Nhân tố là gì trong phân tích dữ liệu và EFA
Nhân tố là gì
Bạn mở output SPSS và thấy các cột Component, Eigenvalue, Factor Loading hoặc bảng Rotated Component Matrix, nhưng chưa biết chúng đang nói về điều gì. Trong phân tích dữ liệu, nhân tố là một khái niệm tiềm ẩn được suy ra từ mối tương quan giữa nhiều biến quan sát. Chẳng hạn, mức độ dễ sử dụng, thao tác đơn giản và khả năng học nhanh có thể cùng phản ánh một nhân tố tiềm ẩn là “tính dễ sử dụng”.
Nhân tố không phải là một biến bạn đo trực tiếp bằng một câu hỏi duy nhất. Bạn đo nó thông qua một nhóm biến quan sát trong bảng hỏi, thường được mã hóa như SD1, SD2, SD3 hoặc PU1, PU2, PU3. Phân tích nhân tố khám phá, thường gọi là EFA, tìm cách gom những biến có tương quan cao vào cùng một nhóm và tách chúng khỏi các nhóm khác.
Về mặt kỹ thuật, EFA phân tích ma trận tương quan giữa các biến quan sát. Mỗi nhân tố được biểu diễn bằng một tổ hợp tuyến tính của các biến đó. Kết quả bạn cần quan tâm thường gồm số lượng nhân tố được trích, Eigenvalue, phần trăm phương sai giải thích và hệ số tải nhân tố, còn gọi là factor loading.
Nếu đề tài của bạn dùng các khái niệm như chất lượng dịch vụ, sự hài lòng hoặc ý định sử dụng, hãy xem thêm scale là gì để phân biệt khái niệm, thang đo và biến quan sát trước khi chạy EFA.
Ý nghĩa của nhân tố trong nghiên cứu định lượng
Nhân tố giúp bạn kiểm tra cấu trúc của thang đo trước khi đưa các biến vào hồi quy, SEM hoặc PLS-SEM. Về câu hỏi nghiên cứu, bạn đang kiểm tra xem các biến quan sát được thiết kế để đo một khái niệm có thực sự đi cùng nhau trong dữ liệu thu thập hay không.
Ví dụ, mô hình của bạn có ba khái niệm: chất lượng thông tin, sự tin tưởng và ý định tiếp tục sử dụng. Mỗi khái niệm có bốn biến quan sát. Nếu EFA tạo ra ba nhóm và các biến của từng khái niệm cùng tải mạnh vào nhóm tương ứng, cấu trúc thang đo đang phù hợp với kỳ vọng ban đầu.
Nếu một biến quan sát tải mạnh vào hai nhân tố, biến đó có thể có nội dung giao thoa. Nếu hai khái niệm dự kiến tách biệt lại nằm chung một nhóm, bạn cần xem lại wording của bảng hỏi, bối cảnh khảo sát hoặc cơ sở lý thuyết. EFA cung cấp bằng chứng từ dữ liệu, nhưng không tự quyết định ý nghĩa của nhân tố. Bạn vẫn phải đọc nội dung biến và đối chiếu với mô hình nghiên cứu.
Trong quy trình định lượng, EFA thường được đặt sau kiểm tra độ tin cậy thang đo và trước hồi quy hoặc mô hình cấu trúc. Bạn có thể xem chủ đề Thống kê để đặt EFA vào toàn bộ quy trình xử lý số liệu. Nếu dữ liệu có giá trị quá lệch hoặc quan sát bất thường, hãy kiểm tra outliers trước khi diễn giải kết quả nhân tố.
EFA cũng giúp bạn phát hiện những vấn đề mà Cronbach's Alpha không cho thấy. Một thang đo có Alpha khá nhưng các biến lại chia thành hai nhóm khác nhau. Khi đó, chỉ nhìn Alpha để kết luận thang đo một chiều là chưa đủ.
Nhân tố bao nhiêu là đạt
Không có một con số nhân tố cố định áp dụng cho mọi đề tài. Số nhân tố hợp lý phải đồng thời phù hợp với mô hình lý thuyết, nội dung biến quan sát và các chỉ số trong output. Bạn không nên chọn số nhân tố chỉ vì phần mềm tạo ra bảng đẹp hơn.
Các ngưỡng dưới đây thường được dùng khi đọc EFA. Mỗi dòng đi kèm nguồn để bạn có thể giải trình trong chương 4.
| Chỉ số hoặc tiêu chí | Mức tham khảo | Nguồn |
|---|---|---|
| KMO | Từ 0,5 trở lên | (Kaiser, 1974) |
| Bartlett's Test of Sphericity | Sig. nhỏ hơn 0,05 | (Kaiser, 1974) |
| Eigenvalue | Lớn hơn 1 | (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) |
| Số quan sát trên mỗi biến | Khoảng 5 đến 10 quan sát cho một biến | (Hair và cộng sự, 2010) |
KMO cho biết dữ liệu có đủ phù hợp để phân tích nhân tố hay không. Bartlett's Test kiểm tra ma trận tương quan giữa các biến có khác ma trận đơn vị hay không. Trong output SPSS, bạn thường xem cột Sig. của Bartlett. Nếu Sig. nhỏ hơn 0,05, các biến có tương quan tuyến tính đủ để tiếp tục xem xét EFA.
Eigenvalue phản ánh lượng phương sai được một nhân tố giải thích. Quy tắc Eigenvalue lớn hơn 1 là cách trích thường được dùng, nhưng bạn nên xem thêm Scree Plot và ý nghĩa lý thuyết của từng nhóm. Một nhân tố chỉ vừa vượt 1 nhưng có hai biến khó diễn giải chưa chắc là một nhân tố tốt.
Total Variance Explained cho biết các nhân tố được giữ lại giải thích bao nhiêu phần trăm biến thiên của toàn bộ biến quan sát. Mức từ 50% trở lên thường được tham khảo cho nghiên cứu định lượng theo (Hair và cộng sự, 2010). Đây là ngưỡng tham khảo, không phải lý do để giữ một cấu trúc không có ý nghĩa nội dung.
Factor loading từ 0,5 trở lên thường được xem là đạt theo (Hair và cộng sự, 2010). Một biến có loading 0,52 không nên tự động được đánh giá tốt hơn biến 0,48 nếu nội dung, cross-loading và độ tin cậy của thang đo chưa được xem xét cùng nhau.
Cách đọc nhân tố trên output
Trong SPSS, đường dẫn phổ biến để chạy EFA là Analyze > Dimension Reduction > Factor. Đưa các biến quan sát cần kiểm tra vào ô Variables, chọn Descriptives để bật KMO and Bartlett's test và chọn Initial solution. Trong Extraction, có thể chọn Principal Axis Factoring khi mục tiêu là khám phá cấu trúc tiềm ẩn. Nếu trường của bạn yêu cầu Principal Component Analysis, hãy ghi đúng phương pháp đã dùng trong luận văn.
Tại Rotation, chọn Varimax khi giả định các nhân tố không tương quan. Nếu các khái niệm có thể tương quan trong mô hình, Promax thường phù hợp hơn về mặt diễn giải. Trong Options, chọn Sorted by size và đặt hệ số nhỏ hơn một mức hiển thị phù hợp, chẳng hạn 0,50, để bảng dễ đọc. Việc ẩn hệ số nhỏ chỉ làm output gọn hơn, không làm biến mất thông tin khỏi phép tính.
Bảng quan trọng nhất để đọc nhóm biến là Rotated Component Matrix với Varimax, hoặc Pattern Matrix và Structure Matrix khi dùng phép xoay xiên như Promax. Bạn xem mỗi biến có loading cao nhất ở nhân tố nào, có tải chéo đáng kể ở nhân tố khác hay không, rồi đối chiếu mã biến với nội dung bảng hỏi.
Số liệu minh họa
Bảng dưới đây là số liệu minh họa, được trình bày theo hình dạng output SPSS. Đây không phải kết quả của một nghiên cứu cụ thể và không được chép vào luận văn như số liệu thật.
| Bảng trong SPSS | Chỉ số hoặc biến | Component 1 | Component 2 | Component 3 |
|---|---|---|---|---|
| KMO and Bartlett's Test | KMO Measure of Sampling Adequacy | 0,812 | ||
| KMO and Bartlett's Test | Bartlett's Test, Sig. | 0,000 | ||
| Total Variance Explained | Eigenvalue của nhân tố | 4,218 | 2,106 | 1,347 |
| Total Variance Explained | Cumulative % | 35,150 | 52,700 | 63,920 |
| Rotated Component Matrix | PU1 | 0,812 | 0,174 | 0,092 |
| Rotated Component Matrix | PU2 | 0,779 | 0,213 | 0,118 |
| Rotated Component Matrix | TR1 | 0,146 | 0,824 | 0,201 |
| Rotated Component Matrix | TR2 | 0,205 | 0,756 | 0,244 |
| Rotated Component Matrix | YD1 | 0,101 | 0,226 | 0,801 |
| Rotated Component Matrix | YD2 | 0,187 | 0,281 | 0,748 |
Với số liệu minh họa này, KMO đạt mức tham khảo và Bartlett có Sig. bằng 0,000, nên dữ liệu phù hợp để xem xét EFA. Ba nhân tố có Eigenvalue lớn hơn 1 và tổng phương sai giải thích lũy kế là 63,920%. Các biến PU1, PU2 tải cao nhất vào Component 1, TR1, TR2 vào Component 2, còn YD1, YD2 vào Component 3.
Khi đọc output thật, bạn cần kiểm tra toàn bộ biến, không chỉ hai biến đại diện như bảng minh họa. Một biến có loading cao nhất 0,60 ở Component 1 nhưng cũng có 0,55 ở Component 2 cần được xem xét vì khoảng cách giữa hai loading nhỏ. Quyết định loại biến phải dựa trên nội dung, lý thuyết, độ tin cậy và mục tiêu mô hình.
Khi nhân tố không đạt thì xử lý thế nào
EFA hiếm khi ra đẹp ngay lần chạy đầu. Bạn xử lý theo thứ tự dưới đây để tránh loại biến tùy tiện.
Kiểm tra dữ liệu và mã hóa
Xem lại kiểu dữ liệu, giá trị thiếu, biến đảo chiều và các mã trả lời ngoài thang đo. Một biến đảo chiều chưa được recode có thể tương quan ngược với các biến còn lại. Kiểm tra thêm các quan sát bất thường trước khi chạy lại, nhưng không xóa dòng dữ liệu chỉ vì nó làm chỉ số đẹp hơn.
Kiểm tra biến có loading thấp hoặc tải chéo
Đọc Rotated Component Matrix hoặc Pattern Matrix, ghi lại biến có loading thấp, tải chéo hoặc đứng một mình ở một nhân tố. Đối chiếu wording của biến với khái niệm. Nếu biến không đo đúng nội dung của khái niệm, bạn có cơ sở phương pháp để cân nhắc loại.
Loại từng biến và chạy lại
Chỉ nên loại từng biến một, sau đó chạy lại EFA để biết cấu trúc thay đổi thế nào. Lưu lại bảng output của từng vòng, mã biến đã loại và lý do. Hội đồng có thể hỏi vì sao PU3 bị loại, nên câu trả lời cần dựa trên loading, tải chéo hoặc nội dung đo lường, không phải câu “SPSS báo vậy”.
Xem lại số lượng nhân tố
Nếu số lượng nhân tố trích không khớp mô hình, xem Scree Plot, Eigenvalue và ý nghĩa lý thuyết. Có thể mô hình đang có hai khái niệm quá gần nhau, hoặc bảng hỏi chưa phân biệt tốt các khái niệm. Ép số nhân tố để đúng với giả thuyết chỉ phù hợp khi quyết định đó có lý do lý thuyết rõ ràng.
Quay lại thiết kế thang đo khi cần
Nếu sau nhiều vòng, các biến vẫn tải lẫn lộn hoặc một nhân tố chỉ còn một biến, vấn đề có thể nằm ở thang đo và mẫu dữ liệu. Khi đó, phần mềm không thể sửa nội dung biến. Bạn cần trao đổi với giảng viên về việc giữ, loại hoặc thiết kế lại thang đo, thay vì chạy đi chạy lại cùng một file.
Phân biệt nhân tố với biến tiềm ẩn và biến điều tiết
Nhân tố là cấu trúc được rút ra từ quan hệ giữa các biến quan sát trong một phép phân tích, thường là EFA hoặc CFA. Biến tiềm ẩn là khái niệm không quan sát trực tiếp, được đo bằng nhiều biến quan sát trong mô hình đo lường. Trong nhiều luận văn, hai từ này được dùng gần nhau, nhưng “nhân tố” nhấn mạnh kết quả phân tích, còn “biến tiềm ẩn” nhấn mạnh vai trò của khái niệm trong mô hình.
Biến điều tiết thay đổi độ mạnh hoặc hướng của quan hệ giữa biến độc lập và biến phụ thuộc. Nó không phải là nhóm biến được gom từ EFA. Bạn có thể đọc thêm về moderator và moderating nếu output của bạn liên quan đến tương tác giữa các biến.
Mediator giải thích cơ chế truyền dẫn từ biến độc lập đến biến phụ thuộc. Ví dụ, chất lượng dịch vụ ảnh hưởng đến lòng trung thành thông qua sự hài lòng. Mediator cũng là một vai trò trong mô hình cấu trúc, không phải một nhân tố được xác định chỉ bằng bảng Rotated Component Matrix. Xem thêm mediator để tách hai khái niệm này khi viết giả thuyết.
Một khái niệm có thể vừa là nhân tố trong kết quả EFA, vừa là biến tiềm ẩn trong mô hình. Tuy nhiên, một nhân tố không tự động trở thành biến điều tiết hay mediator. Vai trò đó phải được xác định từ mô hình nghiên cứu và giả thuyết.
Lỗi thường gặp
Lỗi đầu tiên là gọi mọi cột trong Rotated Component Matrix là “nhân tố” mà không xem số nhân tố được trích. Cột Component chỉ là cách SPSS đánh số nhóm trong output. Bạn cần đặt tên nhân tố dựa trên các biến có loading cao và cơ sở lý thuyết.
Lỗi thứ hai là giữ biến vì loading vừa đủ 0,50 dù biến có tải chéo cao hoặc làm nội dung nhóm trở nên khó giải thích. Ngưỡng số học cần được đọc cùng cấu trúc thang đo. Ngược lại, loại ngay mọi biến dưới 0,70 cũng là cách làm máy móc, vì ngưỡng tham khảo cho factor loading trong bối cảnh này là từ 0,50 theo (Hair và cộng sự, 2010).
Lỗi thứ ba là dùng KMO để kết luận thang đo có độ tin cậy. KMO nói về mức độ phù hợp của dữ liệu cho phân tích nhân tố. Độ tin cậy nội tại cần được xem qua Cronbach's Alpha, Corrected Item-Total Correlation và các chỉ số phù hợp khác.
Lỗi thứ tư là trộn EFA với PLS-SEM. Trong SmartPLS, bạn sẽ gặp Outer Loadings, Composite Reliability, AVE và HTMT, không phải Rotated Component Matrix của SPSS. Nếu chạy mô hình PLS-SEM, không đưa CFI, TLI hoặc RMSEA của CB-SEM vào phần đánh giá SmartPLS.
Lỗi cuối là chỉ báo cáo “có nhân tố” mà không nêu phương pháp trích, phép xoay, số biến ban đầu, số biến bị loại và tổng phương sai giải thích. Người đọc cần biết bạn đã ra quyết định thế nào qua từng bước.
Câu hỏi thường gặp
Nhân tố là gì trong phân tích dữ liệu?
Nhân tố là khái niệm tiềm ẩn được suy ra từ mối tương quan giữa nhiều biến quan sát. Trong EFA, nhân tố đại diện cho một nhóm biến có xu hướng cùng biến thiên và được thể hiện qua factor loading.
Phân tích nhân tố khám phá EFA dùng khi nào?
Bạn dùng EFA khi muốn khám phá hoặc kiểm tra sơ bộ cấu trúc của thang đo, đặc biệt khi thang đo được điều chỉnh cho bối cảnh, đối tượng hoặc ngôn ngữ mới. EFA thường được thực hiện trước hồi quy hoặc mô hình cấu trúc.
Nhân tố có Eigenvalue bao nhiêu là đạt?
Quy tắc tham khảo phổ biến là Eigenvalue lớn hơn 1, theo (Kaiser, 1960). Bạn vẫn cần xem Scree Plot, tổng phương sai giải thích và khả năng diễn giải của nhân tố. Eigenvalue vừa vượt 1 không đủ để chứng minh một nhân tố có ý nghĩa.
Factor loading bao nhiêu là đạt?
Factor loading từ 0,50 trở lên thường được dùng làm ngưỡng tham khảo theo (Hair và cộng sự, 2010). Nếu biến có tải chéo, bạn cần xem khoảng cách giữa các loading, nội dung biến và ảnh hưởng của việc giữ hoặc loại biến.
Số lượng nhân tố trích không phù hợp thì làm sao?
Trước tiên, kiểm tra mã hóa, biến đảo chiều, dữ liệu thiếu và các quan sát bất thường. Sau đó xem Scree Plot, loading và nội dung thang đo. Bạn có thể loại từng biến có loading thấp hoặc tải chéo, chạy lại và ghi lại lý do. Nếu cấu trúc vẫn không ổn định, cần trao đổi về thiết kế thang đo và mô hình thay vì ép output theo mong muốn.
Có nên loại biến để KMO và loading đẹp hơn không?
Chỉ loại biến khi có lý do phương pháp và nội dung rõ ràng. Hãy ghi lại chỉ số trước và sau khi loại, kiểm tra độ tin cậy của thang đo và giải thích quyết định trong luận văn. Một output đẹp nhưng thiếu căn cứ sẽ khó bảo vệ khi được hỏi lại.
Mở file SPSS của bạn, ghi lại phương pháp trích, phép xoay, KMO, Bartlett, số nhân tố, tổng phương sai và các biến có loading thấp trước khi quyết định vòng chạy tiếp theo; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích của DoThesis.