1 và DV2 tập trung ở Component 2. DV3 có hai hệ số tương đối gần nhau, nên chưa thể kết luận chỉ bằng cách nhìn số lớn hơn là 0.491. Bạn cần kiểm tra nội dung biến, chênh lệch giữa hai loading, và xem bảng hỏi ban đầu có câu nào diễn đạt quá gần hai khái niệm hay không.
Nếu SPSS không hiển thị các hệ số nhỏ, hãy mở lại phần Options và giảm hoặc bỏ Absolute value below. Một bảng quá sạch đôi khi chỉ là bảng đã ẩn thông tin. Khi báo cáo, bạn có thể trình bày factor loading của các biến được giữ lại, nhưng nên lưu file output đầy đủ để giải trình khi giảng viên hỏi.
Khi factor loading không đạt thì xử lý thế nào
Bạn nên xử lý theo thứ tự từ ít can thiệp đến nhiều can thiệp. Đầu tiên, kiểm tra dữ liệu và mã hóa. Một biến đảo chiều chưa được recode, dữ liệu nhập sai thang Likert, hoặc cột dữ liệu bị đặt sai kiểu có thể làm loading thấp. Hãy xem lại bảng hỏi gốc, codebook và tần suất trả lời trước khi xóa biến.
Tiếp theo, đọc nội dung biến có loading thấp. Nếu biến không còn phù hợp với khái niệm sau khi điều chỉnh bối cảnh Việt Nam, bạn có thể cân nhắc loại biến. Quyết định này cần dựa trên lý thuyết và được ghi lại, không nên xóa liên tục cho đến khi bảng trở nên đẹp.
Sau đó, xem Communalities, Corrected Item-Total Correlation, Cronbach's Alpha if Item Deleted và tải chéo. Nếu một biến có loading thấp, communality thấp, tương quan biến tổng thấp và nội dung cũng lệch khỏi khái niệm, lý do loại biến sẽ thuyết phục hơn. Nếu chỉ một chỉ số hơi thấp, hãy trao đổi với giảng viên trước khi loại.
EFA hiếm khi ra đẹp ở lần chạy đầu. Loại một biến hợp lý, chạy lại, ghi lại từng vòng và kiểm tra số nhân tố thay đổi là cách làm có thể giải trình. Bạn không nên xóa một biến chỉ vì nó làm Alpha tăng, bởi cấu trúc nhân tố và giá trị nội dung cũng cần được bảo vệ.
Nếu nhiều biến tải chéo hoặc các nhân tố bị trộn, hãy kiểm tra phép xoay, số nhân tố yêu cầu, cách trích và chất lượng bảng hỏi. Việc đổi từ Varimax sang một phép xoay khác có thể phù hợp trong một số mô hình, nhưng bạn cần nêu lý do phương pháp. Khi vấn đề xuất phát từ mẫu hoặc thiết kế thang đo, phần mềm không thể tự sửa dữ liệu.
Phân biệt factor loading với chỉ số dễ nhầm
Factor loading khác communality. Loading nói về mức liên hệ giữa một biến và một nhân tố cụ thể. Communality nói về tổng phần phương sai của biến được các nhân tố giữ lại giải thích. Một biến có thể có loading cao ở một nhân tố nhưng vẫn cần được xem thêm trong cột Extraction của bảng Communalities.
Factor loading trong EFA cũng khác outer loading trong SmartPLS. EFA khám phá cách các biến nhóm lại dựa trên dữ liệu, còn outer loading đánh giá quan hệ giữa indicator và construct trong mô hình đo lường PLS-SEM. Với PLS-SEM, outer loading từ 0.7 trở lên là ngưỡng thường được tham khảo theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). Không nên lấy ngưỡng của SmartPLS rồi áp nguyên vào bảng Rotated Component Matrix của SPSS.
Factor loading không phải path coefficient. Path coefficient thể hiện quan hệ giữa các biến tiềm ẩn trong mô hình cấu trúc, còn loading thuộc phần đo lường giữa biến quan sát và nhân tố. Factor loading cũng không phải p-value, nên bạn không kết luận biến đạt hay không đạt chỉ bằng việc tìm cột Sig..
Lỗi thường gặp
Lỗi đầu tiên là đọc nhầm Component Matrix thành kết quả cuối cùng dù mô hình cần xoay. Hãy kiểm tra bạn đã chọn phép xoay và đang xem đúng bảng Rotated Component Matrix hay chưa.
Lỗi thứ hai là dùng một ngưỡng duy nhất cho mọi quyết định. Loading từ 0.5 là hướng dẫn tham khảo, không thay thế việc xem tải chéo, nội dung biến, communality và lý thuyết. Việc báo cáo một biến bị loại cũng cần có lý do và lịch sử xử lý.
Lỗi thứ ba là gọi Component 1, Component 2 là tên nhân tố chính thức. Đây chỉ là nhãn kỹ thuật của SPSS. Bạn cần xem nhóm biến, đối chiếu mô hình và đặt tên có ý nghĩa.
Lỗi thứ tư là trộn EFA với CFA. EFA khám phá cấu trúc, còn CFA kiểm định cấu trúc đã giả định. Nếu bạn chuyển sang CFA, hãy báo cáo đúng các chỉ số của CFA và không biến bảng Rotated Component Matrix thành bằng chứng duy nhất cho mô hình đo lường.
Câu hỏi thường gặp
Factor loading âm có phải luôn luôn bị loại không
Không. Dấu âm có thể xuất hiện khi biến có hướng ngược với nhân tố, đặc biệt với biến đảo chiều chưa được mã hóa lại. Bạn cần kiểm tra nội dung và cách recode trước khi quyết định. Độ lớn tuyệt đối cho biết mức liên hệ, nhưng hướng âm vẫn cần được giải thích.
Factor loading 0.4 có được giữ không
Có thể cân nhắc, nhưng không nên mặc định giữ. Hãy xem tải chéo, communality, tương quan biến tổng, độ tin cậy và cơ sở lý thuyết. Nếu bạn giữ biến dưới ngưỡng mục tiêu, cần ghi rõ tiêu chí và lý do trong luận văn, đồng thời trao đổi với giảng viên.
Vì sao factor loading trong SPSS bị tải vào hai nhân tố
Tải chéo thường xuất hiện khi một biến có nội dung gần với nhiều khái niệm, các nhân tố chưa phân biệt rõ, số nhân tố trích chưa phù hợp hoặc thang đo chưa ổn định trong bối cảnh mẫu. Kiểm tra lại câu chữ, phép xoay, số nhân tố và các biến liên quan trước khi xóa.
Có nên xóa biến để factor loading tăng không
Chỉ xóa khi có lý do phương pháp và nội dung đủ rõ. Bạn có thể xem thêm các chỉ số liên quan, chạy lại EFA sau mỗi lần loại và lưu từng phiên bản output. Xóa nhiều biến theo kiểu thử sai có thể làm mô hình mất ý nghĩa dù các con số trông đẹp hơn.
Factor loading và outer loading có giống nhau không
Chúng cùng mô tả mức liên hệ giữa biến quan sát và thành phần tiềm ẩn, nhưng thuộc hai quy trình khác nhau. Factor loading thường được đọc trong EFA của SPSS, còn outer loading được đọc trong mô hình đo lường của SmartPLS. Ngưỡng và cách báo cáo cần theo đúng phần mềm, phương pháp và tài liệu bạn chọn.
Cách viết vào luận văn: “Kết quả EFA cho thấy các biến quan sát có factor loading dao động từ [giá trị thấp nhất] đến [giá trị cao nhất], trong đó các biến đều đạt ngưỡng [ngưỡng lựa chọn] theo [nguồn]. Biến [mã biến] được loại ở vòng [số vòng] do [loading thấp/tải chéo/không phù hợp về nội dung], sau đó phân tích được thực hiện lại với các biến còn lại.”
Mở file SPSS của bạn, xác định đúng bảng Rotated Component Matrix, ghi lại loading thấp nhất, biến tải chéo và tiêu chí bạn sẽ dùng trước khi chạy vòng tiếp theo. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và diễn giải output, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.