Cách chạy ma trận xoay trong SPSS và đọc kết quả EFA
Khi nào dùng ma trận xoay trong SPSS
Bạn gặp ma trận xoay sau khi chạy EFA, tức Exploratory Factor Analysis. Output thường có bảng Rotated Component Matrix, trong đó mỗi hàng là một biến quan sát và mỗi cột là một nhân tố được trích. Mục tiêu của bước này là xem các biến quan sát có tập trung vào đúng nhóm khái niệm dự kiến hay không.
Ví dụ, mô hình của bạn có các khái niệm Chất lượng dịch vụ, Sự hài lòng và Ý định tiếp tục sử dụng. Bạn đưa các biến quan sát vào EFA, sau đó kiểm tra xem các biến CLDV1, CLDV2, HL1 hay YD1 có cùng tải lên một nhân tố hay bị trộn sang nhóm khác. Vì vậy, ma trận xoay nhân tố là gì có thể hiểu ngắn gọn như sau: đây là bảng giúp bạn diễn giải cấu trúc các nhân tố sau khi SPSS xoay các trục nhân tố để mẫu hình tải trở nên dễ đọc hơn.
Ma trận xoay phù hợp khi bạn chưa chắc cấu trúc thang đo trong dữ liệu thực tế giống hoàn toàn mô hình lý thuyết. EFA thường được chạy sau Cronbach's Alpha và trước hồi quy, CFA hoặc mô hình cấu trúc. Nếu bạn đã có mô hình đo lường xác nhận rõ ràng, CFA trong AMOS hoặc một công cụ SEM có thể phù hợp hơn. Bạn có thể xem thêm hướng phân biệt tại bài CFA, còn quy trình tổng quát nằm ở EFA.
Kết quả EFA không tự động chứng minh một thang đo tốt. Bạn vẫn phải xem KMO, Bartlett's Test, số nhân tố, Total Variance Explained, communalities và tải nhân tố. Riêng bảng ma trận xoay chỉ trả lời một phần câu hỏi: biến nào đang thuộc về nhân tố nào.
Chuẩn bị dữ liệu trước khi chạy
Trước khi mở hộp thoại Factor Analysis, hãy kiểm tra file .sav của bạn. Mỗi dòng nên là một người trả lời, mỗi cột là một biến quan sát. Các biến đưa vào EFA phải là dữ liệu số, thường được mã hóa theo thang Likert từ 1 đến 5 hoặc từ 1 đến 7. Không đưa mã sinh viên, giới tính dạng chữ, câu hỏi sàng lọc hoặc biến kết quả tổng hợp vào cùng một lần chạy nếu chúng không thuộc thang đo cần khám phá.
Missing value cần được kiểm tra trước. Nếu một biến có nhiều ô trống, số quan sát dùng trong EFA có thể thay đổi và làm kết quả dao động. Vào Analyze > Descriptive Statistics > Frequencies để xem dữ liệu thiếu, giá trị ngoài khoảng và các mã như 99, 999. Nếu 99 là mã không trả lời, hãy khai báo nó là missing hoặc xử lý theo quy tắc đã ghi trong phương pháp nghiên cứu.
Các biến đảo chiều phải được recode trước khi chạy. Chẳng hạn, thang đo 1 đến 5 có biến phủ định X3, công thức đảo là X3R = 6 - X3. Nếu quên bước này, biến vẫn có thể tải âm hoặc tách khỏi các biến cùng khái niệm. Bạn cần lưu một cột mới thay vì ghi đè dữ liệu gốc, để có thể giải trình khi giảng viên hỏi.
Kiểm tra tên biến và nhãn biến. Tên ngắn như CLDV1, CLDV2, HL1 giúp đọc bảng dễ hơn. Nhãn tiếng Việt vẫn nên được khai báo trong Variable View để nhận diện nội dung. Nếu bạn chưa rõ communality được dùng ở đâu, có thể xem bài communality trước khi diễn giải bảng kết quả.
EFA cần các biến có cơ sở lý thuyết hoặc nội dung đo lường liên quan. Không gom mọi biến số trong file vào một lần chạy chỉ để có một bảng đẹp. Việc chọn biến phải bám vào mô hình, giả thuyết và thang đo của đề tài.
Các bước chạy ma trận xoay trong SPSS
Bước 1: Mở hộp thoại Factor Analysis
Trong SPSS, chọn Analyze > Dimension Reduction > Factor. Bôi đen các biến quan sát của nhóm thang đo cần kiểm định rồi đưa sang ô Variables. Bạn có thể chạy toàn bộ biến độc lập và phụ thuộc trong một mô hình EFA nếu phương pháp của đề tài yêu cầu, nhưng cần ghi rõ cách làm trong chương phương pháp.
Không đưa biến định danh hoặc biến phân loại chưa được mã hóa phù hợp vào ô này. Nếu bạn chỉ muốn kiểm tra một thang đo riêng, hãy chọn đúng các biến của thang đo đó và lưu lại kết quả theo từng lần chạy.
Bước 2: Chọn kiểm định KMO và Bartlett
Chọn nút Descriptives. Đánh dấu KMO and Bartlett's test of sphericity, Initial solution và có thể chọn Anti-image. Bảng KMO and Bartlett's Test giúp bạn biết ma trận tương quan có đủ phù hợp để chạy EFA hay chưa.
KMO thấp có thể xuất phát từ cỡ mẫu nhỏ, biến quan sát không liên hệ hoặc việc gom sai các khái niệm. Bartlett có p-value lớn cũng là tín hiệu cần xem lại dữ liệu và nhóm biến, thay vì bỏ qua để đi thẳng đến ma trận xoay.
Bước 3: Chọn phương pháp trích nhân tố
Bấm Extraction. Nếu mục tiêu là khám phá cấu trúc nhân tố, nhiều luận văn chọn Principal Axis Factoring. Nếu đề tài và giảng viên yêu cầu Principal Components, hãy ghi rõ lựa chọn đó vì Principal Component Analysis có mục tiêu xử lý khác với việc tìm nhân tố tiềm ẩn.
Ở Analyze, chọn Correlation matrix. Trong phần Extract, bạn có thể chọn Eigenvalues over 1 theo quy tắc thường được dùng, đồng thời xem Scree plot. Việc giữ bao nhiêu nhân tố không nên dựa duy nhất vào một con số. Hãy đối chiếu eigenvalue, scree plot, nội dung lý thuyết và khả năng diễn giải.
Bước 4: Chọn phép xoay nhân tố
Bấm Rotation. Nếu các nhân tố được giả định có tương quan, chọn phép xoay xiên như Direct Oblimin hoặc Promax. Nếu bạn giả định các nhân tố độc lập, có thể chọn Varimax. Trong các đề tài hành vi, các khái niệm thường có liên hệ nên phép xoay xiên cần được cân nhắc thay vì mặc định chọn Varimax.
Đánh dấu Rotated solution nếu có tùy chọn này. Với phép xoay xiên, SPSS có thể hiển thị Pattern Matrix và Structure Matrix. Pattern Matrix thường được dùng để đọc tải riêng của biến lên nhân tố, còn Structure Matrix phản ánh tương quan giữa biến và nhân tố. Hãy ghi rõ bạn dùng bảng nào trong luận văn.
Bước 5: Hiển thị tải nhân tố dễ đọc hơn
Bấm Options, chọn Sorted by size để SPSS sắp xếp các hệ số trong từng cột theo độ lớn. Có thể chọn Suppress small coefficients và nhập 0.30 hoặc 0.40 để bảng bớt rối. Tuy nhiên, khi cần kiểm tra biến tải chéo, đừng ẩn quá nhiều hệ số. Một bảng bị suppress toàn bộ tải nhỏ có thể làm bạn không nhận ra biến đang tải ở hai nhân tố.
Bấm Continue, sau đó OK. Lưu bảng KMO and Bartlett's Test, Total Variance Explained, Rotated Component Matrix hoặc Pattern Matrix, cùng với Communalities. Đừng chỉ chụp riêng ma trận xoay vì các bảng trước đó là căn cứ để kết luận EFA có phù hợp.
Đọc kết quả output
Trong output, hãy đọc theo thứ tự từ tính phù hợp đến cấu trúc nhân tố. Trước hết xem KMO and Bartlett's Test. Tiếp theo xem số nhân tố và tỷ lệ phương sai trích trong Total Variance Explained. Sau đó mới đọc Rotated Component Matrix.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột và hình dạng số liệu mô phỏng output SPSS để bạn biết cần nhìn vào đâu.
| Rotated Component Matrixa | Component 1 | Component 2 | Component 3 |
|---|---|---|---|
| CLDV1 | .812 | .124 | .091 |
| CLDV2 | .776 | .168 | .102 |
| CLDV3 | .694 | .231 | .145 |
| HL1 | .142 | .835 | .119 |
| HL2 | .188 | .801 | .173 |
| HL3 | .264 | .748 | .201 |
| YD1 | .104 | .156 | .862 |
| YD2 | .132 | .214 | .817 |
| YD3 | .219 | .205 | .779 |
| Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. |
Trong ví dụ này, CLDV1 đến CLDV3 tập trung ở Component 1, HL1 đến HL3 tập trung ở Component 2, còn YD1 đến YD3 tập trung ở Component 3. Nếu một biến có tải .530 ở Component 1 và .512 ở Component 2, đó là tải chéo, cần xem lại cả nội dung biến lẫn cấu trúc lý thuyết.
Không đọc nhầm dấu chấm trong SPSS. .812 nghĩa là 0.812. Dấu âm không tự động đồng nghĩa với biến phải bị loại, đặc biệt khi biến đã được đảo chiều hoặc khi bạn dùng phép xoay khác. Hãy kiểm tra cách mã hóa và nội dung câu hỏi trước khi ra quyết định.
Nếu SPSS hiện Rotated Component Matrix với phép Varimax, các cột thường được gọi là Component. Sau khi xác định nhóm biến, bạn đặt tên nhân tố dựa trên nội dung chung của các biến, không đặt tên chỉ vì Component 1 là nhóm đầu tiên. Nếu dùng Promax hoặc Direct Oblimin, ưu tiên đọc Pattern Matrix và báo cáo đúng tên bảng.
Tiêu chí đánh giá
Không có một ngưỡng duy nhất đủ để quyết định giữ hay loại biến. Bạn cần kết hợp các tiêu chí dưới đây với lý thuyết và số vòng chạy. Những ngưỡng trong bảng đều có nguồn để bạn có thể đưa vào phần phương pháp hoặc giải trình với giảng viên.
| Nội dung kiểm tra | Mức tham khảo | Nguồn |
|---|---|---|
| KMO | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | p-value dưới 0.05 | (Kaiser, 1974) |
| Eigenvalue | Lớn hơn 1 khi dùng quy tắc này | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Factor loading | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| Cronbach's Alpha | Từ 0.7; thang đo khám phá có thể từ 0.6 | (Nunnally, 1978); (Hair và cộng sự, 2010) |
Cụm từ ma trận xoay nhân tố bao nhiêu là tốt thường khiến người đọc tìm một con số duy nhất. Thực tế, loading từ 0.5 trở lên là mốc tham khảo phổ biến, nhưng bạn còn phải xem biến có tải cao nhất rõ ràng hay không. Một biến có loading 0.58 ở nhân tố dự kiến và 0.56 ở nhân tố khác vẫn cần xem xét vì chênh lệch quá nhỏ.
Bạn cũng nên xem Communalities, tức phần phương sai của mỗi biến được các nhân tố giải thích. Communality thấp cho thấy biến có thể không phù hợp với cấu trúc chung, nhưng quyết định loại biến cần đi cùng nội dung thang đo và kết quả các bảng khác. Nếu muốn xem quy trình EFA đầy đủ, bạn có thể mở bài ma trận xoay và bài SPSS.
Cách viết kết quả vào luận văn
Cách viết vào luận văn: “Kết quả EFA lần thứ [số lần chạy] cho thấy chỉ số KMO đạt [giá trị KMO], lớn hơn 0.5 và kiểm định Bartlett's Test có ý nghĩa thống kê với Sig. = [giá trị p]. Phân tích trích được [số nhân tố] nhân tố, giải thích [tỷ lệ phương sai]% tổng phương sai. Các biến quan sát có factor loading từ [giá trị thấp nhất] đến [giá trị cao nhất], do đó [số biến] biến được giữ lại để phân tích tiếp theo.”
Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu thật từ output. Nếu có biến bị loại, ghi rõ mã biến, lý do loại và số vòng EFA. Ví dụ, bạn có thể viết: “Biến X4 bị loại ở lần chạy thứ hai do tải chéo trên hai nhân tố và chênh lệch tải nhỏ, sau đó mô hình được chạy lại với các biến còn lại.” Chỉ dùng câu này nếu đúng với output của bạn.
Bảng kết quả trong chương 4 nên có số nhân tố, mã biến, factor loading và tên nhân tố. Không cần dán nguyên ảnh màn hình SPSS nếu bảng đã đủ thông tin, nhưng nên lưu output gốc để đối chiếu khi được hỏi.
Lỗi thường gặp khi chạy ma trận xoay trong SPSS
Ma trận xoay lộn xộn phải làm sao
Nếu nhiều biến tải lên nhiều cột, kiểm tra trước việc đảo chiều, missing value và nhóm biến đưa vào. Sau đó xem nội dung câu hỏi có thực sự đo cùng một khái niệm không. Bạn có thể chạy lại sau khi loại một biến tải chéo rõ ràng, nhưng phải ghi lại từng vòng và không loại hàng loạt chỉ để bảng đẹp.
Ma trận xoay không hội tụ phải làm sao
Thông báo không hội tụ thường liên quan đến cấu trúc tương quan, số nhân tố yêu cầu, biến gần như trùng nhau hoặc cỡ mẫu. Thử kiểm tra ma trận tương quan, xem biến có phương sai bằng 0 không và rà lại số nhân tố. Bạn có thể đổi phép xoay phù hợp với giả định tương quan giữa các nhân tố, nhưng không nên đổi phương pháp liên tục mà không giải thích.
Chỉ có một nhân tố hoặc số nhân tố sai kỳ vọng
Số nhân tố thực tế có thể khác mô hình ban đầu. Xem Scree Plot, eigenvalue, nội dung biến và cơ sở lý thuyết. Nếu các biến của hai khái niệm trộn vào nhau, hãy báo cáo phát hiện đó và trao đổi với giảng viên thay vì ép SPSS tạo đúng số nhóm mong muốn.
Chỉ giữ các biến có loading cao nhất
Loading cao là chưa đủ. Bạn cần kiểm tra tải chéo, communality, độ tin cậy và ý nghĩa nội dung. Loại một biến có thể làm thang đo mất khía cạnh quan trọng, dù các chỉ số kỹ thuật sau đó đẹp hơn.
Câu hỏi thường gặp
Ma trận xoay nhân tố là gì
Đó là bảng trong output EFA cho biết mỗi biến quan sát liên hệ mạnh đến nhân tố nào sau phép xoay. Trong SPSS, bảng thường có tên Rotated Component Matrix hoặc Pattern Matrix, tùy phương pháp xoay bạn chọn.
Ma trận xoay nhân tố bao nhiêu là tốt
Factor loading từ 0.5 trở lên thường được dùng làm mốc tham khảo trong nghiên cứu định lượng, theo (Hair và cộng sự, 2010). Bạn vẫn phải xem tải chéo, số nhân tố, Total Variance Explained và ý nghĩa lý thuyết của biến.
Có nên chọn Varimax cho mọi đề tài không
Không. Varimax giả định các nhân tố độc lập, còn Promax và Direct Oblimin cho phép các nhân tố tương quan. Hãy chọn dựa trên mô hình nghiên cứu và ghi rõ phương pháp trong luận văn.
Loại biến xong có phải chạy lại EFA không
Có. Khi loại biến, tương quan và cấu trúc nhân tố có thể thay đổi. Bạn nên chạy lại EFA, kiểm tra lại KMO, Bartlett, phương sai trích và ma trận xoay, đồng thời lưu các phiên bản output.
Có thể chỉ báo cáo ma trận xoay mà bỏ KMO không
Không nên. Ma trận xoay cho biết cấu trúc tải nhân tố, còn KMO và Bartlett giúp chứng minh dữ liệu phù hợp để phân tích nhân tố. Một báo cáo EFA đầy đủ cần trình bày các bảng và tiêu chí liên quan, không chỉ một bảng loading.
Mở file SPSS của bạn, kiểm tra biến đảo chiều và missing value trước, sau đó chạy lại theo đúng thứ tự menu trong bài và lưu từng output. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích dữ liệu của DoThesis hỗ trợ bước này mà không bịa số liệu.