Ma trận xoay là gì và cách xử lý EFA bị lộn xộn trong SPSS

Khi nào dùng EFA và cần đọc ma trận xoay

Bạn dùng Exploratory Factor Analysis, thường viết tắt là EFA, khi muốn kiểm tra các biến quan sát trong bảng hỏi đang thực sự gom thành những nhân tố nào. Ví dụ, mô hình có các nhóm Chất lượng dịch vụ, Sự thuận tiện và Ý định tiếp tục sử dụng. Sau khi nhập dữ liệu vào SPSS, bạn cần xem các biến có cùng tải lên đúng nhóm dự kiến hay bị tải chéo sang nhóm khác.

Ma trận xoay là bảng Rotated Component Matrix trong output SPSS. Mỗi dòng là một biến quan sát, mỗi cột là một nhân tố, còn con số trong ô là factor loading. Đây là cơ sở để bạn quyết định biến nào đại diện tốt cho một nhân tố và biến nào đang gây nhiễu.

EFA phù hợp khi câu hỏi nghiên cứu có dạng: các biến quan sát này có thể rút gọn thành bao nhiêu nhân tố, hoặc cấu trúc thang đo trong bối cảnh nghiên cứu của bạn có giống mô hình lý thuyết hay không. Bạn có thể xem thêm phần tổng quan về EFA và Principal Component Analysis để phân biệt mục tiêu khám phá nhân tố với cách trích nhân tố trong SPSS.

EFA thường được thực hiện sau khi kiểm tra độ tin cậy bằng Cronbach's Alpha và trước khi chạy hồi quy hoặc mô hình cấu trúc. Nếu bảng hỏi đã có cấu trúc được xác nhận rõ ràng từ nghiên cứu trước, CFA có thể phù hợp hơn. Khi đó, bạn nên xem hướng dẫn về CFA thay vì cố dùng EFA cho mọi trường hợp.

Chuẩn bị dữ liệu trước khi chạy

Ma trận xoay lộn xộn đôi khi bắt nguồn từ dữ liệu, không phải từ nút lệnh EFA. Trước khi chạy, mở Data View và Variable View để kiểm tra từng nhóm biến.

Thứ nhất, các biến quan sát phải được nhập dưới dạng số. Với thang Likert 5 mức, câu trả lời cần được mã hóa nhất quán từ 1 đến 5. Cột Measure thường đặt là Scale. Các biến định danh như mã người trả lời, giới tính hoặc nhóm nghề nghiệp không nên đưa vào EFA cùng các biến quan sát của thang đo.

Thứ hai, kiểm tra missing values. Một dòng có quá nhiều ô trống có thể làm giảm số quan sát được dùng trong phân tích. Nếu bạn đã mã hóa câu trả lời thiếu bằng một số như 99, hãy khai báo đây là missing value hoặc xử lý trước khi chạy. Để nguyên số 99 trong EFA sẽ làm tương quan giữa các biến bị sai nghiêm trọng.

Thứ ba, kiểm tra các biến đảo chiều. Nếu một biến có nội dung phủ định, chẳng hạn mức đồng ý cao lại thể hiện đánh giá thấp, bạn phải reverse code trước khi chạy Cronbach's Alpha và EFA. Trong SPSS, có thể dùng Transform > Recode into Different Variables, tạo biến mới rồi kiểm tra lại bảng mã. Không nên xóa biến phủ định chỉ vì factor loading thấp trước khi xác định việc đảo mã đã đúng.

Thứ tư, xem lại mã biến. Tên như CLDV1, CLDV2, TT1, TT2 giúp bạn nhận ra nhóm biến trong output. Không đặt tên quá dài hoặc có khoảng trắng vì việc theo dõi các vòng chạy sẽ khó hơn.

Bạn cũng cần quyết định đưa những biến nào vào cùng một lần EFA. Nếu mô hình có nhiều thang đo độc lập và một thang đo phụ thuộc, nhiều luận văn chạy EFA cho toàn bộ các biến quan sát phù hợp. Một số thiết kế chạy riêng nhóm biến độc lập và nhóm biến phụ thuộc. Quan trọng là cách chọn phải phù hợp với mô hình và được trình bày nhất quán, thay vì chọn cách cho ra bảng đẹp hơn.

Nếu chưa chắc dữ liệu có đủ điều kiện, hãy kiểm tra communality sau khi chạy thử. Communality thấp cho thấy biến đó giải thích kém bởi các nhân tố được trích, nhưng không nên chỉ dựa vào một con số để xóa biến ngay.

Các bước chạy EFA trong SPSS

Mở hộp thoại Factor Analysis

Vào Analyze > Dimension Reduction > Factor. Trong danh sách bên trái, chọn các biến quan sát cần phân tích và chuyển sang ô Variables. Không đưa biến phụ thuộc dạng tổng hợp, mã người trả lời hoặc biến nhân khẩu học vào nếu chúng không phải là biến quan sát của thang đo.

Chọn cách kiểm tra dữ liệu trong Descriptives

Bấm Descriptives. Chọn KMO and Bartlett's test of sphericity để SPSS tạo bảng KMO and Bartlett's Test. Có thể chọn thêm Anti-image nếu cần xem MSA riêng cho từng biến. Chọn Initial solution để có thông tin ban đầu về phương sai và eigenvalue.

KMO và Bartlett giúp bạn đánh giá dữ liệu có phù hợp để phân tích nhân tố hay không. Đây là bước kiểm tra điều kiện, chưa phải kết luận rằng ma trận xoay đã đạt.

Chọn phương pháp trích trong Extraction

Bấm Extraction. Ở Method, chọn phương pháp theo thiết kế nghiên cứu. Principal components thường được dùng trong các luận văn để rút gọn dữ liệu, còn các phương pháp factor analysis thực sự như Principal axis factoring phù hợp với mục tiêu tìm nhân tố tiềm ẩn. Bạn cần ghi rõ lựa chọn trong chương phương pháp.

Chọn Scree plot để xem biểu đồ sườn dốc. Ở Extract, bạn có thể để Eigenvalues over 1 nếu dùng quy tắc eigenvalue lớn hơn 1, hoặc chỉ định số nhân tố dựa trên mô hình lý thuyết. Quy tắc eigenvalue lớn hơn 1 được gắn với (Kaiser, 1960), nhưng bạn vẫn nên xem scree plot và ý nghĩa lý thuyết thay vì giữ máy móc mọi nhân tố SPSS tự tách.

Chọn phép xoay trong Rotation

Bấm Rotation. Chọn Varimax khi giả định các nhân tố không tương quan, hoặc một phép xoay xiên như Direct Oblimin khi các khái niệm có thể liên hệ với nhau. Trong nghiên cứu hành vi, các nhân tố thường có quan hệ, vì vậy phép xoay cần được giải thích theo mô hình chứ không chọn chỉ vì bảng dễ đọc.

Nếu chọn Varimax, SPSS thường tạo bảng Rotated Component Matrix. Nếu chọn phép xoay xiên, bạn có thể thấy Pattern Matrix và Structure Matrix. Không nên gọi mọi bảng sau xoay là Rotated Component Matrix nếu output thực tế đang hiển thị bảng khác.

Chọn cách hiển thị trong Options

Bấm Options, chọn Sorted by size để SPSS sắp xếp các factor loading trong từng dòng theo độ lớn. Chọn Suppress small coefficients và nhập giá trị như 0.50 nếu muốn ẩn các hệ số nhỏ trong bảng. Tùy chọn này chỉ làm bảng dễ đọc, không xóa dữ liệu khỏi phân tích.

Sau khi bấm Continue rồi OK, lưu output của từng vòng chạy. Đặt tên file theo thứ tự như EFA_vong_1, EFA_vong_2. Khi phải loại biến, bạn cần biết biến nào đã bị loại và kết quả thay đổi ra sao.

Đọc kết quả output

Hãy đọc output theo thứ tự, không nhảy ngay đến Rotated Component Matrix.

Bảng KMO and Bartlett's Test cho biết KMO, kiểm định Bartlett và mức ý nghĩa. Bảng Total Variance Explained cho biết số nhân tố được trích, eigenvalue và phần trăm phương sai giải thích. Bảng Communalities cho biết mức độ mỗi biến được các nhân tố giải thích. Cuối cùng, đọc Rotated Component Matrix hoặc Pattern Matrix để xem cấu trúc tải nhân tố.

Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật:

Trong ví dụ này, CLDV1 có loading cao nhất ở Component 1. YD1 cùng lúc có 0.401 ở Component 1 và 0.438 ở Component 2, trong khi loading cao nhất chỉ là 0.512 ở Component 3. Đây là dấu hiệu tải chéo. Bạn cần xem nội dung biến, chênh lệch giữa các loading và cấu trúc lý thuyết trước khi quyết định.

Một ma trận xoay bị lộn xộn thường có các dấu hiệu: nhiều biến không tải rõ vào nhóm dự kiến, một biến có hai loading gần nhau, các biến của cùng một thang đo tách thành nhiều cột, hoặc không xuất hiện bảng ma trận xoay. EFA hiếm khi ra đẹp ở lần chạy đầu. Loại biến, chạy lại và ghi lại từng vòng là quy trình thường gặp, miễn là quyết định có lý do.

Tiêu chí đánh giá

Các ngưỡng dưới đây là mốc tham khảo cần đặt cạnh bối cảnh nghiên cứu, cỡ mẫu và nội dung thang đo. Mỗi dòng đều ghi nguồn để bạn có thể truy lại khi viết luận văn.

Các mốc này không biến một bảng xấu thành bảng đạt chỉ bằng cách xóa liên tục. Factor loading từ 0.5 trở lên là mốc thường được sử dụng (Hair và cộng sự, 2010), nhưng bạn cần xem thêm tải chéo. Nếu một biến có loading 0.62 ở nhân tố dự kiến và 0.58 ở nhân tố khác, giữ biến chỉ vì 0.62 có thể làm giảm giá trị phân biệt của thang đo.

Khi đánh giá một biến tải chéo, hãy xem bốn điểm: loading cao nhất là bao nhiêu, chênh lệch với loading thứ hai, nội dung biến có thể thuộc cả hai khái niệm không, và việc loại biến có làm thang đo mất nội dung quan trọng không. Không có quyết định nào nên dựa vào một con số tách rời.

Nếu KMO thấp, hãy xem lại tương quan giữa các biến, MSA trong bảng Anti-image và các biến có communality rất thấp. Nếu Bartlett không có ý nghĩa, dữ liệu chưa cho thấy ma trận tương quan đủ phù hợp để rút nhân tố. Lúc này chạy thêm nhiều vòng thường không giải quyết được nguyên nhân gốc.

Cách viết kết quả vào luận văn

Bạn có thể viết theo cấu trúc gồm phương pháp trích, phép xoay, số nhân tố, KMO, Bartlett, tổng phương sai trích và tình trạng tải nhân tố. Không chép toàn bộ output SPSS vào thân bài nếu bảng đã quá dài. Hãy đưa bảng kết quả đã định dạng vào chương 4 và giữ output gốc để đối chiếu khi được hỏi.

Cách viết vào luận văn: “Kết quả EFA với phương pháp trích [Principal components/Principal axis factoring] và phép xoay [Varimax/Direct Oblimin] cho thấy chỉ số KMO đạt [KMO], kiểm định Bartlett có Sig. = [Sig.], cho thấy dữ liệu [phù hợp/chưa phù hợp] để phân tích nhân tố. [Số nhân tố] được trích với tổng phương sai giải thích là [x]%. Các factor loading dao động từ [min] đến [max], ngoại trừ biến [mã biến] được [loại/giữ] vì [lý do].”

Nếu đã loại biến, ghi lại thứ tự và lý do: biến tải chéo, loading thấp, communality thấp hoặc không phù hợp về nội dung. Tránh viết rằng “SPSS tự động loại biến” vì phần mềm chỉ cung cấp output, còn quyết định thuộc về người nghiên cứu.

Lỗi thường gặp khi chạy EFA

Ma trận xoay lộn xộn, các biến nhảy sang nhiều nhóm

Kiểm tra biến đảo chiều trước, sau đó xem nội dung các biến tải chéo. Chạy lại EFA sau khi loại một biến có vấn đề rõ ràng, mỗi lần chỉ nên thay đổi có kiểm soát. Không xóa đồng thời quá nhiều biến vì bạn sẽ không biết yếu tố nào làm cấu trúc thay đổi.

Nếu các nhân tố có tương quan về mặt lý thuyết, cân nhắc phép xoay xiên thay cho Varimax. Tuy nhiên, đổi phép xoay không phải cách che một thang đo thiết kế kém. Kết quả mới vẫn phải phù hợp với khái niệm và giả thuyết nghiên cứu.

Không xuất hiện bảng Rotated Component Matrix

Kiểm tra bạn đã chọn Rotation trong hộp thoại Factor chưa. Nếu chỉ có một nhân tố được trích, SPSS có thể không tạo bảng xoay vì không có nhiều nhân tố để xoay. Bạn cũng cần xem bảng Total Variance Explained để biết SPSS thực sự đã trích bao nhiêu nhân tố.

Nếu các biến có tương quan quá thấp hoặc dữ liệu bị lỗi missing, EFA có thể không chạy đúng. Đọc thông báo trong cửa sổ Output, kiểm tra số quan sát hợp lệ và xem lại các mã 99, 999 hoặc ký hiệu chữ đã nhập nhầm.

Một biến tải cao vào hai nhân tố

Đừng loại biến chỉ vì nó có hai con số lớn. Đọc câu chữ của biến và xem nó có đang đo đồng thời hai khái niệm không. Nếu biến thuộc về một khái niệm rõ ràng nhưng dữ liệu tải chéo, bạn có thể thử kiểm tra lỗi nhập liệu, reverse code và chất lượng câu trả lời trước khi quyết định.

Các biến cùng thang đo bị tách thành nhiều nhân tố

Xem lại cách đặt số nhân tố, phép trích, phép xoay và chất lượng bản dịch bảng hỏi. Nếu nhiều biến bị tách ổn định qua các vòng chạy, cấu trúc lý thuyết hoặc cách diễn đạt trong bối cảnh của bạn có thể khác dự kiến. Khi đó, cần báo cáo kết quả thực tế và trao đổi với giảng viên, thay vì ép các biến vào nhóm ban đầu.

Cronbach's Alpha giảm sau khi loại biến

EFA và Cronbach's Alpha trả lời các câu hỏi khác nhau. Một biến có thể có loading khá tốt nhưng làm giảm độ tin cậy nội tại, hoặc ngược lại. Hãy chạy lại độ tin cậy cho cấu trúc cuối cùng sau EFA, không dùng Alpha của bộ biến trước khi loại để kết luận cho bộ biến mới.

Câu hỏi thường gặp

Ma trận xoay là gì trong SPSS?

Ma trận xoay là bảng thể hiện factor loading của từng biến quan sát trên các nhân tố sau khi SPSS thực hiện phép xoay. Với Varimax, bảng thường có tên Rotated Component Matrix. Bạn đọc theo hàng để xem biến tải mạnh nhất vào cột nhân tố nào.

Ma trận xoay bao nhiêu là đạt?

Factor loading từ 0.5 trở lên thường được sử dụng làm mốc tham khảo (Hair và cộng sự, 2010). Ngoài giá trị cao nhất, bạn cần xem tải chéo, chênh lệch giữa các loading, KMO, Bartlett, tổng phương sai trích và ý nghĩa nội dung của biến.

EFA bị lộn xộn thì xử lý thế nào?

Kiểm tra missing values, biến đảo chiều, biến nhập sai mã và nhóm biến trước. Sau đó xem loading, communality và nội dung của từng biến, loại có lý do từng biến một rồi chạy lại. Đổi phép xoay có thể phù hợp khi các nhân tố tương quan, nhưng không nên dùng để làm đẹp output.

Vì sao SPSS không xuất hiện ma trận xoay EFA?

Trường hợp phổ biến là bạn chưa chọn phép xoay trong Analyze > Dimension Reduction > Factor > Rotation, hoặc kết quả chỉ trích được một nhân tố. Hãy xem Total Variance Explained, kiểm tra dữ liệu và đảm bảo có từ hai nhân tố trở lên trước khi tìm bảng xoay.

Có nên xóa biến tải chéo ngay không?

Bạn nên xem nội dung biến, loading cao nhất, loading thứ hai, chênh lệch giữa chúng và ảnh hưởng đến độ bao phủ của thang đo. Nếu xóa, hãy ghi lại lý do và chạy lại EFA, Cronbach's Alpha cho bộ biến còn lại. Việc xóa hàng loạt chỉ để đạt ngưỡng có thể khiến thang đo mất ý nghĩa.

Mở file .sav của bạn, lưu lại output EFA vòng đầu, đánh dấu từng biến tải thấp hoặc tải chéo rồi đối chiếu với ngưỡng và nguồn trong bài. Nếu bạn cần chạy phân tích trên chính dữ liệu SPSS hoặc CSV của mình, M4 phân tích thực hiện bước này bằng SPSS và SmartPLS, không tự tạo số liệu.