Hệ số tải nhân tố là gì? Cách đọc và xử lý trong SPSS
Hệ số tải nhân tố là gì
Bạn mở output EFA trong SPSS và thấy bảng Rotated Component Matrix có các con số như 0.812, 0.674 hoặc 0.421. Những con số đó thường là hệ số tải nhân tố, tiếng Anh là factor loading. Chỉ số này cho biết một biến quan sát liên hệ mạnh đến mức nào với một nhân tố được rút trích.
Ví dụ, biến HT1 có hệ số tải 0.812 trên nhân tố Hỗ trợ. Có thể hiểu biến HT1 đại diện khá rõ cho khái niệm Hỗ trợ trong bộ dữ liệu đó. Hệ số càng lớn về trị tuyệt đối thì mối liên hệ giữa biến quan sát và nhân tố càng mạnh.
Trong EFA, hệ số tải được tính từ tương quan giữa biến quan sát và nhân tố. Vì vậy, nó thường nằm trong khoảng từ -1 đến 1. Với thang đo Likert và các biến đã mã hóa cùng chiều, bạn thường mong đợi hệ số dương. Hệ số âm có thể xuất hiện khi biến đảo chiều chưa được recode đúng hoặc khi biến thực sự đi theo hướng ngược lại.
Hệ số tải nhân tố không phải là Cronbach's Alpha, không phải communality, và cũng không phải p-value. Bạn cần đọc nó trong mối quan hệ với số nhân tố, nội dung biến, kích thước mẫu và các chỉ số kiểm định khác. Nếu đang đọc cả quy trình, bạn có thể xem thêm bài EFA và bài về principal component analysis.
Ý nghĩa của hệ số tải nhân tố trong nghiên cứu định lượng
Trong nghiên cứu định lượng, bạn dùng hệ số tải để trả lời một câu hỏi cụ thể: biến quan sát này có đại diện đủ rõ cho nhân tố mà mô hình lý thuyết dự kiến hay không.
Khi chạy EFA, bạn thường kiểm tra ba việc. Thứ nhất, các biến của cùng một khái niệm có tập trung vào cùng một nhân tố không. Thứ hai, một biến có tải cao đồng thời lên nhiều nhân tố hay không. Thứ ba, cấu trúc nhân tố sau khi rút trích có còn phù hợp với mô hình và nội dung bảng hỏi hay không.
Một hệ số tải cao giúp bạn có cơ sở giữ biến quan sát. Tuy nhiên, con số cao không tự động chứng minh thang đo có giá trị. Chẳng hạn, năm biến có tải tốt nhưng lại gom vào một nhóm trái với cơ sở lý thuyết. Khi đó, bạn phải xem lại tên nhân tố, cách dịch biến, biến đảo chiều và bối cảnh khảo sát.
Hệ số tải cũng hỗ trợ quyết định trong quá trình làm sạch thang đo. Nếu một biến có tải thấp hoặc tải chéo, bạn có thể cân nhắc loại biến rồi chạy lại EFA. Quyết định này cần được ghi lại theo từng vòng, thay vì chỉ giữ lại output cuối cùng và bỏ qua lý do loại biến.
Bạn cũng nên phân biệt EFA với CFA. EFA dùng để khám phá cấu trúc tiềm ẩn khi bạn chưa biết chắc các biến sẽ nhóm như thế nào. CFA dùng để kiểm định một cấu trúc đã được xác định trước. Hệ số tải xuất hiện ở cả hai thủ tục, nhưng cách diễn giải và yêu cầu báo cáo không hoàn toàn giống nhau.
Hệ số tải nhân tố bao nhiêu là đạt
Với EFA, hệ số tải từ 0.5 trở lên thường được xem là đạt theo hướng dẫn của Hair và cộng sự (2010). Trong một số tài liệu cũ, các mức 0.3, 0.4 và 0.5 được diễn giải theo mức độ yếu, trung bình và mạnh, nhưng bạn không nên chọn ngưỡng thấp chỉ để cứu một biến không phù hợp. Các mức tải nhân tố cần được đọc cùng mẫu nghiên cứu và mục tiêu khám phá của thang đo.
Bảng dưới đây tập trung vào các tiêu chí thường xuất hiện khi bạn đánh giá EFA. Mỗi dòng đều ghi nguồn để bạn có thể giải trình với giảng viên.
| Tiêu chí | Mức tham khảo | Cách dùng khi đọc output | Nguồn canonical |
|---|---|---|---|
| KMO | Từ 0.5 trở lên | Kiểm tra mức phù hợp của dữ liệu với EFA | (Kaiser, 1974) |
| Bartlett's Test | Sig. nhỏ hơn 0.05 | Các biến có tương quan đủ để phân tích nhân tố | (Kaiser, 1974) |
| Eigenvalue | Lớn hơn 1 | Gợi ý số nhân tố được giữ lại | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | Mức phương sai được các nhân tố giải thích | (Hair và cộng sự, 2010) |
| Factor loading | Từ 0.5 trở lên | Mức liên hệ giữa biến quan sát và nhân tố | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | Kiểm tra tương quan biến tổng trước hoặc cùng quy trình làm sạch | (Nunnally và Bernstein, 1994) |
| Cronbach's Alpha | Từ 0.7 trở lên | Độ tin cậy nội tại của thang đo | (Nunnally, 1978) |
Mức 0.5 là mốc tham khảo, không phải lệnh tự động loại hoặc giữ biến. Nếu nghiên cứu đang ở giai đoạn khám phá, Alpha từ 0.6 có thể được chấp nhận theo Hair và cộng sự (2010), nhưng bạn cần nêu rõ đây là thang đo mới hoặc bối cảnh khám phá.
Khi một biến tải 0.58, biến đó có thể đạt mốc tối thiểu, nhưng vẫn cần xem tải chéo. Một biến tải 0.62 trên nhân tố 1 và 0.59 trên nhân tố 2 gây khó khăn lớn hơn một biến chỉ tải 0.51 trên một nhân tố duy nhất. Nội dung lý thuyết cũng cần được cân nhắc trước khi xóa.
Cách đọc hệ số tải nhân tố trên output
Trong SPSS, đường dẫn phổ biến để chạy EFA là Analyze > Dimension Reduction > Factor. Đưa các biến quan sát vào ô Variables, chọn phương pháp trích trong Extraction, chọn phép xoay trong Rotation, sau đó vào Options để sắp xếp hệ số theo kích thước và ẩn các hệ số nhỏ nếu cần.
Đừng nhầm bảng Component Matrix với Rotated Component Matrix. Khi bạn dùng phép xoay như Varimax, bảng sau xoay thường dễ diễn giải hơn vì mỗi biến có xu hướng tập trung vào một nhân tố. Nếu dùng Promax hoặc một phép xoay xiên, các nhân tố được phép tương quan, và tên bảng có thể được SPSS trình bày khác nhau.
Bảng Rotated Component Matrix
Hãy tìm tên biến ở cột đầu tiên, sau đó đọc các cột Component 1, Component 2, Component 3. Con số lớn nhất theo trị tuyệt đối thường là hệ số tải chính của biến. Các ô trống có thể chỉ là kết quả của tùy chọn ẩn hệ số nhỏ, chứ không có nghĩa SPSS không tính toán.
Bảng sau là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc cột mô phỏng output Rotated Component Matrix của SPSS.
| Biến quan sát | Component 1 | Component 2 | Component 3 | Cách đọc minh họa |
|---|---|---|---|---|
| DV1 | 0.812 | 0.142 | 0.086 | Tải chính vào Component 1 |
| DV2 | 0.776 | 0.188 | 0.121 | Tải chính vào Component 1 |
| CL1 | 0.204 | 0.734 | 0.175 | Tải chính vào Component 2 |
| CL2 | 0.251 | 0.691 | 0.214 | Tải chính vào Component 2 |
| HL1 | 0.119 | 0.263 | 0.463 | Tải chính thấp, cần xem xét |
| HL2 | 0.438 | 0.472 | 0.190 | Có dấu hiệu tải chéo |
Trong ví dụ này, DV1 có hệ số tải 0.812 trên Component 1 và vượt mốc 0.5. CL1 cũng đạt trên Component 2. HL1 chỉ có tải 0.463, thấp hơn mốc tham khảo. HL2 có hai hệ số khá gần nhau, vì vậy chỉ nhìn vào giá trị lớn nhất là chưa đủ để quyết định.
Bạn cần đối chiếu cấu trúc này với bảng Total Variance Explained, KMO and Bartlett's Test và nội dung ban đầu của thang đo. Nếu mục tiêu của bạn là kiểm tra độ tin cậy trước EFA, hãy xem thêm Reliability Statistics và Item-Total Statistics. Bài ma trận xoay sẽ hữu ích khi bạn đang mắc ở đúng bảng này.
Hệ số tải nhân tố trong SPSS và SmartPLS
Trong SPSS, hệ số tải EFA nằm trong Component Matrix hoặc Rotated Component Matrix. Trong SmartPLS, bạn thường gặp Outer Loadings khi đánh giá mô hình đo lường. Hai chỉ số cùng nói về mức liên hệ giữa biến chỉ báo và cấu trúc, nhưng không nên trộn tiêu chí của EFA với PLS-SEM.
Với Outer Loadings trong PLS-SEM, ngưỡng 0.7 thường được tham khảo theo Chin (1998) hoặc Hair và cộng sự (2022). Nếu đề tài của bạn chạy SmartPLS, hãy xem thêm CR, AVE và HTMT thay vì chỉ chép một cột loading vào chương 4.
Khi hệ số tải nhân tố thấp phải làm sao
Nếu hệ số tải thấp, bạn nên xử lý theo thứ tự từ kiểm tra dữ liệu đến quyết định về thang đo. Cách này giúp bạn tránh xóa biến chỉ vì một con số chưa đẹp.
Kiểm tra mã hóa và dữ liệu đầu vào
Mở Variable View và kiểm tra tên biến, kiểu dữ liệu, nhãn giá trị, missing value. Một biến đảo chiều chưa được recode là nguyên nhân thường gặp khiến tương quan và hệ số tải bị sai hướng. Kiểm tra cả các ô trống, giá trị ngoài khoảng Likert và trường hợp nhập dữ liệu dưới dạng text.
Nếu bạn dùng bảng hỏi 1 đến 5, mọi biến đưa vào EFA cần có cùng quy ước chiều. Hãy kiểm tra một vài dòng trong Data View, sau đó xem thống kê mô tả để phát hiện giá trị bất thường.
Xem tải chéo và nội dung biến
Nếu biến có tải chéo trên hai nhân tố, đọc lại câu chữ của biến. Hai khái niệm quá gần nhau, câu hỏi diễn đạt mơ hồ hoặc người trả lời hiểu biến theo một nghĩa khác đều có thể tạo tải chéo. Bạn có thể tham khảo bảng communality để xem mức phương sai của từng biến được các nhân tố giải thích.
Kiểm tra Corrected Item-Total Correlation
Chạy Analyze > Scale > Reliability Analysis, đưa các biến cùng thang đo vào ô Items, chọn Statistics, tích Scale if item deleted và Correlations. Nếu Corrected Item-Total Correlation dưới 0.3, biến cần được xem xét theo Nunnally và Bernstein (1994).
Tuy vậy, đừng xóa ngay biến có Alpha if Item Deleted cao hơn. Nếu biến đó có ý nghĩa lý thuyết và hệ số tải gần ngưỡng, hãy trao đổi với giảng viên trước khi loại. Mỗi lần xóa biến có thể làm thay đổi cấu trúc nhân tố và ý nghĩa của khái niệm.
Loại một biến rồi chạy lại EFA
Nếu có đủ cơ sở, loại biến yếu nhất hoặc biến tải chéo rõ nhất, chạy lại EFA và lưu output của cả hai vòng. Không nên xóa nhiều biến cùng lúc vì bạn sẽ khó biết biến nào tạo ra thay đổi. Nếu sau vài vòng thang đo vẫn không ổn định, nguyên nhân có thể nằm ở thiết kế bảng hỏi hoặc sự khác biệt giữa mô hình lý thuyết và dữ liệu.
Phân biệt hệ số tải nhân tố với chỉ số dễ nhầm
Communality cho biết phần phương sai của một biến được các nhân tố giữ lại giải thích. Nó liên quan đến hệ số tải, nhưng không phải một hệ số tải riêng lẻ. Khi bạn cần đọc chỉ số này, hãy đối chiếu với bài communality.
Eigenvalue là lượng phương sai được một nhân tố giải thích, thường dùng để tham khảo số nhân tố cần giữ. Nó không trả lời câu hỏi một biến quan sát tải mạnh đến đâu. Quy tắc eigenvalue lớn hơn 1 được gắn với Kaiser (1960).
Cronbach's Alpha đánh giá độ nhất quán nội tại của nhóm biến. Một thang đo có Alpha tốt vẫn có thể có biến tải chéo trong EFA. Ngược lại, một biến có loading phù hợp chưa đủ để kết luận toàn bộ thang đo đáng tin cậy.
KMO và Bartlett's Test đánh giá dữ liệu có phù hợp để chạy EFA hay không. Chúng nằm trong bảng KMO and Bartlett's Test, còn hệ số tải nằm ở bảng ma trận thành phần. Đọc KMO thay cho loading là lỗi khá phổ biến khi sinh viên nhìn nhanh output.
Lỗi thường gặp
Chỉ giữ biến có loading cao nhất mà bỏ qua tải chéo. Một biến có giá trị lớn nhất là 0.55 nhưng đồng thời tải 0.52 trên nhân tố khác vẫn cần được xem xét.
Dùng ngưỡng 0.5 mà không ghi nguồn. Trong chương 3 hoặc chương 4, hãy ghi mức tham khảo và trích (Hair và cộng sự, 2010). Nếu dùng tài liệu Việt Nam, (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008) là nguồn quen thuộc trong các luận văn dùng SPSS.
Đổi tên nhân tố theo ý thích sau khi xem output. Tên nhân tố phải dựa trên nội dung chung của các biến còn lại và cơ sở lý thuyết. Bạn cần ghi rõ biến nào thuộc nhân tố nào trong bảng kết quả.
Trộn EFA với CFA hoặc SmartPLS. Factor loading trong EFA, outer loading trong SmartPLS và standardized loading trong CFA có bối cảnh báo cáo khác nhau. Chọn đúng phương pháp trước khi chọn ngưỡng.
Không lưu từng vòng chạy. Hãy đặt tên file theo ngày hoặc theo vòng, chẳng hạn EFA_v1, EFA_v2. Việc này giúp bạn giải thích vì sao một biến bị loại và tránh dùng nhầm bảng cũ.
Đọc thêm: cfa, ma trận xoay, communality, principal component analysis, efa, chủ đề thong ke.
Câu hỏi thường gặp
Hệ số tải nhân tố bao nhiêu là tốt
Trong EFA, hệ số tải từ 0.5 trở lên thường được tham khảo là đạt theo Hair và cộng sự (2010). Bạn vẫn cần kiểm tra tải chéo, nội dung biến, KMO, Bartlett và tổng phương sai trích trước khi kết luận.
Hệ số tải nhân tố thấp có phải loại biến ngay không
Chưa chắc. Trước tiên, kiểm tra mã hóa, missing value và biến đảo chiều. Sau đó xem Corrected Item-Total Correlation, tải chéo và vai trò lý thuyết của biến. Nếu có cơ sở loại, hãy loại từng biến và chạy lại EFA.
Vì sao hệ số tải nhân tố bị âm
Loading âm có thể xuất hiện khi biến đảo chiều chưa được recode hoặc khi biến có quan hệ ngược với nhân tố. Kiểm tra thang đo và bảng mã trước khi đảo dấu thủ công. Không nên biến một loading âm thành dương chỉ để đạt ngưỡng.
Hệ số tải nhân tố trong SPSS nằm ở bảng nào
Trong EFA, bạn thường đọc hệ số tải ở Component Matrix hoặc Rotated Component Matrix. Nếu đã chọn phép xoay, ưu tiên đọc bảng sau xoay. Hãy xem thêm số nhân tố và tùy chọn Suppress small coefficients để hiểu các ô trống.
Hệ số tải nhân tố và communality khác nhau thế nào
Hệ số tải thể hiện mức liên hệ của một biến với từng nhân tố. Communality thể hiện tổng phần phương sai của biến được các nhân tố giữ lại giải thích. Hai chỉ số có liên quan về mặt tính toán nhưng phục vụ hai câu hỏi khác nhau.
Bây giờ bạn mở lại Rotated Component Matrix, đánh dấu các biến dưới 0.5 hoặc có tải chéo, rồi đối chiếu từng biến với bảng hỏi và Item-Total Statistics. Nếu cần chạy EFA trên chính file .sav hoặc .csv và ghi kết quả thành nội dung chương 4, bạn có thể dùng module M4 phân tích dữ liệu.