Structure Matrix là gì? Cách đọc ma trận trong SPSS
Structure Matrix là gì
Bạn mở output EFA trong SPSS và thấy bảng Structure Matrix nằm gần Pattern Matrix hoặc Rotated Component Matrix. Structure Matrix là bảng thể hiện hệ số tương quan giữa từng biến quan sát và từng nhân tố sau khi thực hiện phép xoay nhân tố. Con số trong bảng thường được đọc như một dạng factor loading, cho biết biến quan sát liên hệ mạnh hay yếu với mỗi nhân tố.
Trong EFA, SPSS có thể tạo ra Structure Matrix khi bạn dùng phương pháp trích nhân tố và phép xoay oblique, chẳng hạn Oblimin hoặc Promax. Với phép xoay oblique, các nhân tố được phép tương quan với nhau. Vì vậy, Structure Matrix phản ánh cả quan hệ trực tiếp của biến với nhân tố và phần liên hệ đi qua tương quan giữa các nhân tố.
Cần phân biệt Structure Matrix với Pattern Matrix. Pattern Matrix thường được dùng để xem hệ số tải riêng của biến lên từng nhân tố sau khi đã kiểm soát tương quan giữa các nhân tố. Structure Matrix cho thấy tương quan tổng hợp giữa biến và nhân tố. Nếu các nhân tố tương quan đáng kể, hai bảng có thể cho ra các con số khác nhau khá rõ.
Ý nghĩa của Structure Matrix trong nghiên cứu định lượng
Structure Matrix giúp bạn kiểm tra biến quan sát đang liên hệ với nhóm nhân tố nào. Khi một biến có hệ số tải cao ở một nhân tố và thấp ở các nhân tố còn lại, cấu trúc thang đo dễ diễn giải hơn. Bạn có thể dùng kết quả này để xem các biến có đi cùng khái niệm lý thuyết ban đầu hay đang bị trộn giữa nhiều nhóm.
Bảng này đặc biệt có ích khi bạn chạy EFA với phép xoay oblique. Nếu mô hình nghiên cứu giả định các khái niệm có liên hệ với nhau, oblique rotation thường phù hợp hơn việc ép các nhân tố độc lập hoàn toàn. Trong trường hợp đó, chỉ nhìn một bảng có thể dẫn đến quyết định loại biến thiếu cơ sở. Bạn nên xem đồng thời Pattern Matrix, Structure Matrix, Communalities, tổng phương sai trích và ma trận tương quan giữa các nhân tố.
Nếu bạn đang ở bước tổng quan về EFA, có thể xem thêm hướng dẫn EFA trong nghiên cứu định lượng. Bài riêng về principal component analysis cũng giúp phân biệt phương pháp trích nhân tố với phép xoay, vì hai lựa chọn này thường bị gọi chung là “chạy EFA”.
Structure Matrix không tự trả lời câu hỏi một biến có nên bị loại hay không. Quyết định đó còn phụ thuộc vào nội dung lý thuyết, hệ số tải ở các bảng khác, corrected item-total correlation, cỡ mẫu và mục tiêu của thang đo. Một con số đẹp trong output chưa đủ để biến quan sát có giá trị về mặt khái niệm.
Structure Matrix bao nhiêu là đạt
Câu hỏi “structure matrix bao nhiêu là tốt” thường đang nói đến độ lớn của hệ số tải nhân tố. Trong thực hành, hệ số tải từ 0.5 trở lên thường được xem là mức có thể chấp nhận, nhưng ngưỡng này cần được đọc cùng bối cảnh nghiên cứu và hiện tượng cross-loading. Hair và cộng sự (2010) đề xuất factor loading từ 0.5 trở lên, còn các nghiên cứu khám phá có thể cần cân nhắc linh hoạt hơn.
Bảng dưới đây tóm tắt các tiêu chí thường được dùng khi đọc Structure Matrix và các kết quả EFA liên quan. Mỗi ngưỡng đều đi kèm nguồn để bạn có thể giải trình trong luận văn.
| Nội dung cần kiểm tra | Mức tham khảo | Nguồn |
|---|---|---|
| Factor loading của biến trên nhân tố chính | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Chênh lệch giữa tải chính và tải phụ | Càng lớn càng dễ diễn giải | (Hair và cộng sự, 2010) |
| KMO của toàn bộ thang đo | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test of Sphericity | Sig. nhỏ hơn 0.05 | (Kaiser, 1974) |
| Eigenvalue khi quyết định số nhân tố | Lớn hơn 1 | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
Không nên biến bảng trên thành luật loại biến tự động. Ví dụ, một biến có Structure Matrix loading bằng 0.56 ở nhân tố dự kiến và 0.48 ở nhân tố khác có thể gây khó khăn trong việc đặt tên nhân tố. Ngược lại, biến có loading 0.49 nhưng nội dung rất quan trọng vẫn cần được thảo luận trước khi loại. Bạn nên ghi lại từng vòng chạy, số biến bị loại và lý do loại để tránh việc chỉnh output theo hướng chỉ giữ kết quả đẹp.
Một điểm cần nhớ là các ngưỡng trên không thay thế cho mô hình lý thuyết. Với thang đo mới, alpha từ 0.6 có thể được cân nhắc trong nghiên cứu khám phá theo Hair và cộng sự (2010), nhưng bạn vẫn cần trình bày bối cảnh và lý do sử dụng. KMO, Bartlett và factor loading trả lời các câu hỏi khác nhau, không thể dùng một chỉ số để kết luận toàn bộ EFA.
Cách đọc Structure Matrix trên output, số liệu minh họa
Trong SPSS, bạn có thể thấy bảng có tên Structure Matrix với các cột tương ứng với các nhân tố, chẳng hạn Factor 1, Factor 2 và Factor 3. Các hàng là tên biến quan sát như DV1, DV2 hoặc CL3. Dấu âm trước hệ số cho thấy quan hệ ngược chiều, thường cần kiểm tra biến đảo chiều hoặc cách mã hóa dữ liệu.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột và hình thức số liệu được trình bày theo cách bạn thường gặp trong output SPSS.
| Structure Matrix | Factor 1 | Factor 2 | Factor 3 |
|---|---|---|---|
| DV1 | .812 | .244 | .191 |
| DV2 | .776 | .281 | .205 |
| DV3 | .734 | .319 | .226 |
| CL1 | .267 | .801 | .238 |
| CL2 | .301 | .774 | .284 |
| CL3 | .289 | .742 | .310 |
| HL1 | .214 | .266 | .836 |
| HL2 | .253 | .294 | .791 |
| HL3 | .278 | .321 | .763 |
Trong ví dụ này, DV1, DV2 và DV3 có tải cao nhất trên Factor 1. Nhóm CL1 đến CL3 tập trung ở Factor 2, còn HL1 đến HL3 tập trung ở Factor 3. Các hệ số ở cột còn lại thấp hơn khá nhiều, nên cấu trúc này tương đối dễ diễn giải.
Cách đọc thực tế gồm bốn bước. Trước tiên, tìm hệ số lớn nhất trên từng hàng. Tiếp theo, ghi lại nhân tố có hệ số lớn nhất và đối chiếu với khái niệm dự kiến trong mô hình. Sau đó, so sánh hệ số lớn nhất với các hệ số còn lại để phát hiện cross-loading. Cuối cùng, xem lại Pattern Matrix nếu phép xoay là oblique, vì Structure Matrix và Pattern Matrix có ý nghĩa không giống nhau.
Nếu output chỉ hiện Rotated Component Matrix, nhiều khả năng bạn đang dùng phép xoay trực giao như Varimax. Nếu muốn xem Structure Matrix, vào Analyze > Dimension Reduction > Factor, chọn Rotation, sau đó thử Direct Oblimin hoặc Promax trong trường hợp mô hình cho phép các nhân tố tương quan. Tên menu có thể hơi khác theo phiên bản SPSS, nhưng các hộp thoại chính vẫn xoay quanh phần Factor Analysis.
Bạn cũng nên mở bảng Factor Correlation Matrix. Nếu các nhân tố có tương quan đáng kể, Pattern Matrix thường là bảng quan trọng để đánh giá tải riêng, còn Structure Matrix giúp bạn nhìn quan hệ tương quan tổng thể. Bài ma trận xoay trong SPSS có thể được dùng song song khi bạn cần xem Varimax, Promax và Oblimin khác nhau ở đâu.
Khi Structure Matrix không đạt thì xử lý thế nào
Nếu một biến có loading thấp, nhiều bước kiểm tra nên được thực hiện trước khi xóa biến. EFA hiếm khi ra đẹp ngay lần chạy đầu, nhất là khi bảng hỏi được dịch, điều chỉnh bối cảnh hoặc có nhiều khái niệm gần nhau. Bạn có thể xử lý theo thứ tự sau.
Kiểm tra mã hóa và dữ liệu gốc
Mở Variable View và Data View để kiểm tra kiểu dữ liệu, nhãn giá trị, giá trị missing và các biến đảo chiều. Một biến được mã hóa từ 1 đến 5 nhưng có một số dòng nhập 55 hoặc 0 có thể làm tương quan bị méo. Nếu có biến đảo chiều, hãy recode đúng trước khi chạy EFA, thay vì chỉ cố giải thích dấu âm trong Structure Matrix.
Kiểm tra chất lượng từng biến
Xem Communalities, Anti-image Matrices và Item-Total Statistics. Communality thấp cho thấy biến chưa được các nhân tố giải thích tốt, nhưng không nên loại chỉ dựa vào một con số. Bạn có thể đọc thêm về Communality trong EFA để hiểu chỉ số này đang trả lời câu hỏi nào.
Xem cross-loading ở cả hai ma trận
Nếu một biến tải khá cao trên hai nhân tố, hãy kiểm tra nội dung của biến và mục tiêu của thang đo. Biến đó có thể diễn đạt hai khái niệm cùng lúc, hoặc các nhân tố trong mô hình quá gần nhau. Xóa biến chỉ vì nó làm bảng đẹp hơn thường khó giải trình khi giảng viên hỏi về tính đầy đủ của thang đo.
Loại từng biến và chạy lại
Nếu có cơ sở rõ ràng, loại một biến có vấn đề ở mỗi vòng rồi chạy lại EFA. Ghi lại tên biến, lý do loại và thay đổi của số nhân tố, KMO, tổng phương sai trích cùng các tải nhân tố. Không nên loại đồng thời nhiều biến vì bạn sẽ khó biết biến nào thực sự gây ra thay đổi.
Dừng việc chỉnh phần mềm khi vấn đề nằm ở thang đo
Nếu nhiều biến cùng bị trộn giữa các nhân tố, lỗi có thể nằm ở cách xây dựng thang đo hoặc mô hình khái niệm. Khi đó, tiếp tục đổi phép xoay chỉ để tìm bảng đẹp sẽ làm kết quả thiếu nhất quán. Bạn cần quay lại tài liệu, mã hóa và nội dung biến quan sát, đồng thời ghi rõ giới hạn trong chương kết quả.
Phân biệt Structure Matrix với Pattern Matrix và Rotated Component Matrix
Ba bảng này dễ bị gọi chung là “ma trận xoay”, nhưng không nên dùng thay thế cho nhau trong mọi tình huống.
| Bảng trong SPSS | Thể hiện điều gì | Khi thường được đọc |
|---|---|---|
| Structure Matrix | Tương quan giữa biến quan sát và nhân tố | Khi dùng oblique rotation, để xem quan hệ tổng thể |
| Pattern Matrix | Hệ số tải riêng của biến lên nhân tố sau khi kiểm soát tương quan giữa nhân tố | Khi dùng oblique rotation, để đánh giá tải và cross-loading |
| Rotated Component Matrix | Hệ số tải sau xoay của các component | Thường gặp khi dùng PCA và Varimax |
| Factor Correlation Matrix | Tương quan giữa các nhân tố | Khi dùng phép xoay cho phép nhân tố tương quan |
Rotated Component Matrix thường xuất hiện trong PCA với phép xoay Varimax. Trong bối cảnh đó, các component được xử lý như độc lập sau phép xoay. Structure Matrix và Pattern Matrix thường gắn với oblique rotation, nơi các nhân tố được phép tương quan.
Bạn có thể đọc thêm bài CFA là gì nếu đang chuyển từ EFA sang CFA. EFA dùng để khám phá cấu trúc dữ liệu, còn CFA kiểm định cấu trúc đo lường đã được giả định trước. Vì mục tiêu khác nhau, tiêu chí đọc output cũng không nên trộn lẫn.
Lỗi thường gặp
Lỗi đầu tiên là kết luận “Structure Matrix đạt” chỉ vì có vài hệ số lớn. Bạn cần kiểm tra tất cả biến, tải phụ, KMO, Bartlett, số nhân tố và tổng phương sai trích. Một bảng có loading cao nhưng nhiều cross-loading vẫn có thể tạo ra thang đo khó đặt tên.
Lỗi thứ hai là dùng ngưỡng của Rotated Component Matrix để giải thích máy móc cho Structure Matrix. Ngưỡng factor loading có thể được tham khảo, nhưng ý nghĩa của con số phụ thuộc vào loại ma trận và phép xoay đã chọn. Trong luận văn, hãy ghi rõ bạn dùng phép trích nào và phép xoay nào.
Lỗi thứ ba là xem dấu âm như một lỗi phần mềm. Dấu âm có thể xuất hiện khi biến có quan hệ ngược chiều với nhân tố, nhưng cũng có thể do biến đảo chiều chưa được recode. Hãy kiểm tra bảng hỏi và mã hóa trước khi quyết định xử lý.
Lỗi thứ tư là đổi liên tục giữa Varimax, Promax và Oblimin cho đến khi có kết quả mong muốn. Phép xoay cần được chọn dựa trên giả định về tương quan giữa các nhân tố. Nếu thay đổi lựa chọn, bạn phải ghi lại lý do và báo cáo kết quả nhất quán.
Cách viết vào luận văn: “Kết quả EFA với phép xoay [tên phép xoay] cho thấy các biến [mã biến] có hệ số tải cao nhất trên nhân tố [tên nhân tố], dao động từ [giá trị thấp nhất] đến [giá trị cao nhất]. Các biến [mã biến nếu có] được xem xét loại do [loading thấp hoặc cross-loading], phù hợp với tiêu chí [tiêu chí] theo [nguồn].” Bạn thay phần trong ngoặc vuông bằng số liệu thật trong file của mình, không dùng các số minh họa ở trên.
Câu hỏi thường gặp
Structure Matrix có phải là ma trận xoay không
Structure Matrix là một bảng kết quả sau phép xoay, nhưng “ma trận xoay” là cách gọi rộng hơn cho nhiều bảng như Structure Matrix, Pattern Matrix hoặc Rotated Component Matrix. Bạn cần nêu đúng tên bảng và phép xoay trong luận văn để người đọc biết bạn đang diễn giải loại hệ số nào.
Structure Matrix bao nhiêu là tốt
Factor loading từ 0.5 trở lên thường được tham khảo là mức đạt theo Hair và cộng sự (2010). Tuy nhiên, bạn còn phải xem cross-loading, ý nghĩa nội dung của biến, KMO, tổng phương sai trích và sự phù hợp với mô hình lý thuyết.
Vì sao SPSS không hiện Structure Matrix
SPSS thường không hiện bảng này khi bạn dùng phép xoay trực giao như Varimax. Hãy kiểm tra Analyze > Dimension Reduction > Factor > Rotation và xem bạn có chọn Direct Oblimin hoặc Promax hay chưa. Nếu thiết kế nghiên cứu giả định các nhân tố độc lập, Rotated Component Matrix có thể là bảng phù hợp hơn.
Nên đọc Pattern Matrix hay Structure Matrix trước
Với oblique rotation, nên xem Pattern Matrix để đánh giá tải riêng và Structure Matrix để hiểu tương quan tổng thể giữa biến với nhân tố. Nếu hai bảng cho kết quả khác nhau, hãy kiểm tra Factor Correlation Matrix và nội dung biến trước khi loại biến.
Có thể chỉ báo cáo Structure Matrix trong luận văn không
Bạn có thể báo cáo bảng phù hợp với phép trích và phép xoay, nhưng không nên bỏ qua các kiểm định liên quan. Phần EFA thường cần trình bày phương pháp, KMO, Bartlett, số nhân tố, tổng phương sai trích, factor loading và các biến bị loại. Nếu dùng oblique rotation, việc giải thích Pattern Matrix cùng Structure Matrix thường rõ ràng hơn.
Hãy mở lại file .sav, ghi nhận phép trích và phép xoay đang dùng, sau đó kiểm tra từng hàng trong Structure Matrix cùng Pattern Matrix trước khi loại bất kỳ biến nào. Nếu cần chạy EFA trên dữ liệu thật và chuyển kết quả thành phần diễn giải, bạn có thể dùng module M4 phân tích SPSS và SmartPLS của DoThesis.