Kiểm định Bartlett là gì? Cách đọc kết quả trong SPSS

Bạn đang mở bảng KMO and Bartlett's Test trong SPSS và thấy một dòng Bartlett's Test of Sphericity, bên cạnh là Approx. Chi-Square, df và Sig.. Con số ở cột Sig. quyết định dữ liệu có đủ tương quan để tiếp tục EFA hay chưa, nhưng nó không cho biết có bao nhiêu nhân tố và cũng không thay thế cho KMO.

Kiểm định Bartlett là gì

Kiểm định Bartlett, đầy đủ là Bartlett's Test of Sphericity, kiểm tra giả thuyết rằng ma trận tương quan giữa các biến quan sát là ma trận đơn vị. Nếu đúng là ma trận đơn vị, các biến gần như không tương quan với nhau và việc gom chúng thành các nhân tố sẽ không có cơ sở.

Trong thực tế, bạn dùng kiểm định này trước hoặc trong bước EFA để xem tập biến có tồn tại đủ tương quan hay không. SPSS tính một thống kê Chi-Square xấp xỉ từ ma trận tương quan, số biến và cỡ mẫu. Output còn hiển thị bậc tự do df và xác suất Sig., thường được gọi là p-value.

Giả thuyết không H0 là ma trận tương quan quan sát được không khác đáng kể so với ma trận đơn vị. Giả thuyết đối H1 là ma trận tương quan khác ma trận đơn vị. Khi Sig. nhỏ hơn mức ý nghĩa đã chọn, bạn bác bỏ H0 và có cơ sở nói rằng các biến có tương quan tổng thể để xem xét phân tích nhân tố.

Bartlett không đánh giá một biến riêng lẻ. Nó cũng không kết luận thang đo đã đạt độ tin cậy, không xác nhận cấu trúc nhân tố và không cho biết biến nào cần loại. Những việc đó cần Cronbach's Alpha, EFA, CFA hoặc các kiểm định phù hợp khác.

Ý nghĩa của kiểm định Bartlett trong nghiên cứu định lượng

Trong một bảng hỏi, bạn thường có nhiều biến quan sát được thiết kế để đo các khái niệm tiềm ẩn như chất lượng dịch vụ, sự hài lòng hoặc ý định sử dụng. EFA tìm các nhóm biến có tương quan với nhau. Bartlett là một kiểm tra ở cấp độ toàn bộ ma trận, giúp bạn tránh chạy EFA trên một tập biến gần như độc lập.

Bạn nên đọc Bartlett cùng với KMO. KMO nói về mức độ thích hợp của dữ liệu cho phân tích nhân tố, còn Bartlett nói về việc ma trận tương quan có khác ma trận đơn vị hay không. Một kết quả có Sig. nhỏ nhưng KMO thấp vẫn chưa phải là tín hiệu đủ tốt để giữ nguyên dữ liệu. Ngược lại, chỉ nhìn KMO mà bỏ qua Bartlett cũng khiến phần giải trình thiếu một kiểm tra quan trọng.

Trong luận văn, kết quả Bartlett thường được dùng để quyết định có tiếp tục sang bước trích nhân tố hay không. Nó không phải bằng chứng rằng mô hình lý thuyết của bạn đúng. Nếu thang đo có nhiều nhóm khái niệm, bạn cần kiểm tra thêm factor loading, eigenvalue, total variance explained, communality và sự phù hợp với mô hình nghiên cứu.

Nếu đang xem các con số trong principal component analysis, hãy nhớ rằng Bartlett chỉ trả lời câu hỏi về khả năng phân tích nhân tố ở cấp ma trận. Nó không quyết định bạn nên chọn Principal Component Analysis hay một phương pháp trích nhân tố khác.

Kiểm định Bartlett bao nhiêu là đạt

Câu hỏi “kiểm định Bartlett bao nhiêu là tốt” thường đang nói đến cột Sig., không phải Approx. Chi-Square. Với mức ý nghĩa 5%, cách đọc thông dụng là Sig. < 0.05. Khi đó, bạn bác bỏ H0 và kết luận ma trận tương quan khác ma trận đơn vị. Ngưỡng này được trình bày cùng tiêu chí Bartlett trong tài liệu phương pháp nhân tố của Kaiser (1974).

Kết quả Bartlett thường được xem là đạt khi Sig. < 0.05 và KMO đồng thời từ 0.5 trở lên. Từ “đạt” ở đây chỉ có nghĩa là dữ liệu có điều kiện ban đầu để xem xét EFA. Bạn vẫn phải kiểm tra các tiêu chí sau đó, chẳng hạn factor loading và total variance explained. KMO từ 0.5 trở lên được gắn với tiêu chí của Kaiser (1974), còn ngưỡng factor loading từ 0.5 trở lên được nêu trong (Hair và cộng sự, 2010).

Cỡ mẫu lớn có thể làm kiểm định phát hiện những tương quan rất nhỏ. Vì vậy, đừng viết rằng Bartlett có p-value nhỏ thì toàn bộ thang đo chắc chắn tốt. Hãy xem nó như một điều kiện sàng lọc trước khi đánh giá cấu trúc nhân tố.

Cách đọc kiểm định Bartlett trên output

Trong SPSS, bảng cần tìm có tên chính xác là KMO and Bartlett's Test. Dòng Bartlett thường có bốn cột hoặc trường thông tin quan trọng: Approx. Chi-Square, df, Sig. và tên kiểm định nằm ở cột đầu tiên. Bạn đọc từ trái sang phải, nhưng kết luận chủ yếu dựa vào Sig..

Số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc cột được mô phỏng theo output SPSS để bạn đối chiếu với file .sav của mình.

Với 10 biến quan sát, df của Bartlett thường được tính theo công thức p(p - 1) / 2, trong đó p là số biến đưa vào kiểm định. Vì vậy, 10 biến cho 45 bậc tự do. Bạn không cần tự tính lại để kết luận nếu SPSS đã xuất bảng, nhưng việc hiểu công thức giúp phát hiện trường hợp nhập sai số lượng biến.

Ở ví dụ trên, Sig. = .000 được SPSS hiển thị do p-value rất nhỏ và được làm tròn theo cách hiển thị của phần mềm. Khi viết, bạn có thể ghi p < 0.001, không nên ghi p-value thực tế bằng 0. Kết luận là bác bỏ H0 ở mức ý nghĩa 5%, ma trận tương quan khác ma trận đơn vị và dữ liệu có thể được xem xét cho EFA.

Đừng nhầm Approx. Chi-Square = 486.732 với một điểm cắt cố định. Chi-Square phụ thuộc vào cỡ mẫu và số biến. Hai nghiên cứu có cùng thang đo nhưng khác cỡ mẫu có thể có Chi-Square rất khác nhau, trong khi quyết định vẫn dựa vào p-value và bối cảnh kiểm định.

Khi kiểm định Bartlett không đạt thì xử lý thế nào

Nếu Sig. >= 0.05, trước tiên dừng việc diễn giải EFA như thể dữ liệu đã phù hợp. Kiểm tra theo thứ tự dưới đây để tránh loại biến tùy tiện.

Kiểm tra danh sách biến đưa vào

Mở lại hộp thoại Analyze > Dimension Reduction > Factor. Xem bạn có đưa nhầm biến định danh, biến nhân khẩu học, biến kết quả hoặc biến chỉ có hai mức vào cùng nhóm thang đo hay không. Bartlett nên được chạy trên các biến quan sát dùng để đo những khái niệm có cơ sở tương quan, không phải toàn bộ cột trong bảng dữ liệu.

Kiểm tra mã hóa và dữ liệu thiếu

Xem các biến Likert có cùng chiều đo hay chưa. Một biến đảo chiều chưa recode có thể làm tương quan với các biến còn lại yếu hoặc ngược dấu. Kiểm tra Analyze > Descriptive Statistics > Frequencies để phát hiện mã ngoài khoảng, giá trị trống được nhập thành một con số riêng hoặc biến gần như không có độ phân tán.

Xem ma trận tương quan và KMO

Trong hộp thoại Factor, chọn Descriptives và đánh dấu Correlation matrix, KMO and Bartlett's test of sphericity. Nếu phần lớn tương quan giữa các biến gần 0, Bartlett không có ý nghĩa có thể phản ánh đúng dữ liệu. Khi đó, chỉ đổi phương pháp trích nhân tố sẽ không giải quyết được vấn đề.

Bạn có thể xem thêm ma trận xoay và communality sau khi mô hình đủ điều kiện, nhưng hai bảng này không phải công cụ sửa một Bartlett không đạt. Không nên xóa liên tục từng biến chỉ để ép Sig. xuống dưới 0.05 nếu không có lý do lý thuyết và thống kê rõ ràng.

Xem lại thang đo hoặc thu thập dữ liệu

Nếu mã hóa đúng, danh sách biến hợp lý nhưng Bartlett vẫn không có ý nghĩa, bạn cần báo cáo trung thực rằng dữ liệu chưa ủng hộ việc chạy EFA cho nhóm biến đó. Có thể phân tích riêng các nhóm thang đo nếu mô hình nghiên cứu cho phép, hoặc trao đổi với giảng viên về việc loại nhóm biến không có tương quan.

Khi dữ liệu thu thập quá ít hoặc nhiều người trả lời theo một kiểu lặp lại, vấn đề nằm ở thiết kế và chất lượng dữ liệu. Phần mềm không thể tạo ra cấu trúc nhân tố mà bảng hỏi và mẫu quan sát không cung cấp. Thu thêm dữ liệu chỉ hợp lý khi bạn xác định được nguyên nhân và vẫn giữ đúng tiêu chí chọn mẫu, không thu thêm một cách tùy tiện.

Phân biệt kiểm định Bartlett với KMO

Bartlett và KMO xuất hiện cạnh nhau nên rất dễ bị gộp thành một chỉ số. Chúng trả lời hai câu hỏi khác nhau.

Bartlett có thể có ý nghĩa nhưng KMO thấp. Trong trường hợp đó, tương quan tổng thể tồn tại nhưng dữ liệu vẫn có thể không phù hợp để trích các nhân tố rõ ràng. Bartlett cũng có thể có ý nghĩa vì cỡ mẫu lớn, trong khi factor loading hoặc communality của một số biến vẫn thấp.

Vì vậy, câu “Bartlett đạt nên EFA chắc chắn đạt” là kết luận quá rộng. Quy trình hợp lý là đọc KMO và Bartlett, xem bảng communalities, kiểm tra total variance explained, đọc ma trận nhân tố hoặc ma trận xoay, sau đó đối chiếu với mô hình lý thuyết.

Lỗi thường gặp

Lỗi đầu tiên là ghi Sig. = 0.000. Trong output, .000 là cách SPSS hiển thị sau khi làm tròn. Bạn nên viết p < 0.001 để thể hiện p-value nhỏ hơn 0.001.

Lỗi thứ hai là chỉ báo cáo Approx. Chi-Square mà không ghi df và Sig.. Một con số Chi-Square đứng riêng không đủ để người đọc đánh giá quyết định kiểm định. Hãy ghi đủ ba thành phần chính và nêu rõ bạn bác bỏ hay chưa bác bỏ H0.

Lỗi thứ ba là dùng Bartlett để kết luận số nhân tố. Số nhân tố cần dựa vào eigenvalue, scree plot, tổng phương sai trích và khả năng giải thích của cấu trúc, không phải p-value của Bartlett. Quy tắc eigenvalue lớn hơn 1 được gắn với (Kaiser, 1960), còn tổng phương sai trích từ 50% trở lên được nêu trong (Hair và cộng sự, 2010).

Lỗi thứ tư là chạy lại nhiều lần và xóa biến cho đến khi có kết quả đẹp, nhưng không lưu lại từng vòng. Nếu phải loại biến, bạn cần ghi biến nào bị loại, lý do dựa trên tiêu chí nào, và kết quả thay đổi ra sao. Một hội đồng có thể hỏi đúng phần này khi bảng EFA cuối cùng khác xa bảng hỏi ban đầu.

Đọc thêm: cfa, ma trận xoay, communality, principal component analysis, efa, chủ đề thong ke.

Câu hỏi thường gặp

Kiểm định Bartlett có bắt buộc trong EFA không

Trong báo cáo EFA, Bartlett thường được dùng cùng KMO để chứng minh tập dữ liệu có điều kiện ban đầu cho phân tích nhân tố. Nếu trường hoặc giảng viên yêu cầu báo cáo EFA, bạn nên giữ bảng này trong output và trình bày kết quả thay vì chỉ đưa ma trận xoay.

Kiểm định Bartlett Sig. bao nhiêu là tốt

Với mức ý nghĩa 5%, Sig. < 0.05 là kết quả cho thấy có bằng chứng bác bỏ giả thuyết ma trận tương quan là ma trận đơn vị, theo tiêu chí được dẫn từ (Kaiser, 1974). P-value càng nhỏ không đồng nghĩa thang đo càng tốt; bạn vẫn phải xem KMO, loading và các tiêu chí EFA khác.

Kiểm định Bartlett không có ý nghĩa phải làm sao

Kiểm tra lại nhóm biến, mã hóa biến đảo chiều, giá trị thiếu, biến có phương sai thấp và ma trận tương quan. Nếu dữ liệu vẫn đúng, hãy báo cáo kết quả không đạt và trao đổi về việc phân tích riêng nhóm thang đo, điều chỉnh mô hình có căn cứ hoặc thu thập lại dữ liệu theo thiết kế phù hợp.

Có thể chạy Bartlett riêng cho từng thang đo không

Có thể, nếu mục tiêu của bạn là kiểm tra cấu trúc của từng nhóm biến và cách làm đó phù hợp với mô hình nghiên cứu. Tuy nhiên, bạn cần nói rõ nhóm biến nào được đưa vào mỗi lần chạy. Đừng chia nhóm chỉ vì kết quả Bartlett của toàn bộ tập biến không như mong muốn.

Bartlett có thay thế Cronbach's Alpha không

Không. Bartlett kiểm tra tương quan của cả ma trận, còn Cronbach's Alpha đánh giá độ nhất quán nội tại của thang đo. Hai kiểm định có thể xuất hiện trong cùng quy trình nhưng không trả lời cùng một câu hỏi và không thể dùng thay thế cho nhau.

Bạn hãy mở lại file SPSS, ghi riêng KMO, Approx. Chi-Square, df và Sig. của bảng KMO and Bartlett's Test, sau đó đối chiếu với bảng tương quan và kết quả EFA trước khi viết kết luận. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và chuyển kết quả thành phần diễn giải, M4 phân tích của DoThesis có thể xử lý bước này cùng bạn.