Harman Single Factor là gì? Cách chạy và đọc kết quả SPSS

Harman Single Factor là gì

Bạn có một bảng hỏi, tất cả biến quan sát đều được thu thập từ cùng một người trả lời và cùng một thời điểm. Khi đó, mối tương quan giữa các biến có thể bị ảnh hưởng bởi cách đo lường, cách trình bày câu hỏi hoặc tâm lý trả lời, thay vì chỉ phản ánh quan hệ thật giữa các khái niệm. Harman Single Factor là một kiểm tra sơ bộ thường được dùng để xem liệu một nhân tố chung có giải thích phần lớn phương sai của các biến quan sát hay không.

Trong SPSS, kiểm tra này thường được thực hiện bằng Principal Component Analysis trong phân tích nhân tố khám phá. Bạn đưa toàn bộ biến quan sát của các thang đo vào cùng một lần chạy, chọn chỉ một nhân tố được trích và xem tỷ lệ phương sai mà nhân tố đó giải thích. Cách tính có thể mô tả như sau:

Tỷ lệ phương sai của nhân tố đầu tiên = Eigenvalue của nhân tố đầu tiên / Tổng Eigenvalue × 100%

Nếu nhân tố đầu tiên giải thích phần lớn phương sai, dữ liệu có dấu hiệu common method bias và bạn cần thận trọng khi diễn giải các mối quan hệ trong mô hình. Kiểm tra này chỉ là bằng chứng chẩn đoán ban đầu. Nó không chứng minh rằng dữ liệu hoàn toàn không có hoặc chắc chắn có common method bias.

Bạn có thể xem thêm khái niệm rộng hơn tại bài common method bias là gì. Bài này tập trung vào Harman Single Factor trong SPSS, con số trên output có ý nghĩa gì và bạn nên viết thế nào khi bị hỏi về kiểm định này.

Ý nghĩa của Harman Single Factor trong nghiên cứu định lượng

Harman Single Factor giúp bạn trả lời một câu hỏi phương pháp: liệu cách thu thập dữ liệu có thể tạo ra một nhân tố chung đủ lớn để làm sai lệch các tương quan giữa biến độc lập, biến phụ thuộc, biến trung gian hoặc biến điều tiết hay không. Đây là vấn đề thường xuất hiện trong khảo sát tự báo cáo, khi cùng một bảng hỏi đo tất cả khái niệm.

Ví dụ, người trả lời có xu hướng chọn mức 4 hoặc 5 cho hầu hết phát biểu. Khi đó, các biến có thể tương quan với nhau vì cùng chịu ảnh hưởng của xu hướng trả lời, chứ chưa chắc vì mô hình lý thuyết của bạn đúng. Một khả năng khác là bảng hỏi đặt các câu hỏi có nội dung quá giống nhau, khiến người trả lời lặp lại cùng một kiểu đánh giá.

Trong luận văn, kết quả Harman Single Factor thường được đặt ở phần kiểm tra sai lệch phương pháp chung, trước hoặc sau phần đánh giá thang đo. Bạn có thể báo cáo tỷ lệ phương sai của nhân tố đầu tiên, nói rõ đây là kiểm tra sơ bộ, sau đó kết hợp với cách thiết kế bảng hỏi và các kiểm định phù hợp khác nếu đề tài yêu cầu.

Harman Single Factor không thay thế Cronbach's Alpha, EFA, CFA hay kiểm định mô hình cấu trúc. Cronbach's Alpha đánh giá độ nhất quán nội tại, EFA xem cấu trúc nhân tố, còn Harman Single Factor nhìn vào khả năng một nhân tố chung đang chi phối phương sai. Nếu bạn đang ở bước xác nhận cấu trúc đo lường, CFA sẽ trả lời câu hỏi khác với kiểm tra này.

Harman Single Factor bao nhiêu là đạt

Cách diễn giải phổ biến trong nhiều luận văn là nếu nhân tố đầu tiên giải thích dưới 50% tổng phương sai thì chưa có dấu hiệu một nhân tố chung chi phối phần lớn phương sai. Mốc 50% thường được gắn với kiểm tra Harman Single Factor và nguồn (Podsakoff và cộng sự, 2003). Bạn cần ghi rõ đây là quy tắc sàng lọc thường dùng, không phải bằng chứng tuyệt đối rằng common method bias không tồn tại.

Bảng dưới đây tách các con số liên quan để bạn không nhầm giữa tiêu chí Harman và tiêu chí EFA thông thường.

Vì vậy, câu hỏi “Harman Single Factor bao nhiêu là tốt” thường được trả lời bằng mốc dưới 50% cho nhân tố đầu tiên. Tuy nhiên, bạn không nên lấy mốc này để kết luận mọi khía cạnh của thang đo đều đạt. KMO, Bartlett's Test, factor loading và Total Variance Explained thuộc các bước EFA khác nhau.

Nếu nhân tố đầu tiên giải thích 42%, bạn có thể báo cáo rằng kết quả kiểm tra sơ bộ chưa cho thấy một nhân tố đơn lẻ giải thích phần lớn phương sai. Nếu kết quả là 58%, bạn không nên tự ý xóa vài biến để kéo con số xuống dưới 50%. Hãy kiểm tra lại dữ liệu, cách mã hóa và thiết kế bảng hỏi, sau đó trao đổi với giảng viên về phương án báo cáo.

Cách đọc Harman Single Factor trên output SPSS

Trong SPSS, bạn không tìm thấy một menu có tên trực tiếp là Harman Single Factor. Bạn chạy một phiên bản giới hạn của EFA bằng cách chỉ trích một nhân tố và đọc bảng Total Variance Explained. Có thể thực hiện theo các bước sau.

Bước 1: Kiểm tra và chuẩn bị biến quan sát

Mở file .sav, kiểm tra tên biến, kiểu dữ liệu và các giá trị thiếu. Chỉ đưa vào phân tích các biến quan sát đã được mã hóa đúng chiều. Nếu một biến đảo chiều chưa được recode, kết quả tương quan và tỷ lệ phương sai có thể bị ảnh hưởng.

Bạn cũng nên kiểm tra xem có biến nhân khẩu học hoặc biến phân loại nào bị đưa nhầm vào danh sách hay không. Harman Single Factor được dùng trên nhóm biến quan sát đo các khái niệm trong mô hình, không phải trên mọi cột có trong file dữ liệu.

Bước 2: Mở hộp thoại Factor Analysis

Chọn Analyze > Dimension Reduction > Factor. Đưa toàn bộ biến quan sát phù hợp vào ô Variables. Ở phần Descriptives, có thể chọn KMO and Bartlett's test of sphericity nếu bạn muốn xem thêm thông tin phù hợp dữ liệu, nhưng hai chỉ số này không phải kết quả chính của Harman Single Factor.

Trong Extraction, chọn Principal components nếu bạn đang tái hiện cách kiểm tra thường gặp trong các luận văn sử dụng SPSS. Đặt Fixed number of factors bằng 1. Không chọn Eigenvalues over 1 cho lần chạy này, vì tùy chọn đó có thể giữ lại nhiều hơn một nhân tố.

Bước 3: Chọn cách xoay và lưu output

Khi chỉ trích một nhân tố, phép xoay không tạo thêm thông tin có ý nghĩa vì chỉ có một cột nhân tố. Bạn có thể để phần Rotation ở trạng thái mặc định hoặc không xoay. Trong Options, giữ cách xử lý missing values nhất quán với quy trình của bạn, chẳng hạn Exclude cases listwise nếu đó là lựa chọn đã được thống nhất.

Nhấn OK để SPSS tạo output. Hãy lưu file output riêng và ghi lại danh sách biến đã đưa vào, cách xử lý missing values và ngày chạy. Nếu bạn chạy lại sau khi loại biến, việc lưu từng phiên bản giúp bạn giải trình với giảng viên thay vì chỉ giữ con số cuối cùng.

Bước 4: Đọc bảng Total Variance Explained

Tập trung vào phần Initial Eigenvalues của bảng Total Variance Explained. Ở dòng Component 1, đọc cột % of Variance. Đây là tỷ lệ phương sai do nhân tố đầu tiên giải thích trong cách trình bày phổ biến của Harman Single Factor.

Bảng dưới là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS thường hiển thị để bạn đối chiếu với output đang mở.

Với số liệu minh họa này, Component 1 giải thích 39.114% phương sai. Nếu bạn dùng quy tắc 50% có nguồn (Podsakoff và cộng sự, 2003), có thể nói kết quả sơ bộ chưa cho thấy một nhân tố duy nhất giải thích phần lớn phương sai. Bạn không đọc cột Cumulative % của dòng 1 như một kết quả khác, vì ở dòng đầu tiên hai tỷ lệ này trùng nhau.

Nếu output có bảng Communalities, bảng đó không phải nơi chính để lấy tỷ lệ Harman Single Factor. Nếu output có KMO and Bartlett's Test, hãy giữ nó cho phần EFA hoặc mô tả bổ sung. Đừng lấy KMO 0.82 rồi kết luận Harman Single Factor đạt, vì KMO và tỷ lệ phương sai của Component 1 là hai thông tin khác nhau.

Khi Harman Single Factor không đạt thì xử lý thế nào

Nếu Component 1 vượt 50%, bước đầu tiên là kiểm tra lỗi dữ liệu. Xem lại biến đảo chiều, mã missing, biến có cùng một nội dung, các cột bị nhập nhầm và danh sách biến đưa vào. Nếu bạn chạy các biến chưa được làm sạch, việc diễn giải tỷ lệ phương sai sẽ thiếu cơ sở.

Sau đó, kiểm tra lại quy trình thu thập dữ liệu. Bảng hỏi có đặt toàn bộ biến độc lập trước toàn bộ biến phụ thuộc không, phần giới thiệu có gợi ý người trả lời chọn cùng một mức không, và các phát biểu có bị lặp ý không. Bạn có thể ghi nhận những điểm này trong phần hạn chế của nghiên cứu.

Việc xóa biến chỉ vì nó làm tỷ lệ Component 1 giảm là lựa chọn khó bảo vệ. Chỉ loại biến khi có lý do phương pháp rõ ràng, chẳng hạn biến mã hóa sai, biến không phù hợp với định nghĩa khái niệm hoặc đã được quy định trong tiêu chí làm sạch dữ liệu. Nếu loại biến, chạy lại phân tích thang đo và ghi rõ quá trình.

Một hướng khác là dùng thiết kế và kiểm định bổ sung phù hợp với mô hình, thay vì dựa vào một kiểm tra duy nhất. Trong PLS-SEM, bạn có thể đánh giá mô hình đo lường và mô hình cấu trúc theo quy trình riêng. Với CB-SEM, CFA và các chỉ số fit có vai trò khác. Không nên đưa CFI, TLI hoặc RMSEA vào bài chỉ vì Harman Single Factor vượt mốc.

Nếu vấn đề nằm ở tỷ lệ trả lời không đầy đủ hoặc mẫu có dấu hiệu trả lời theo một kiểu, hãy xem thêm cách kiểm tra thiên lệch không phản hồi. Đây là vấn đề khác, nên không dùng kết quả của nó để thay thế Harman Single Factor.

Phân biệt Harman Single Factor với các chỉ số dễ nhầm

Harman Single Factor thường bị nhầm với EFA vì cả hai đều có thể được chạy từ Analyze > Dimension Reduction > Factor. Điểm khác nằm ở mục tiêu và cấu hình. EFA tìm cấu trúc nhiều nhân tố, còn Harman Single Factor kiểm tra xem một nhân tố duy nhất có giải thích phần lớn phương sai hay không.

Nó cũng khác với common method bias. Common method bias là vấn đề hoặc nguồn sai lệch rộng hơn. Harman Single Factor chỉ là một cách sàng lọc đơn giản để tìm dấu hiệu của vấn đề đó. Khi viết, bạn nên dùng cụm “kiểm tra sơ bộ common method bias bằng Harman Single Factor”, thay vì viết rằng kiểm định này đã chứng minh dữ liệu không có sai lệch.

Cronbach's Alpha cũng không phải Harman Single Factor. Alpha phản ánh độ nhất quán nội tại của một thang đo. Mốc Alpha từ 0.7 trở lên được nêu trong (Nunnally, 1978), còn corrected item-total correlation từ 0.3 trở lên được nêu trong (Nunnally và Bernstein, 1994). Các mốc này không dùng để đọc Component 1.

Cuối cùng, đừng nhầm % of Variance của Component 1 với tổng phương sai trích của toàn bộ các nhân tố. Tổng phương sai trích từ 50% trở lên là tiêu chí thường được nhắc trong EFA theo (Hair và cộng sự, 2010). Harman Single Factor chỉ tập trung vào tỷ lệ của nhân tố đầu tiên.

Lỗi thường gặp

Lỗi phổ biến nhất là đưa cả biến nhân khẩu học, mã nhóm và biến quan sát vào cùng một lần chạy. Trước khi nhấn OK, hãy kiểm tra danh sách Variables và giữ lại đúng nhóm biến đo lường.

Lỗi thứ hai là chọn Eigenvalues over 1 rồi đọc nhân tố đầu tiên như thể bạn đã chạy Harman Single Factor. Nếu mục tiêu là kiểm tra một nhân tố, hãy chọn Fixed number of factors: 1 trong Extraction.

Lỗi thứ ba là ghi “Harman Single Factor đạt” nhưng không nêu tỷ lệ phương sai. Kết quả nên có tên bảng, số Component 1, tỷ lệ % of Variance và cách diễn giải có điều kiện.

Lỗi thứ tư là sửa dữ liệu cho đẹp. Bạn không nên xóa hàng loạt biến hoặc người trả lời chỉ để tỷ lệ xuống dưới 50%. Hãy kiểm tra dữ liệu trước, lưu lại từng phiên bản và giải thích lý do của mọi thay đổi.

Khi cần đối chiếu thêm các khái niệm về dữ liệu, bạn có thể xem phương sai và độ lệch chuẩn. Hai chỉ số này không thay thế Harman Single Factor, nhưng giúp bạn đọc đúng phần mô tả dữ liệu trong chương kết quả.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau theo output thật: “Nghiên cứu thực hiện kiểm tra sơ bộ common method bias bằng Harman Single Factor. Kết quả tại bảng [tên bảng] cho thấy nhân tố đầu tiên giải thích [x]% tổng phương sai, thấp hơn mốc 50% được tham khảo từ (Podsakoff và cộng sự, 2003). Vì vậy, kết quả kiểm tra này chưa cho thấy một nhân tố đơn lẻ giải thích phần lớn phương sai của các biến quan sát. Đây là bằng chứng sàng lọc, không phải kết luận tuyệt đối rằng dữ liệu không tồn tại sai lệch phương pháp chung.”

Bạn cần thay [x] bằng số trong cột % of Variance của Component 1, thay [tên bảng] bằng số bảng trong luận văn và kiểm tra lại nguồn trích dẫn theo quy định của khoa. Nếu tỷ lệ vượt 50%, hãy viết trung thực kết quả và trình bày các bước kiểm tra, không đổi số liệu để phù hợp với câu mẫu.

Câu hỏi thường gặp

Harman Single Factor có phải là một kiểm định bắt buộc không

Tùy ngành, khoa và yêu cầu của giảng viên hướng dẫn. Đây là kiểm tra thường gặp trong các luận văn dùng bảng hỏi tự báo cáo, nhưng không nên xem nó là bằng chứng duy nhất về common method bias. Bạn cần kiểm tra đề cương và mẫu luận văn của chương trình trước khi quyết định cách báo cáo.

Harman Single Factor trong SPSS nằm ở menu nào

SPSS không có menu riêng tên Harman Single Factor. Bạn vào Analyze > Dimension Reduction > Factor, đưa các biến quan sát vào Variables, sau đó trong Extraction chọn Fixed number of factors bằng 1. Kết quả chính nằm ở bảng Total Variance Explained, dòng Component 1, cột % of Variance.

Harman Single Factor trên 50% có nghĩa là dữ liệu bị loại không

Không. Con số trên 50% là tín hiệu cần kiểm tra thêm, không phải lệnh loại toàn bộ mẫu hoặc mô hình. Bạn cần rà soát mã hóa, biến quan sát, cách thu thập dữ liệu và các kiểm tra bổ sung có liên quan, rồi trao đổi với giảng viên.

Có cần xoay nhân tố khi chạy Harman Single Factor không

Khi chỉ trích một nhân tố, xoay nhân tố không tạo ra cấu trúc mới để diễn giải. Bạn có thể để phần Rotation mặc định hoặc không xoay, nhưng cần giữ cấu hình nhất quán và ghi rõ bạn đã cố định số nhân tố bằng 1.

Có thể dùng SmartPLS thay cho Harman Single Factor trong SPSS không

Bạn có thể đánh giá common method bias bằng các cách khác tùy thiết kế nghiên cứu, nhưng không nên gọi mọi kiểm tra trong SmartPLS là Harman Single Factor. Nếu đề tài yêu cầu đúng quy trình SPSS, hãy chạy theo menu SPSS và báo cáo đúng bảng Total Variance Explained.

Bạn hãy mở lại output, tìm dòng Component 1, ghi chính xác giá trị % of Variance, rồi đối chiếu với cách diễn giải có nguồn trước khi sửa chương kết quả. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và biến kết quả không được bịa, xem M4 phân tích dữ liệu của DoThesis.