Total Variance Explained là gì? Cách đọc trong SPSS
Total Variance Explained là gì
Bạn đang chạy EFA trong SPSS và thấy bảng Total Variance Explained gồm các cột Initial Eigenvalues, Extraction Sums of Squared Loadings và Rotation Sums of Squared Loadings. Chỉ số bạn cần chú ý thường được gọi là tổng phương sai trích, hoặc tổng tỷ lệ biến thiên được các nhân tố giữ lại giải thích. Nó cho biết các nhân tố được trích đã tóm tắt được bao nhiêu phần trăm thông tin từ tập biến quan sát ban đầu.
Ví dụ, nếu bảng cho thấy tổng phương sai trích là 62,4%, có thể hiểu các nhân tố giữ lại giải thích 62,4% sự biến thiên của các biến quan sát trong mô hình EFA. Phần còn lại 37,6% là thông tin chưa được các nhân tố này giải thích. Đây là một chỉ báo về mức độ cô đọng của mô hình, không phải tỷ lệ người trả lời chọn một phương án nào đó.
Trong EFA, SPSS thường tính eigenvalue cho từng nhân tố. Với nhân tố thứ j, tỷ lệ phương sai được giải thích có thể biểu diễn khái quát như sau:
% phương sai của nhân tố j = eigenvalue của nhân tố j / số biến quan sát × 100%
Tổng phương sai trích là tổng tỷ lệ của các nhân tố được giữ lại. Khi xem Total Variance Explained trong SPSS, bạn cần xác định đúng dòng Cumulative % ở phần Extraction Sums of Squared Loadings hoặc phần Rotation Sums of Squared Loadings, tùy mục tiêu báo cáo và phương pháp trích.
Nếu bạn chưa phân biệt EFA với các bước liên quan, có thể xem thêm hướng dẫn EFA và bài Principal Component Analysis để hiểu vai trò của phương pháp trích.
Ý nghĩa của Total Variance Explained trong nghiên cứu định lượng
Total Variance Explained trả lời một câu hỏi thực tế: sau khi gom nhiều biến quan sát thành một số nhân tố ít hơn, mô hình còn giữ lại bao nhiêu thông tin. Chỉ số này thường được đọc cùng KMO and Bartlett's Test, Communalities và Rotated Component Matrix, chứ không nên dùng một mình để quyết định thang đo đạt hay không.
Trong một nghiên cứu định lượng, EFA có thể giúp bạn kiểm tra xem các biến quan sát có tập hợp theo cấu trúc lý thuyết dự kiến hay không. Nếu có 25 biến quan sát nhưng chỉ giữ lại 5 nhân tố, Total Variance Explained cho biết 5 nhân tố đó giải thích được bao nhiêu biến thiên chung của 25 biến. Bảng này cũng hỗ trợ quyết định số lượng nhân tố, đặc biệt khi kết hợp với eigenvalue, biểu đồ Scree Plot và nền tảng lý thuyết.
Bạn cần phân biệt hai ý. Một là số nhân tố được giữ lại. Hai là tổng phương sai do các nhân tố đó giải thích. Giữ lại nhiều nhân tố có thể làm tổng phương sai tăng, nhưng mô hình lại khó diễn giải và có thể đi lệch khỏi mô hình lý thuyết. Ngược lại, giữ quá ít nhân tố có thể làm mất cấu trúc quan trọng của thang đo.
Total Variance Explained cũng không nói rằng mô hình nghiên cứu của bạn đã chứng minh quan hệ nhân quả. Nó không thay thế factor loading, Cronbach's Alpha, giá trị hội tụ hay giá trị phân biệt. Sau EFA, bạn vẫn cần xem các biến có tải đúng nhân tố hay không và ghi lại lý do loại biến nếu có.
Nếu bảng EFA của bạn còn đi kèm Communalities, hãy đọc thêm bài communality. Communality tập trung vào mức độ mỗi biến được các nhân tố chung giải thích, còn Total Variance Explained tập trung vào tổng mức giải thích của toàn bộ các nhân tố được trích.
Total Variance Explained bao nhiêu là đạt
Trong nhiều luận văn, tổng phương sai trích từ 50% trở lên được xem là mức tham khảo chấp nhận được, nghĩa là các nhân tố giữ lại giải thích ít nhất một nửa biến thiên của tập biến quan sát. Ngưỡng này được dẫn theo (Hair và cộng sự, 2010). Bạn cũng có thể gặp quy tắc giữ nhân tố có eigenvalue lớn hơn 1, được dẫn theo (Kaiser, 1960), nhưng đây là quy tắc hỗ trợ chứ không nên tách khỏi lý thuyết và Scree Plot.
Bảng dưới đây giúp bạn đọc nhanh các tiêu chí thường xuất hiện cùng Total Variance Explained. Mỗi dòng đều ghi nguồn để bạn có thể kiểm tra khi viết chương 3 hoặc giải trình với giảng viên.
| Nội dung cần kiểm tra | Mức tham khảo | Nguồn |
|---|---|---|
| Tổng phương sai trích | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Eigenvalue để cân nhắc giữ nhân tố | Lớn hơn 1 | (Kaiser, 1960) |
| Factor loading | Từ 0,5 trở lên | (Hair và cộng sự, 2010) |
| KMO | Từ 0,5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | Sig. dưới 0,05 | (Kaiser, 1974) |
| Số quan sát trên mỗi biến quan sát | Khoảng 5 đến 10 quan sát cho một biến | (Hair và cộng sự, 2010) |
Cụm từ “total variance explained bao nhiêu là tốt” thường khiến người làm luận văn tìm một con số tuyệt đối. Cách trả lời thận trọng hơn là: từ 50% trở lên là mốc thường được sử dụng trong EFA, nhưng mức phù hợp còn phụ thuộc lĩnh vực, số biến, phương pháp trích, phương pháp xoay và cấu trúc lý thuyết. Một kết quả 51% không tự động tốt hơn một kết quả 48% nếu nhân tố bị trộn biến, tải chéo cao hoặc có biến không phù hợp nội dung.
Bạn cũng không nên cố đạt một tỷ lệ thật cao bằng cách xóa hàng loạt biến mà không có lý do. Khi loại biến, hãy xem đồng thời factor loading, tải chéo, communality, ý nghĩa lý thuyết và thay đổi của tổng phương sai trích. Hội đồng thường hỏi vì sao biến bị loại, chứ không chỉ hỏi con số cuối cùng.
Cách đọc Total Variance Explained trên output
Trong SPSS, bạn có thể chạy EFA tại Analyze > Dimension Reduction > Factor. Đưa các biến quan sát vào ô Variables, chọn Descriptives để yêu cầu KMO và Bartlett, chọn Extraction để xác định phương pháp trích, chọn Rotation nếu cần xoay nhân tố, rồi chọn Scores hoặc Options khi thiết kế nghiên cứu yêu cầu.
Trong bảng kết quả, phần đầu thường có Initial Eigenvalues. Cột Total là eigenvalue của từng nhân tố, % of Variance là tỷ lệ phương sai của từng nhân tố, còn Cumulative % là tỷ lệ tích lũy đến nhân tố đó. Ví dụ, nhân tố 1 giải thích 28,140%, nhân tố 2 giải thích 14,830%, thì Cumulative % sau nhân tố 2 là 42,970%.
Phần Extraction Sums of Squared Loadings chỉ hiển thị những nhân tố được giữ lại sau tiêu chí trích. Nếu bạn dùng Principal Component Analysis, các con số ở phần này cần được hiểu theo cách phù hợp với PCA. Nếu dùng Principal Axis Factoring, kết quả có thể khác vì mục tiêu và cách phân rã phương sai khác nhau.
Sau khi xoay, phần Rotation Sums of Squared Loadings cho thấy phương sai được phân bổ lại giữa các nhân tố. Tổng Cumulative % của các nhân tố được giữ lại thường không đổi sau xoay trực giao, nhưng tỷ lệ riêng của từng nhân tố có thể thay đổi. Vì vậy, đừng chỉ nhìn nhân tố 1 sau xoay rồi kết luận toàn bộ EFA.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS thường in trong output để bạn đối chiếu với file đang mở.
Total Variance Explained, số liệu minh họa
| Component | Initial Eigenvalues: Total | Initial Eigenvalues: % of Variance | Initial Eigenvalues: Cumulative % | Extraction Sums of Squared Loadings: Total | Extraction Sums of Squared Loadings: Cumulative % |
|---|---|---|---|---|---|
| 1 | 5,842 | 29,210 | 29,210 | 5,842 | 29,210 |
| 2 | 3,116 | 15,580 | 44,790 | 3,116 | 44,790 |
| 3 | 2,047 | 10,235 | 55,025 | 2,047 | 55,025 |
| 4 | 1,364 | 6,820 | 61,845 | 1,364 | 61,845 |
| 5 | 0,912 | 4,560 | 66,405 | Không giữ lại | Không giữ lại |
Với bảng minh họa này, bốn nhân tố đầu có eigenvalue lớn hơn 1 và tổng phương sai trích tích lũy là 61,845%. Nếu đề tài đang dùng mốc 50%, con số này vượt mốc tham khảo. Tuy nhiên, bạn vẫn phải xem Rotated Component Matrix để kiểm tra các biến có tải đúng nhóm hay không. Bạn có thể đối chiếu cách đọc bảng xoay trong bài ma trận xoay.
Nếu cần xem một output hoàn chỉnh hơn, hãy kiểm tra cả số nhân tố trong Total Variance Explained, biểu đồ Scree Plot, bảng Communalities và ma trận xoay. Một bảng đẹp về tổng phương sai nhưng factor loading thấp hoặc tải chéo mạnh vẫn cần được xử lý.
Khi Total Variance Explained không đạt thì xử lý thế nào
Nếu tổng phương sai trích dưới 50%, đừng xóa biến ngay. Hãy xử lý theo thứ tự để tránh làm thay đổi mô hình một cách khó giải trình.
Kiểm tra số nhân tố và phương pháp trích
Trước tiên, xem bạn đã chọn đúng phương pháp trích chưa. Nếu mục tiêu là khám phá cấu trúc thang đo, hãy thống nhất phương pháp với thiết kế nghiên cứu và hướng dẫn của giảng viên. Kiểm tra thêm Scree Plot và mô hình lý thuyết, vì tiêu chí eigenvalue lớn hơn 1 có thể giữ quá nhiều hoặc quá ít nhân tố trong một số dữ liệu.
Xem factor loading và tải chéo
Mở Rotated Component Matrix hoặc Pattern Matrix, tùy phương pháp xoay. Biến có factor loading thấp hơn 0,5 có thể được cân nhắc loại theo (Hair và cộng sự, 2010). Biến tải mạnh ở nhiều nhân tố hoặc tải không đúng khái niệm cần được xem xét về câu chữ, nội dung và nguồn thang đo.
Kiểm tra communality
Communality thấp cho thấy biến quan sát được các nhân tố chung giải thích yếu. Hãy xem biến đó có nhập sai mã, chưa đảo chiều hay dùng thang đo không phù hợp không. Chỉ loại biến khi có căn cứ thống kê và lý thuyết, sau đó chạy lại EFA và ghi lại từng vòng.
Chạy lại có kiểm soát
Sau mỗi lần loại một biến, lưu output mới với tên rõ ràng như EFA_v1, EFA_v2. So sánh KMO, Bartlett, tổng phương sai trích, số nhân tố và ma trận xoay. Lần chạy EFA đầu tiên hiếm khi cho ra bảng gọn gàng. Loại biến, chạy lại và ghi lại từng vòng loại là quy trình thường gặp, nhưng việc loại hàng loạt để lấy con số cao sẽ khó bảo vệ.
Cân nhắc thu thêm dữ liệu hoặc sửa bảng hỏi
Nếu vấn đề xuất hiện ở nhiều biến, các biến bị trộn nhóm hoặc người trả lời hiểu câu hỏi theo nhiều cách, phần mềm không thể sửa nguyên nhân gốc. Khi còn thời gian và điều kiện, trao đổi với giảng viên về bảng hỏi, mẫu và khả năng thu thêm dữ liệu. Không tự ý nhân bản dòng dữ liệu hoặc sửa câu trả lời để nâng tổng phương sai trích.
Phân biệt Total Variance Explained với các chỉ số dễ nhầm
Total Variance Explained dễ bị nhầm với Cumulative %, communality và AVE. Chúng có liên quan nhưng không phải một chỉ số.
| Chỉ số | Câu hỏi nó trả lời | Xuất hiện ở đâu |
|---|---|---|
| Total Variance Explained | Các nhân tố giữ lại giải thích tổng cộng bao nhiêu biến thiên | Output EFA, bảng Total Variance Explained |
| Cumulative % | Tỷ lệ tích lũy đến một nhân tố cụ thể | Các cột trong Total Variance Explained |
| Communality | Mỗi biến được các nhân tố chung giải thích bao nhiêu | Bảng Communalities |
| Factor loading | Một biến liên hệ mạnh đến mức nào với một nhân tố | Rotated Component Matrix hoặc Pattern Matrix |
| AVE | Một biến tiềm ẩn giải thích bao nhiêu phương sai trung bình của các chỉ báo | CFA hoặc PLS-SEM |
Cumulative % là một cột trong bảng Total Variance Explained, còn Total Variance Explained thường được dùng để gọi kết quả tổng phương sai trích. Communality nằm ở cấp độ từng biến. AVE thuộc đánh giá giá trị hội tụ trong CFA hoặc PLS-SEM, vì vậy không lấy AVE thay cho tổng phương sai trích của EFA.
Cũng cần phân biệt EFA với CFA. EFA khám phá cấu trúc nhân tố trong dữ liệu, còn CFA kiểm định một cấu trúc đã được giả định trước. Nếu bạn chuyển sang CFA, hãy xem mô hình đo lường, factor loading, CR và AVE thay vì bê nguyên tiêu chí của bảng EFA vào. Bài CFA sẽ phù hợp hơn khi bạn đang ở bước xác nhận mô hình đo lường.
Lỗi thường gặp
Lỗi đầu tiên là đọc nhầm dòng. Một số bạn lấy phần trăm của nhân tố cuối trong Initial Eigenvalues thay cho Cumulative % của nhân tố cuối được giữ lại. Khi báo cáo tổng phương sai trích, hãy đọc giá trị tích lũy ở đúng số nhân tố cuối cùng.
Lỗi thứ hai là nói “tổng phương sai trích càng cao càng tốt” mà không xem cấu trúc nhân tố. Một mô hình có nhiều nhân tố và nhiều biến có thể tạo tỷ lệ cao nhưng không còn dễ diễn giải. Hãy báo cáo đồng thời số nhân tố, phương pháp trích, phương pháp xoay và lý do giữ hoặc loại biến.
Lỗi thứ ba là dùng ngưỡng 50% như luật cứng cho mọi đề tài. Đây là mốc tham khảo có nguồn (Hair và cộng sự, 2010), không phải giấy phép bỏ qua lý thuyết. Nếu kết quả thấp hơn mốc, hãy trình bày bối cảnh và trao đổi với người hướng dẫn thay vì chỉnh dữ liệu.
Lỗi thứ tư là nhầm Extraction Sums of Squared Loadings với Rotation Sums of Squared Loadings rồi cho rằng xoay nhân tố đã làm tăng tổng thông tin được giải thích. Xoay chủ yếu giúp cấu trúc dễ diễn giải hơn. Bạn cần nhìn cả trước và sau xoay trong đúng bối cảnh phương pháp đã chọn.
Lỗi cuối là chỉ chụp riêng bảng Total Variance Explained. Một chương kết quả có sức thuyết phục cần liên kết bảng này với KMO và Bartlett, communalities, ma trận tải nhân tố và quyết định xử lý biến.
Đọc thêm: cfa, ma trận xoay, communality, principal component analysis, efa, chủ đề thong ke.
Câu hỏi thường gặp
Total Variance Explained có phải là tổng phương sai trích không
Trong bối cảnh EFA, người làm luận văn thường dùng Total Variance Explained để chỉ kết quả tổng phương sai trích. Cụ thể hơn, con số thường được báo cáo là Cumulative % tại nhân tố cuối cùng được giữ lại.
Bạn nên ghi rõ phương pháp trích và số nhân tố trong câu văn để tránh cách gọi mơ hồ.
Total Variance Explained dưới 50% có bị loại ngay không
Chưa chắc. Mốc 50% là ngưỡng tham khảo thường được dẫn theo (Hair và cộng sự, 2010). Bạn cần xem thêm factor loading, communality, số nhân tố, phương pháp trích và nền tảng lý thuyết.
Nếu kết quả thấp, hãy kiểm tra dữ liệu, biến đảo chiều, tải chéo và cách xác định số nhân tố trước khi loại biến. Không được sửa dữ liệu chỉ để vượt mốc.
Total Variance Explained trong SPSS đọc cột nào
Hãy xem Cumulative % ở dòng nhân tố cuối cùng được giữ lại. Initial Eigenvalues cho thấy thông tin ban đầu, còn Extraction Sums of Squared Loadings cho biết các nhân tố được giữ lại sau tiêu chí trích.
Nếu có xoay, hãy đọc thêm Rotation Sums of Squared Loadings để hiểu phương sai được phân bổ giữa các nhân tố. Đừng lấy một ô riêng lẻ mà bỏ qua số nhân tố và phương pháp trích.
Có cần báo cáo Total Variance Explained trong chương 4 không
Thông thường có, nếu bạn dùng EFA để đánh giá cấu trúc thang đo. Bảng hoặc đoạn diễn giải nên đi cùng KMO và Bartlett, số nhân tố được giữ lại, tổng phương sai trích và kết quả ma trận xoay.
Bạn có thể rút gọn bảng theo quy định trình bày của trường, nhưng vẫn phải lưu output gốc để giải trình khi được hỏi.
Total Variance Explained có dùng cho SmartPLS không
Tên bảng này gắn nhiều hơn với EFA trong SPSS. SmartPLS đánh giá mô hình đo lường bằng outer loading, CR, AVE và HTMT, cùng các chỉ số phù hợp với PLS-SEM. Vì vậy, không bê nguyên mốc và cách đọc của Total Variance Explained sang SmartPLS.
Khi cần báo cáo kết quả SmartPLS, hãy tách rõ đánh giá measurement model và structural model để tránh trộn các hệ tiêu chí.
Bạn hãy mở lại file SPSS, ghi ra số nhân tố được giữ lại, Cumulative % ở dòng cuối, phương pháp trích và kết quả ma trận xoay, sau đó đối chiếu với tiêu chí có nguồn trước khi đưa vào chương 4. Nếu muốn chạy phân tích trên chính file .sav hoặc .csv và chuyển output thành phần diễn giải, bạn có thể xem module M4 phân tích dữ liệu.