Số nhân tố khác với mô hình phải làm sao

Hiện tượng bạn đang gặp

Bạn đã xây dựng mô hình với 4 khái niệm, chẳng hạn Chất lượng dịch vụ, Sự hài lòng, Niềm tin và Ý định mua. Tuy nhiên, khi chạy EFA trong SPSS, bảng Total Variance Explained hoặc Rotated Component Matrix lại cho ra 3 hoặc 5 nhân tố. Đây là tình huống thường gặp, đặc biệt khi các biến quan sát của hai khái niệm có nội dung gần nhau.

Trước hết, đừng vội sửa mô hình bằng cách thêm hoặc xóa một nhân tố chỉ để số trên output trùng với mô hình lý thuyết. EFA là bước kiểm tra cấu trúc dữ liệu thực tế. Kết quả có thể khác mô hình dự kiến vì cách người trả lời hiểu bảng hỏi, chất lượng biến quan sát, cỡ mẫu, phương pháp trích hoặc phép xoay bạn chọn.

Bạn cần phân biệt hai việc. Mô hình nghiên cứu trả lời câu hỏi bạn dự kiến có những khái niệm nào và chúng liên hệ ra sao. EFA trả lời câu hỏi các biến quan sát đang gom thành bao nhiêu nhóm trong bộ dữ liệu hiện có. Hai kết quả này cần được đối chiếu bằng lý thuyết và nội dung thang đo, không đối chiếu bằng cảm giác.

Nếu bạn chưa quen với quy trình, có thể xem hướng dẫn về EFA trong SPSS và ma trận xoay trước khi chạy lại. Hai bảng này thường chứa manh mối quan trọng nhất.

Nguyên nhân thường gặp

Hãy ghi lại số nhân tố dự kiến, số nhân tố SPSS trích, các biến bị tải chéo và những biến có hệ số tải thấp. Bảng dưới đây giúp bạn khoanh vùng nguyên nhân thay vì xóa biến ngẫu nhiên.

Một nguyên nhân dễ bị bỏ qua là bạn đưa biến phụ thuộc và biến độc lập vào cùng một lần EFA nhưng lại dùng một bộ biến không đúng với mô hình. Nếu mục tiêu là kiểm định cấu trúc thang đo, hãy xác định rõ nhóm biến nào được đưa vào. Việc chạy toàn bộ biến một cách cơ học có thể tạo ra cấu trúc khác với giả thuyết ban đầu.

Bạn cũng cần kiểm tra cách mã hóa. Một biến đảo chiều chưa được đảo mã sẽ có tương quan âm với các biến cùng thang đo. Ngược lại, một biến đáng ra không đảo nhưng bị đảo mã có thể làm nhóm nhân tố bị méo. Nếu dữ liệu nhập từ Excel hoặc Google Forms, hãy kiểm tra nhãn biến, giá trị thiếu và cột bị lệch trước khi chạy.

Cách xử lý theo thứ tự ưu tiên

1. Kiểm tra lại mô hình, danh sách biến và mã hóa

Mở file dữ liệu gốc và danh sách thang đo trong chương phương pháp. Đối chiếu từng mã biến, chẳng hạn DV1, DV2, DV3, với đúng câu hỏi trong bảng hỏi. Kiểm tra các biến bị loại ở vòng trước có còn nằm trong danh sách chạy hay không.

Nếu có biến đảo chiều, tạo biến mới theo công thức phù hợp với thang Likert của bạn. Với thang 1 đến 5, giá trị đảo thường được tính theo dạng 6 trừ giá trị gốc. Tuy nhiên, hãy căn cứ vào số điểm thực tế của bảng hỏi, không sao chép công thức này nếu thang của bạn có khoảng điểm khác.

2. Kiểm tra điều kiện trước khi đọc số nhân tố

Vào Analyze > Dimension Reduction > Factor. Trong Statistics, chọn KMO and Bartlett's test of sphericity. Trong Extraction, ghi lại phương pháp đang dùng và xem Scree plot. Trong Rotation, ghi rõ Varimax, Promax hoặc phương pháp khác.

KMO từ 0.5 trở lên thường được xem là đủ để xem xét phân tích nhân tố, còn Bartlett cần có mức ý nghĩa dưới 0.05 theo (Kaiser, 1974). Eigenvalue lớn hơn 1 là một quy tắc trích thường được dùng theo (Kaiser, 1960), nhưng bạn không nên dùng riêng quy tắc này nếu Scree plot và lý thuyết cho tín hiệu khác nhau.

Bảng ngưỡng dưới đây chỉ dùng để định hướng đọc output. Nguồn được ghi ở từng dòng để bạn có thể giải trình rõ trong luận văn.

Các mốc trên không phải lệnh tự động xóa biến. Một biến có loading 0.48 không nên bị loại chỉ vì thiếu 0.02 nếu nó có cơ sở nội dung rõ và cấu trúc tổng thể ổn định. Ngược lại, loading cao cũng chưa đủ để khẳng định thang đo đúng, vì biến có thể tải mạnh vào một nhân tố không phù hợp về mặt khái niệm.

3. Đọc Rotated Component Matrix và bảng Communalities

Nếu dùng Varimax, hãy xem mỗi biến có loading cao nhất ở nhân tố nào và khoảng cách với loading cao thứ hai. Nếu dùng Promax, đọc Pattern Matrix, vì đây là bảng phù hợp hơn khi các nhân tố có thể tương quan.

Kiểm tra thêm communality trong SPSS. Communality cho biết phần phương sai của một biến được các nhân tố giữ lại giải thích. Một biến có communality thấp, loading thấp và nội dung không thiết yếu thường là ứng viên cần xem xét. Bạn nên ghi lại từng vòng xử lý trong một file riêng, gồm biến bị loại, lý do, KMO, tổng phương sai trích và số nhân tố.

4. Loại biến có lý do, mỗi lần một biến

Ưu tiên xem biến có loading thấp ở tất cả nhân tố, rồi đến biến tải chéo rõ ràng. Mỗi vòng chỉ nên loại một biến, chạy lại EFA và quan sát cấu trúc mới. Nếu xóa cùng lúc bốn biến, bạn sẽ khó biết biến nào làm thay đổi kết quả.

Khi hai biến tải chéo, hãy đọc nguyên văn câu hỏi. Nếu một biến thật sự đo đồng thời hai khái niệm, việc giữ nó chỉ vì loading cao có thể làm giảm giá trị phân biệt. Nếu hai biến thuộc cùng một khái niệm nhưng một biến dùng từ khó hiểu, hãy cân nhắc loại biến khó hiểu thay vì xóa cả nhóm.

5. Thử lại phương pháp trích hoặc phép xoay có cơ sở

Nếu mục tiêu là khám phá cấu trúc và các khái niệm có thể liên hệ, Promax thường cho cách đọc khác Varimax. Bạn có thể tham khảo thêm Principal Component Analysis để phân biệt PCA với các lựa chọn trích nhân tố trong SPSS.

Không nên đổi phương pháp chỉ vì muốn output đẹp. Hãy ghi rõ bạn đã dùng phương pháp nào, vì sao chọn nó và kết quả có thay đổi ra sao. Nếu số nhân tố vẫn khác mô hình sau các bước kiểm tra, đó là thông tin cần được thảo luận, không phải lỗi phần mềm.

6. Đối chiếu bằng CFA khi mô hình đã có cơ sở vững

Nếu mô hình đã được xây dựng từ lý thuyết và thang đo đã có nguồn rõ, EFA không phải bước duy nhất để quyết định cấu trúc cuối cùng. Bạn có thể dùng CFA để kiểm tra mô hình đo lường, đặc biệt khi nghiên cứu cần xác nhận số nhóm khái niệm đã định trước. Xem thêm quy trình CFA để phân biệt bước khám phá với bước khẳng định.

CFA không phải công cụ để ép dữ liệu vào mô hình bằng cách nối sai số tùy tiện. Nếu CFA không phù hợp, hãy kiểm tra lại thang đo, đặc điểm mẫu và giả thuyết đo lường trước khi điều chỉnh.

Bảng output EFA minh họa

Bảng sau là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể. Nó mô phỏng các cột bạn có thể gặp trong Rotated Component Matrix sau một vòng xử lý.

Trong ví dụ này, CLDV, HL, NT và YD là các nhóm dự kiến, nhưng output đang cho thấy NT1 và YD1 chưa tách biệt rõ. Bạn chưa nên kết luận rằng mô hình chỉ còn ba nhân tố. Cần đọc câu chữ của NT1 và YD1, xem thang đo gốc, kiểm tra communality và chạy lại sau khi có quyết định được giải thích.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể sửa một bảng hỏi mà người trả lời hiểu sai. Nếu nhiều biến cùng một khái niệm có loading thấp, người trả lời chọn gần như một mức cho mọi câu, hoặc mẫu thu thập bị lệch mạnh so với đối tượng nghiên cứu, việc chạy lại nhiều lần sẽ không tạo ra thông tin mới.

Bạn nên cân nhắc thu thêm dữ liệu khi cỡ mẫu quá nhỏ so với số biến quan sát, có nhiều bảng trả lời không hoàn chỉnh, hoặc dữ liệu bị loại quá nhiều sau làm sạch. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn từ (Hair và cộng sự, 2010), nhưng đây là mốc tham khảo, không phải bảo đảm rằng cứ đủ số lượng là EFA sẽ đẹp.

Nếu cỡ mẫu hiện tại đủ nhưng cấu trúc vẫn khác, thu thêm dữ liệu chưa chắc giải quyết được vấn đề. Hãy ưu tiên xác định nguyên nhân nằm ở nội dung thang đo, cách chọn mẫu hay phương pháp EFA. Khi đã thu dữ liệu chính thức, bạn cũng không nên loại bảng trả lời chỉ vì chúng làm kết quả kém đẹp.

Cách giải trình với giảng viên hướng dẫn

Bạn có thể trình bày theo thứ tự: mô hình dự kiến, điều kiện EFA, kết quả ban đầu, biến gặp vấn đề, lý do xử lý và cấu trúc cuối cùng. Đính kèm bảng theo dõi từng vòng chạy để giảng viên thấy quyết định không được đưa ra tùy tiện.

Cách viết vào luận văn: “Kết quả EFA lần đầu cho thấy dữ liệu hình thành [số nhân tố thực tế] nhân tố, khác với [số nhân tố dự kiến] nhân tố trong mô hình ban đầu. Sau khi kiểm tra [tên biến] có factor loading thấp hoặc tải chéo, nghiên cứu loại biến này vì [lý do nội dung và thống kê], sau đó thực hiện lại EFA. Kết quả cuối cùng giữ lại [số biến] biến quan sát thuộc [số nhân tố] nhân tố, với KMO = [giá trị], Bartlett's Test có Sig. = [giá trị] và tổng phương sai trích = [giá trị]%.”

Khi mô hình bị gộp hai khái niệm, hãy nói rõ đây là phát hiện từ dữ liệu và nêu tác động đến giả thuyết. Có thể giữ hai khái niệm ở phần lý thuyết nhưng cần giải thích vì sao thang đo thực nghiệm chưa phân biệt tốt. Nếu quyết định gộp thành một biến mới, bạn phải điều chỉnh tên khái niệm, giả thuyết và các phân tích tiếp theo, không chỉ đổi tiêu đề bảng.

Khi một khái niệm bị tách thành hai nhóm, hãy kiểm tra xem mỗi nhóm có ý nghĩa nội dung riêng không. Nếu có, bạn có thể đề xuất tách cấu trúc, nhưng cần được giảng viên chấp thuận và trình bày như một điều chỉnh có căn cứ. Nếu hai nhóm không có ý nghĩa riêng, xem lại biến đảo chiều hoặc biến có câu chữ lệch bối cảnh.

Cách phòng từ bước thiết kế

Trước khi phát bảng hỏi chính thức, hãy lập bảng ánh xạ giữa khái niệm, mã biến, câu hỏi và nguồn thang đo. Mỗi khái niệm nên có nội dung đủ nhất quán để người trả lời nhận diện được, nhưng các khái niệm gần nhau cũng cần có câu chữ phân biệt.

Bạn nên thử nghiệm bảng hỏi với một nhóm nhỏ để phát hiện câu khó hiểu, câu có hai ý hoặc câu dùng thuật ngữ người trả lời không quen. Trong giai đoạn này, mục tiêu là sửa cách diễn đạt và kiểm tra thời gian trả lời, không dùng kết quả thử nghiệm để tuyên bố thang đo đã đạt.

Khi nhập dữ liệu, dùng mã biến ngắn nhưng có quy luật. Lưu một bản dữ liệu gốc chỉ đọc, một bản dữ liệu đã làm sạch và một syntax hoặc nhật ký thao tác. SPSS có thể mở lại các bước trong Output Viewer, nhưng bạn vẫn cần ghi chú ngoài phần mềm để giải thích tại sao một biến bị loại.

Ngoài EFA, hãy theo dõi Cronbach's Alpha và Corrected Item-Total Correlation theo đúng thứ tự quy trình của đề tài. Một biến có thể làm Alpha tăng khi bị xóa nhưng lại quan trọng về mặt nội dung. Mốc Corrected Item-Total Correlation từ 0.3 trở lên thường được dẫn theo (Nunnally và Bernstein, 1994), còn Cronbach's Alpha từ 0.7 trở lên được nêu trong (Nunnally, 1978). Với thang đo khám phá, ngưỡng Alpha thấp hơn có thể được xem xét theo (Hair và cộng sự, 2010), nhưng cần giải thích bối cảnh.

Lỗi thường gặp khi sửa

Lỗi phổ biến nhất là xóa liên tục các biến cho đến khi số nhân tố trùng mô hình. Cách này có thể tạo một output đẹp nhưng làm thang đo mất nội dung, đặc biệt khi bạn loại các biến đại diện cho một khía cạnh quan trọng.

Lỗi thứ hai là chỉ nhìn Eigenvalue mà bỏ qua Scree plot, Rotated Component Matrix, communality và ý nghĩa lý thuyết. Eigenvalue lớn hơn 1 là điểm bắt đầu để xem xét, không phải căn cứ duy nhất cho toàn bộ quyết định.

Lỗi thứ ba là dùng kết quả của Varimax để kết luận các nhân tố hoàn toàn độc lập. Nếu các khái niệm trong mô hình có khả năng tương quan, hãy chọn phép xoay phù hợp và đọc đúng bảng output. Lỗi thứ tư là đổi tên nhân tố sau EFA nhưng không cập nhật giả thuyết, thang đo và phần phân tích hồi quy hoặc PLS-SEM.

Lỗi cuối là báo cáo một kết quả duy nhất mà không lưu các vòng loại biến. Hội đồng có thể hỏi vì sao biến bị loại, tại sao chọn số nhân tố đó và liệu quyết định có dựa trên lý thuyết hay chỉ dựa trên con số. Một bảng nhật ký xử lý ngắn thường hữu ích hơn nhiều trang giải thích chung chung.

Câu hỏi thường gặp

Số nhân tố EFA khác mô hình có phải chạy sai SPSS không?

Chưa thể kết luận là bạn chạy sai. Kiểm tra lại danh sách biến, phương pháp trích, phép xoay, biến đảo chiều và cách đọc Rotated Component Matrix trước. Nếu các thiết lập đúng, sự khác biệt có thể phản ánh cấu trúc dữ liệu thực tế.

Có nên ép SPSS trích đúng số nhân tố trong mô hình không?

Bạn có thể đặt Fixed number of factors khi có cơ sở lý thuyết rõ, nhưng không nên dùng tùy chọn này chỉ để làm output giống mô hình. Hãy chạy thêm cấu hình phù hợp với mục tiêu nghiên cứu, so sánh loading và giải thích quyết định trong luận văn.

Một biến tải vào hai nhân tố thì có phải xóa ngay không?

Không. Đọc nội dung biến, xem chênh lệch giữa hai loading, communality và vai trò của biến trong thang đo. Nếu biến giao thoa về khái niệm hoặc chênh lệch loading nhỏ, loại biến có thể hợp lý, nhưng quyết định cần được ghi lại và chạy lại EFA.

EFA ra ít nhân tố hơn mô hình thì có được gộp khái niệm không?

Có thể xem xét, nhưng gộp khái niệm làm thay đổi mô hình nghiên cứu. Bạn cần kiểm tra cơ sở lý thuyết, giá trị phân biệt, tên biến mới và các giả thuyết liên quan. Không nên gộp chỉ vì hai nhóm biến nằm cùng một cột trong ma trận xoay.

Nếu EFA ra nhiều nhân tố hơn mô hình thì xử lý thế nào?

Xem các biến trong từng nhóm mới có ý nghĩa nội dung riêng hay chỉ bị tách do một biến đảo chiều, câu chữ khác bối cảnh hoặc mẫu trả lời không ổn định. Nếu nhóm mới có cơ sở rõ, trao đổi với giảng viên về việc điều chỉnh mô hình. Nếu không, xem xét biến gây tách và kiểm tra lại dữ liệu.

Có cần thu thêm dữ liệu khi số nhân tố không trùng mô hình không?

Chỉ thu thêm khi có lý do liên quan đến cỡ mẫu, chất lượng bảng trả lời hoặc độ ổn định của dữ liệu. Thu thêm dữ liệu không tự động sửa được một thang đo có nội dung chồng lấn. Trước khi quyết định, hãy lưu output hiện tại và xác định nguyên nhân bằng các kiểm tra nêu trên.

Mở lại file SPSS của bạn, lập bảng đối chiếu giữa mô hình dự kiến và Rotated Component Matrix, sau đó xử lý từng biến một và lưu lại mọi vòng chạy. Nếu cần chạy phân tích trên chính file .sav hoặc .csv mà không bịa số, bạn có thể dùng module M4 phân tích của DoThesis.