Pattern Matrix là gì? Cách đọc ma trận Pattern Matrix trong SPSS
Pattern Matrix là gì
Bạn chạy EFA trong SPSS, mở bảng Pattern Matrix và thấy mỗi biến quan sát có một dãy hệ số dưới các cột Factor 1, Factor 2, Factor 3. Pattern Matrix là bảng thể hiện hệ số tải nhân tố riêng phần của từng biến quan sát lên các nhân tố sau khi xoay, thường xuất hiện khi bạn dùng phương pháp trích và phép xoay phù hợp với mô hình nhân tố.
Trong thực hành luận văn, Pattern Matrix thường được dùng để trả lời ba câu hỏi: biến quan sát này thuộc nhân tố nào, mức độ liên hệ với nhân tố đó có đủ mạnh không, và biến có tải đồng thời lên nhiều nhân tố hay không. Bạn cần xem bảng này cùng với KMO and Bartlett's Test, Total Variance Explained, Communalities và các bảng kiểm tra thang đo, thay vì kết luận chỉ từ một ô số.
Về mặt khái niệm, hệ số trong Pattern Matrix cho biết mức liên hệ giữa biến quan sát và nhân tố sau khi đã kiểm soát ảnh hưởng của các nhân tố còn lại. Nếu bạn dùng phép xoay xiên như Promax hoặc Direct Oblimin, các nhân tố được phép tương quan và SPSS thường xuất Pattern Matrix cùng Structure Matrix. Nếu dùng Varimax, bảng thường được đọc theo hướng đơn giản hơn vì các nhân tố được giả định không tương quan.
Bạn có thể xem thêm phần tổng quan về EFA, ma trận xoay và Principal Component Analysis để phân biệt bước trích nhân tố với bước xoay nhân tố.
Ý nghĩa của Pattern Matrix trong nghiên cứu định lượng
Pattern Matrix giúp bạn kiểm tra giá trị hội tụ và giá trị phân biệt ở cấp độ biến quan sát. Một nhóm biến được xem là có xu hướng hội tụ khi các biến của cùng khái niệm cùng tải tương đối cao trên một nhân tố. Giá trị phân biệt được thể hiện rõ hơn khi mỗi biến tải cao nhất ở đúng một nhân tố và không có hệ số gần tương đương ở nhân tố khác.
Ví dụ, thang đo “chất lượng dịch vụ” có năm biến QS1 đến QS5. Nếu QS1 đến QS5 cùng có hệ số cao ở Factor 2, bạn có cơ sở xem Factor 2 là nhóm đại diện cho khái niệm này. Tên Factor 2 không tự có ý nghĩa, bạn phải dựa vào nội dung các biến quan sát và mô hình lý thuyết để đặt tên nhân tố.
Pattern Matrix cũng giúp bạn phát hiện sự lệch giữa mô hình dự kiến và dữ liệu thực tế. Một biến thuộc thang đo “sự thuận tiện” nhưng lại tải mạnh hơn lên nhân tố “ý định sử dụng” có thể đang bị diễn đạt chưa rõ, bị trùng nội dung hoặc phản ánh một khía cạnh khác trong bối cảnh khảo sát.
Đừng dùng Pattern Matrix để thay thế Cronbach's Alpha. Cronbach's Alpha kiểm tra độ nhất quán nội tại của một thang đo, còn Pattern Matrix kiểm tra cấu trúc các biến quan sát giữa nhiều nhân tố. Bạn có thể xem thêm Communality để hiểu tỷ lệ phương sai của từng biến được các nhân tố giải thích.
Pattern Matrix bao nhiêu là đạt
Khi tìm “pattern matrix bao nhiêu là tốt”, bạn thường đang hỏi hệ số tải nhân tố tối thiểu, mức chênh giữa hai tải và tiêu chí loại biến. Một quy tắc thường được dùng là factor loading từ 0.5 trở lên, nhưng đây là ngưỡng tham khảo cần đặt trong bối cảnh cỡ mẫu, chất lượng thang đo và mục tiêu nghiên cứu. Ngưỡng factor loading từ 0.5 được nêu trong (Hair và cộng sự, 2010).
Các tiêu chí dưới đây giúp bạn đọc có hệ thống. Mỗi hàng đều ghi nguồn để bạn có thể giải trình với giảng viên thay vì trình bày một ngưỡng không rõ xuất xứ.
| Nội dung cần kiểm tra | Mức tham khảo | Nguồn |
|---|---|---|
| KMO của toàn bộ EFA | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | 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 trong Pattern Matrix | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Chênh lệch giữa tải cao nhất và tải kế tiếp | Nên đủ lớn để phân biệt, xem xét nội dung và mô hình | (Hair và cộng sự, 1998) |
| Số quan sát trên mỗi biến quan sát | Khoảng 5 đến 10 quan sát cho một biến | (Hair và cộng sự, 2010) |
Không có một con số duy nhất quyết định biến chắc chắn được giữ. Chẳng hạn, một loading bằng 0.48 không nên bị loại tự động nếu thang đo có cơ sở lý thuyết rõ, biến không tải chéo và các chỉ số khác ổn định. Ngược lại, loading bằng 0.62 nhưng đồng thời tải 0.58 ở nhân tố khác vẫn là dấu hiệu cần xem xét.
Bạn nên ghi lại từng vòng chạy EFA: biến nào bị loại, lý do loại, số nhân tố thay đổi ra sao và kết quả cuối cùng có phù hợp với mô hình lý thuyết không. Việc chạy lại nhiều lần để tìm một bảng đẹp mà không có lý do phương pháp sẽ khiến phần bảo vệ khó giải trình.
Cách đọc Pattern Matrix trên output
Trong SPSS, Pattern Matrix thường nằm sau các bảng Communalities và Total Variance Explained. Hãy đọc theo từng hàng, vì mỗi hàng là một biến quan sát. Các cột Factor 1, Factor 2 hoặc tên nhân tố là các nhân tố được trích sau phép xoay.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc cột được trình bày theo cách SPSS thường hiển thị Pattern Matrix khi có ba nhân tố.
| Pattern Matrixa | Factor 1 | Factor 2 | Factor 3 |
|---|---|---|---|
| CL1 | 0.782 | 0.118 | 0.064 |
| CL2 | 0.746 | 0.093 | 0.121 |
| CL3 | 0.701 | 0.176 | 0.088 |
| GC1 | 0.102 | 0.814 | 0.117 |
| GC2 | 0.154 | 0.763 | 0.142 |
| GC3 | 0.209 | 0.681 | 0.196 |
| YD1 | 0.091 | 0.126 | 0.836 |
| YD2 | 0.133 | 0.185 | 0.792 |
| YD3 | 0.244 | 0.214 | 0.558 |
Với dòng CL1, hệ số tải cao nhất là 0.782 ở Factor 1. Hai hệ số còn lại thấp, nên CL1 có xu hướng thuộc Factor 1. Các biến CL2 và CL3 cũng có cách phân bố tương tự, vì vậy bạn có thể xem xét Factor 1 là nhóm của CL.
Dòng YD3 cần được đọc thận trọng hơn. Hệ số 0.558 ở Factor 3 vượt ngưỡng tham khảo 0.5, nhưng vẫn thấp hơn hai biến YD1 và YD2. Bạn cần kiểm tra nội dung YD3, Corrected Item-Total Correlation, Cronbach's Alpha if Item Deleted và ý nghĩa lý thuyết trước khi quyết định giữ hoặc loại.
Khi đọc bảng thật, đừng nhầm số 0.118 với hệ số tương quan giữa hai nhân tố. Hệ số trong Pattern Matrix là tải riêng phần của biến lên nhân tố. Nếu bạn dùng phép xoay xiên, hãy xem thêm Structure Matrix và Factor Correlation Matrix để hiểu tương quan giữa các nhân tố.
Khi Pattern Matrix không đạt thì xử lý thế nào
Bạn nên xử lý từ nguyên nhân ít gây tổn hại nhất đến phương án mạnh hơn. Mục tiêu là sửa vấn đề đo lường có lý do, không phải xóa biến cho đến khi tất cả các ô đều đẹp.
Kiểm tra cách thiết lập EFA
Mở Analyze > Dimension Reduction > Factor. Kiểm tra danh sách biến, Extraction, Rotation và Options. Nếu muốn hiển thị hệ số tải dễ đọc, trong Options bạn có thể chọn Sorted by size và đặt Suppress small coefficients ở mức phù hợp. Việc ẩn các hệ số nhỏ chỉ làm bảng gọn hơn, không thay đổi kết quả tính toán.
Bạn cũng cần xác định mình đang chạy EFA trên đúng nhóm biến. Không nên đưa biến phụ thuộc, biến độc lập và biến trung gian vào một lần chạy nếu mô hình nghiên cứu yêu cầu kiểm định riêng từng nhóm hoặc có lý do phương pháp khác.
Kiểm tra biến tải thấp hoặc tải chéo
Nếu một biến có loading dưới 0.5, hãy đọc lại nội dung biến và xem kết quả Cronbach's Alpha. Nếu một biến tải cao ở hai nhân tố gần nhau, kiểm tra xem câu chữ có chứa hai ý, có bị dịch sai hoặc có trùng với một khái niệm khác không.
Bạn có thể loại từng biến có vấn đề rồi chạy lại EFA, nhưng mỗi lần loại phải được ghi vào bảng theo dõi. Không loại nhiều biến cùng lúc vì bạn sẽ không biết biến nào thực sự làm cấu trúc thay đổi.
Kiểm tra biến đảo chiều và dữ liệu nhập
Một biến đảo chiều chưa được recode thường làm tương quan với các biến cùng thang đo giảm mạnh. Trong SPSS, kiểm tra mã hóa của biến trước khi chạy. Với thang Likert từ 1 đến 5, phép đảo chiều thường có dạng giá trị mới bằng 6 trừ giá trị cũ, nhưng bạn cần áp dụng đúng theo số mức của bảng hỏi.
Ngoài ra, kiểm tra missing value, giá trị ngoài khoảng 1 đến 5, các dòng trả lời một mức duy nhất và lỗi nhập dữ liệu. Nếu Pattern Matrix thay đổi mạnh chỉ vì một vài dòng bất thường, hãy kiểm tra outlier và quy tắc làm sạch đã được thống nhất từ trước.
Giữ lại biến khi có lý do phương pháp
Một biến loading hơi thấp có thể được giữ trong nghiên cứu khám phá nếu nội dung có ý nghĩa và các kiểm định tổng thể vẫn chấp nhận được. Bạn cần nêu rõ lý do, không viết rằng biến được giữ chỉ vì “phù hợp mong muốn”. Khi thang đo bị thiếu nhiều biến, giá trị nội dung của khái niệm có thể giảm dù Pattern Matrix trông gọn hơn.
Phân biệt Pattern Matrix với ma trận xoay và Structure Matrix
“Ma trận xoay” là cách gọi rộng cho bảng kết quả sau khi xoay nhân tố. Pattern Matrix là một loại bảng cụ thể trong nhóm kết quả đó. Vì vậy, Pattern Matrix và ma trận xoay không hoàn toàn là hai khái niệm ngang hàng.
Rotated Component Matrix thường xuất hiện trong Principal Component Analysis với phép xoay Varimax. Pattern Matrix thường xuất hiện khi bạn dùng Factor Analysis với phép xoay xiên như Promax. Cả hai đều giúp bạn xem biến quan sát tải lên các nhân tố, nhưng mô hình tính toán và giả định về tương quan giữa nhân tố có thể khác nhau.
Structure Matrix trong phép xoay xiên thể hiện tương quan giữa biến quan sát và nhân tố, bao gồm ảnh hưởng của tương quan giữa các nhân tố. Pattern Matrix thể hiện hệ số tải riêng phần. Nếu hai bảng cho số khác nhau, đó là điều có thể xảy ra và bạn không nên lấy một ô trong Structure Matrix để gọi là loading của Pattern Matrix.
Bạn có thể đọc hướng dẫn riêng về ma trận xoay và CFA để phân biệt EFA với bước xác nhận cấu trúc đo lường. EFA dùng để khám phá cấu trúc, còn CFA kiểm tra mô hình đo lường đã được xác định trước bằng công cụ phù hợp.
Lỗi thường gặp
Lỗi đầu tiên là chỉ nhìn vào hệ số cao nhất rồi đặt tên nhân tố. Tên nhân tố phải dựa trên nội dung chung của các biến, mô hình nghiên cứu và định nghĩa khái niệm. Nếu Factor 1 có ba biến thuộc hai khái niệm khác nhau, loading cao chưa đủ để gộp chúng thành một thang đo mới.
Lỗi thứ hai là dùng nhầm ngưỡng của CB-SEM cho EFA hoặc SmartPLS. Các chỉ số CFI, TLI, RMSEA và SRMR gắn với đánh giá độ phù hợp mô hình CB-SEM, không phải tiêu chí để đọc Pattern Matrix trong SPSS.
Lỗi thứ ba là xóa biến liên tục nhưng không báo cáo quá trình. Trong chương kết quả, bạn nên trình bày số biến ban đầu, tiêu chí loại, số biến còn lại và cấu trúc nhân tố cuối cùng. Nếu kết quả khác giả thuyết ban đầu, hãy mô tả đúng kết quả thay vì đổi tên biến để che đi sự khác biệt.
Lỗi thứ tư là xem Pattern Matrix nhưng bỏ qua KMO and Bartlett's Test. Nếu KMO thấp hoặc Bartlett's Test không có ý nghĩa thống kê, việc diễn giải các nhân tố trích được sẽ thiếu nền tảng. Bạn cũng nên kiểm tra PCA nếu quy trình của bạn dùng PCA, vì PCA và common factor analysis không phải cùng một thủ tục.
Câu hỏi thường gặp
Pattern Matrix có phải là Rotated Component Matrix không?
Hai bảng đều chứa hệ số tải sau khi xoay, nhưng tên bảng phụ thuộc vào phương pháp phân tích và phép xoay. Rotated Component Matrix thường gắn với PCA và xoay trực giao, còn Pattern Matrix thường gặp trong Factor Analysis với xoay xiên. Hãy xem cả phần Extraction và Rotation trong output trước khi gọi tên bảng.
Pattern Matrix bao nhiêu là tốt?
Factor loading từ 0.5 trở lên thường được dùng làm mức tham khảo trong nghiên cứu định lượng (Hair và cộng sự, 2010). Một bảng tốt còn cần biến tải cao nhất vào đúng nhân tố, tải chéo không gây nhầm lẫn, KMO và Bartlett's Test phù hợp, đồng thời cấu trúc có ý nghĩa lý thuyết.
Vì sao Pattern Matrix không xuất hiện trong SPSS?
Bạn có thể đang dùng PCA với phép xoay Varimax, nên SPSS hiển thị Rotated Component Matrix. Nếu dùng Factor Analysis với Promax hoặc Direct Oblimin, SPSS thường hiển thị Pattern Matrix. Cũng cần kiểm tra bạn đã chọn phép xoay trong hộp thoại Factor Analysis hay chưa.
Có nên loại ngay biến có loading dưới 0.5 không?
Bạn nên kiểm tra thêm nội dung biến, Corrected Item-Total Correlation, Cronbach's Alpha if Item Deleted và ảnh hưởng của biến đến cấu trúc chung. Nếu loại biến, hãy loại từng biến có lý do và chạy lại, sau đó ghi lại kết quả của từng vòng. Giữ một biến hơi thấp có thể chấp nhận trong nghiên cứu khám phá nếu bạn giải trình được.
Có cần chạy lại Cronbach's Alpha sau EFA không?
Bạn nên kiểm tra lại độ tin cậy cho cấu trúc cuối cùng sau khi EFA đã loại hoặc chuyển biến. Các biến còn lại phải cùng đại diện cho khái niệm mà bạn đặt tên. Kết quả EFA không tự động chứng minh thang đo đã đạt độ tin cậy.
Mở file .sav, xác định bạn đang xem Pattern Matrix hay Rotated Component Matrix, sau đó ghi lại loading cao nhất, loading chéo và lý do xử lý của từng biến trước khi viết chương kết quả. Nếu bạn cần chạy EFA trên chính dữ liệu SPSS của mình và chuyển output thành phần diễn giải, xem M4 phân tích của DoThesis.