Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng được sử dụng để rút gọn tập hợp các biến đo lường phụ thuộc lẫn nhau thành một số biến ít hơn (gọi là các nhân tố) nhằm tạo ra những biến có ý nghĩa hơn. Đây là một phương pháp quan trọng trong nghiên cứu khoa học và được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm quản lý, kinh tế, xã hội, tâm lý học và nhiều lĩnh vực khác. Trong bài viết này, chúng ta sẽ cùng tìm hiểu về EFA.
1. Giới thiệu về nhân tố khám phá EFA
1.1. Khái niệm EFA
- Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một kỹ thuật được sử dụng để kiểm định hai loại biến quan trọng trong thang đo, bao gồm các giá trị hội tụ và các giá trị phân biệt.
Phân tích EFA là một phương pháp thống kê đa biến được sử dụng để tìm ra mối quan hệ giữa các biến và nhóm các biến tương tự nhau thành các nhóm các yếu tố (factors). Phương pháp này giúp rút gọn một tập hợp các biến quan sát thành một tập hợp F (với F < k) các nhân tố có ý nghĩa thống kê hơn. Kết quả của phân tích EFA giúp giảm kích thước của dữ liệu bằng cách tóm tắt các biến liên quan vào các yếu tố, giúp cho việc phân tích và diễn giải dữ liệu trở nên đơn giản hơn. Các yếu tố này thường được coi như các biến ẩn, không được đo lường trực tiếp, nhưng có ảnh hưởng đến các biến quan sát.
Bạn đang xem: Khám Phá Tổng Quan Phân Tích Nhân Tố Khám Phá EFA!!
1.2. Khái niệm các nhân tố trong phân tích EFA.
- Yếu tố Factor trong EFA là yếu tố có các biến có thể quan sát được từ một số đặc điểm chung nào đó mà chúng ta không thể quan sát được trực tiếp. Ví dụ, yếu tố này có thể được giải thích bằng các khái niệm lớn hơn, như chất lượng cuộc sống, sự hài lòng về công việc hoặc năng lực quản lý.
- Hệ số tải yếu tố Factor càng cao, nghĩa là có sự tương quan giữa các biến quan sát đó với yếu tố càng lớn và ngược lại. Mỗi factor được xác định bởi một tập hợp các biến quan sát có mối quan hệ cao với nhau và mối quan hệ thấp với các biến khác trong tập dữ liệu. Chúng thường được đo lường bằng phương sai tổng thể giữa các biến quan sát và được liệt kê theo thứ tự giảm dần của khả năng giải thích của yếu tố đó.
- Phương sai là phép đo lường mức độ chênh lệch giữa các giá trị của các biến trong một tập dữ liệu. Trong thống kê, phương sai được sử dụng để so sánh hiệu quả của các yếu tố trong danh mục đầu tư và đo lường mức độ ảnh hưởng mạnh yếu của các mối quan hệ giữa hai biến số. Hệ số tương quan là thước đo dùng trong thống kê để đo mức độ ảnh hưởng mạnh yếu của các mối quan hệ giữa hai biến số. Bằng cách kiểm tra các giá trị của hệ số tương quan, chúng ta có thể xác định mức độ tương quan giữa các biến trong một tập dữ liệu.
2. Mục tiêu và ứng dụng của EFA
2.1. Mục tiêu
- Phân tích nhân tố khám phá EFA có hai mục tiêu quan trọng. Đầu tiên là xác định số lượng yếu tố ảnh hưởng đến tập dữ liệu của các biến đo lường. Thứ hai là đánh giá mức độ ảnh hưởng của mỗi yếu tố đối với từng biến đo lường.
2.2. Ứng dụng
- Phân tích nhân tố khám phá EFA thường được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm quản lý, kinh tế, xã hội, tâm lý học và nhiều lĩnh vực khác. Phương pháp này thường được áp dụng trong các nghiên cứu khoa học để tìm ra các cấu trúc tiềm ẩn trong một tập hợp lớn các biến quan sát.
- Trong nghiên cứu kinh tế, các nhà nghiên cứu thường sử dụng EFA để rút gọn tập hợp các biến quan sát thành các yếu tố. Sau đó, các yếu tố này được sử dụng như các biến độc lập trong các mô hình phân tích hồi quy đa biến để đánh giá mối quan hệ giữa các biến.
3. Điều kiện để áp dụng EFA
3.1. Mức độ tương quan giữa các biến đo lường
- Phân tích EFA dựa trên mối quan hệ giữa các biến đo lường với nhau. Trước khi áp dụng phân tích EFA, chúng ta cần kiểm tra mức độ tương quan giữa các biến đo lường này. Sử dụng ma trận của hệ số tương quan, chúng ta có thể xác định mức độ ảnh hưởng giữa các biến. Nếu hệ số tương quan có giá trị nhỏ hơn 0.30, phân tích EFA sẽ không phù hợp.
- Để kiểm tra mức độ tương quan giữa các biến, chúng ta có thể sử dụng kiểm định Bartlett và kiểm định KMO. Kiểm định Bartlett được sử dụng để kiểm tra xem ma trận tương quan có đúng là ma trận đơn vị hay không, trong đó ma trận đơn vị có nghĩa là các biến dữ liệu không có mối quan hệ với nhau. Kiểm định KMO được sử dụng để so sánh độ lớn của hệ số tương quan giữa hai biến và hệ số tương quan riêng của chúng.
3.2. Kích thước mẫu
- Để áp dụng phân tích EFA, chúng ta cần kiểm tra kích thước mẫu. Tuy nhiên, việc kiểm định kích thước mẫu phù hợp là một vấn đề phức tạp. Một số nhà nghiên cứu đề xuất rằng số lượng quan sát các biến ít nhất phải đạt gấp 4 đến 5 lần số biến khi thực hiện phân tích EFA.
- Việc kiểm định kích thước mẫu phù hợp cũng liên quan đến tỷ lệ quan sát trên mỗi biến đo lường. Cố gắng tối đa hóa tỷ lệ quan sát trên mỗi biến đo lường là 5:1, có nghĩa là với mỗi biến đo lường cần ít nhất 5 quan sát.
- Các yếu tố cũng được xem là đáng tin cậy nếu có ít nhất 3 biến đo lường.
4. So sánh giữa EFA và CFA (Confirmatory Factor Analysis)
4.1. Giống nhau
- Cả EFA và CFA đều sử dụng để đánh giá mối quan hệ giữa các biến quan sát với các biến tiềm ẩn. Qua đó, xem xét được biến quan sát nào có ảnh hưởng nhiều nhất vào biến tiềm ẩn mẹ và biến quan sát nào không có ảnh hưởng.
- Cả EFA và CFA đều có tính chất hội tụ (convergence) và tính chất phân biệt (discriminant) của các nhóm cấu trúc biến.
4.2. Khác nhau
Phân tích EFA:
- Là phân tích thống kê truyền thống.
- Chỉ thiên về khám phá cấu trúc nhân tố.
- Các biến đã được chuẩn hóa.
- Xác định các biến quan sát không có sai số đo lường.
Xem thêm : Bậc Dinh Dưỡng Là Gì, Trao Đổi Chất Trong Hệ Sinh Thái, Bậc Dinh Dưỡng
Phân tích CFA:
- Là phân tích thống kê hiện đại với đa chức năng và xử lý được nhiều vấn đề.
- Chỉ thiên về khẳng định cấu trúc nhân tố.
- Các biến chưa được chuẩn hóa.
- Xác định các biến quan sát có sai số đo lường.
5. Mô hình của EFA
- Trong phân tích EFA, mỗi biến đo lường được biểu diễn như là một tổ hợp tuyến tính của các nhân tố cơ bản, trong đó lượng biến thiên của mỗi biến đo lường được giải thích bởi các nhân tố chung. Biến thiên chung của các biến đo lường được mô tả bằng các nhân tố chung cộng với các nhân tố đặc trưng cho mỗi biến. Nếu các biến đo lường được chuẩn hóa, mô hình nhân tố được thể hiện bằng phương trình XI = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . . + Aim * Fm + Vi * Ui.
- Các nhân tố đặc trưng có tương quan với nhau và tương quan với các nhân tố chung. Các nhân tố chung cũng có thể được diễn tả như là tổ hợp tuyến tính của các biến đo lường. Điều này được thể hiện trong mô hình Fi = Wi1 * X1 + Wi2 * X2 + Wi3 * X3 + . . . + Wik * Xk.
6. Các bước thực hiện EFA
Có nhiều bước khác nhau để thực hiện EFA, tùy thuộc vào các nhà nghiên cứu:
i) Có 6 bước thực hiện EFA theo Hoàng Trọng và Chu Mộng Ngọc (2010):
ii) Có 7 bước thực hiện EFA theo Rietveld & Van Hout (1993):
Xem thêm : Mã bưu chính – Postal code – Mã thư tín là gì, dùng để làm gì?
iii) Có 5 bước thực hiện EFA theo Williams, Onsman, Brown (2010):
Trong quá trình thực hiện EFA, cần chú ý đưa các biến kiểm soát vào mô hình để kiểm soát các yếu tố ngoại cảnh có thể ảnh hưởng đến kết quả phân tích. Điều này đặc biệt quan trọng khi thực hiện phân tích trên các dữ liệu quan sát trong thực tế.
7. Các vấn đề cần lưu ý trong phân tích EFA
7.1. Phân tích EFA chung cho tất cả các biến độc lập và biến phụ thuộc hay phân tích riêng?
- Phân tích nhân tố khám phá (EFA) thường được sử dụng trên tất cả các biến độc lập nhằm xác định các yếu tố tiềm ẩn giải thích sự biến thiên của các biến độc lập đó. Trong một số trường hợp, EFA cũng có thể được thực hiện dựa trên các biến phụ thuộc để kiểm tra các yếu tố ẩn ảnh hưởng đến sự biến thiên của các biến phụ thuộc.
- Tuy nhiên, phân tích EFA chung cho tất cả các biến độc lập và biến phụ thuộc không phải là lựa chọn tốt nhất. Vì các biến độc lập và biến phụ thuộc thường không có mối tương quan lẫn nhau và có mục tiêu phân tích thống kê khác nhau.
7.2. Phân tích EFA chung cho tất cả các biến độc lập và biến phụ thuộc hay phân tích riêng
- Khi sử dụng EFA để đánh giá các giá trị thang đo, việc sử dụng EFA cho từng loại thang đo riêng lẻ sẽ không đạt được kết quả phân biệt tốt nhất. Do đó, cần kiểm định xem hệ số tương quan giữa hai khái niệm có khác 1 hay không.
- Phân tích EFA chung cho tất cả các biến độc lập và biến phụ thuộc không phải là lựa chọn tốt nhất trong nghiên cứu và phân tích dữ liệu thống kê. Vì các biến độc lập và biến phụ thuộc thường không có mối tương quan lẫn nhau và có mục tiêu phân tích thống kê khác nhau.
Vậy là chúng ta đã tổng hợp các khái niệm, mục tiêu, ứng dụng, điều kiện, mô hình và các bước thực hiện EFA một cách chi tiết. Hy vọng rằng những kiến thức này sẽ giúp bạn áp dụng phân tích EFA thành công trong nghiên cứu của mình!
