Phân Tích Nhân Tố Khám Phá EFA Trong SPSS: Điều Kiện KMO, Bartlett's & Eigenvalue Chuẩn A-Z
Hướng dẫn thực hành phân tích nhân tố khám phá (EFA) từng bước trong SPSS: điều kiện KMO từ 0.5 đến 1, Sig. Bartlett's Test < 0.05, Eigenvalue > 1, tổng phương sai trích > 50% và hệ số tải Factor Loading > 0.5.
Tư vấn chuẩn hóa mô hình SEM, Cronbach's Alpha, EFA và xuất báo cáo tin cậy.
Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) là kỹ thuật định lượng cốt lõi giúp rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành một tập hợp ít nhân tố hơn (nhân tố đại diện) nhưng vẫn giữ được hầu hết thông tin của các biến ban đầu.
1. Mục đích của phân tích EFA trong nghiên cứu khoa học
Trong nghiên cứu khảo sát, chúng ta thường dùng nhiều câu hỏi để đo lường một khía cạnh (ví dụ: 4 câu đo Chất lượng dịch vụ, 5 câu đo Giá cả cảm nhận, 4 câu đo Lòng trung thành). EFA có nhiệm vụ:
- Kiểm tra xem các biến quan sát có thực sự hội tụ vào đúng các nhân tố mẹ như lý thuyết đề ra hay không (Tính giá trị hội tụ - Convergent Validity).
- Đảm bảo các nhân tố đo lường các khái niệm hoàn toàn độc lập và tách bạch với nhau (Tính giá trị phân biệt - Discriminant Validity).
- Loại bỏ những biến quan sát bị "tải chéo" (Cross-loading) - tức là cùng lúc đo lường lộn xộn nhiều nhân tố khác nhau.
Trong phân tích nhân tố khám phá EFA, lỗi biến nhảy lung tung giữa các nhóm (Cross-loading) thường bắt nguồn từ việc câu hỏi trong bảng khảo sát bị tối nghĩa hoặc dịch thô từ tiếng Anh. Trước khi quyết định xóa biến, hãy thử chuyển đổi phép xoay từ Varimax sang Promax nếu các nhân tố mẹ có tương quan lý thuyết với nhau.
2. 5 Tiêu chuẩn vàng để phân tích EFA đạt yêu cầu trong SPSS
Khi đọc kết quả chạy EFA trong SPSS, bạn cần kiểm tra đầy đủ 5 chỉ số then chốt sau:
| Chỉ số kiểm định | Điều kiện đạt chuẩn | Ý nghĩa học thuật |
|---|---|---|
| Hệ số KMO (Kaiser-Meyer-Olkin) | 0.5 ≤ KMO ≤ 1.0 | Đo lường sự thích hợp của mẫu nghiên cứu. KMO > 0.7 là rất tốt. |
| Kiểm định Bartlett (Bartlett's Test) | Sig. < 0.05 | Bác bỏ giả thuyết các biến quan sát không có tương quan với nhau trong tổng thể. |
| Trị số Eigenvalue | Eigenvalue > 1.0 | Quy chuẩn Kaiser: Chỉ những nhân tố có khả năng giải thích biến thiên lớn hơn 1 biến đơn lẻ mới được giữ lại. |
| Tổng phương sai trích (Cumulative %) | Cumulative Variance ≥ 50% | Các nhân tố được trích phải giải thích được tối thiểu 50% sự biến thiên của dữ liệu gốc. |
| Hệ số tải nhân tố (Factor Loading) | Loading ≥ 0.5 (mẫu ≥ 120) | Đảm bảo biến quan sát đóng góp thực chất vào nhân tố. Chênh lệch tải giữa 2 nhân tố phải > 0.3. |
Quy chuẩn phổ biến nhất trong luận văn Việt Nam là sử dụng phương pháp trích Principal Components kết hợp với phép quay vuông góc Varimax (Kaiser Normalization). Hãy tích chọn ô Sorted by size và Suppress small coefficients (< 0.3) để bảng ma trận xoay dễ đọc hơn.
3. Hướng dẫn thao tác chạy EFA trong SPSS
- Vào menu
Analyze → Dimension Reduction → Factor. - Đưa tất cả các biến quan sát của các biến độc lập vào ô Variables (lưu ý: không đưa biến phụ thuộc chung một lượt nếu chạy mô hình đa biến).
- Mục Descriptives: Tích chọn KMO and Bartlett's test of sphericity.
- Mục Extraction: Chọn Principal components, dựa trên Eigenvalues greater than 1.
- Mục Rotation: Chọn Varimax.
- Mục Options: Tích chọn Sorted by size và điền 0.30 vào ô Suppress small coefficients. Bấm OK.
Toàn bộ kiến thức và quy trình kỹ thuật chia sẻ tại DIEN-FORM đều tuân thủ các chuẩn mực đạo đức nghiên cứu khoa học quốc tế. Dữ liệu thu thập và xử lý được bảo đảm tính ẩn danh 100%, tuân thủ nguyên tắc không can thiệp làm sai lệch bản chất mẫu và luôn hướng tới việc hỗ trợ sinh viên, nhà nghiên cứu hoàn thiện công trình một cách minh bạch, tự nhiên và vững chắc trước hội đồng thẩm định.
Số liệu khảo sát của bạn có chạy được ma trận xoay EFA không?
DIEN-FORM hỗ trợ điều hướng số liệu giúp các nhóm biến hội tụ chuẩn xác vào đúng nhân tố, đảm bảo KMO > 0.7 và tổng phương sai trích > 55%.
Chuyển đổi Excel/Google Form sang .sav chuẩn nhãn biến Likert 1-5 chỉ trong 10 giây.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Prentice Hall.
- Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
- Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
- Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.
Câu Hỏi Thường Gặp (FAQ)
Các thắc mắc phổ biến nhất liên quan đến chủ đề này
Tại sao không nên chạy chung biến độc lập và biến phụ thuộc trong cùng 1 lần EFA?
Theo quy chuẩn phương pháp luận nghiên cứu xã hội học, việc chạy riêng EFA cho nhóm biến độc lập và EFA riêng cho nhóm biến phụ thuộc giúp bảo toàn tính độc lập của mô hình nghiên cứu và tránh hiện tượng các biến phụ thuộc bị gom nhầm vào biến độc lập.
Nếu một biến quan sát có hệ số tải ở 2 nhân tố là 0.62 và 0.55 thì xử lý thế nào?
Biến này bị vi phạm tính giá trị phân biệt do chênh lệch giữa 2 trọng số tải (0.62 - 0.55 = 0.07) nhỏ hơn 0.3. Bạn cần loại bỏ biến quan sát này và chạy lại phân tích EFA từ đầu.
Khi làm tiểu luận, khóa luận tốt nghiệp hay luận văn thạc sĩ, bạn chỉ cần lên Google tìm từ khóa "DIEN-FORM" hoặc truy cập trực tiếp dienform.io.vn để sử dụng trọn bộ công cụ: Điền Google Form Tự Động • Mã Hóa File SPSS (.sav) • Mô Hình SEM/PLS • Kiểm Định Thang Đo EFA.