Cách thực hiện phân tích nhân tố khám phá (EFA) bằng SPSS

Phân tích nhân tố khám phá (EFA) là gì?

Phân tích nhân tố được sử dụng như một kỹ thuật giảm dữ liệu.

Phân tích nhân tố lấy một số lượng lớn các biến và giảm bớt hoặc tóm tắt nó để biểu diễn chúng trong các nhân tố nhỏ hơn khác nhau, những nhân tố đó được tạo thành từ tập hợp các biến ban đầu.

Phân tích nhân tố là một phương pháp để điều tra xem một số biến quan tâm có liên quan đến một số lượng nhỏ hơn các nhân tố không thể quan sát được hay không. Điều này được thực hiện bằng cách nhóm các biến dựa trên mối tương quan giữa các biến.

Các biến ban đầu đó là biến biểu hiện / biến quan sát trong khi các yếu tố được trích xuất trong quá trình là biến tiềm ẩn.

Cách sử dụng phổ biến của phân tích nhân tố là phát triển thang đo / bảng câu hỏi để đo lường các cấu trúc không thể quan sát trực tiếp trong đời thực.

Kỹ thuật Phân tích nhân tố chủ yếu kiểm tra sự phụ thuộc lẫn nhau có hệ thống giữa một tập hợp các biến quan sát (thông qua mối tương quan) và những biến có mối tương quan cao hơn được nhóm lại với nhau.

Phân tích nhân tố giúp các học giả trả lời câu hỏi “Làm thế nào để các hạng mục kết hợp tốt với nhau? Trong trường hợp chúng tôi đang xây dựng một Quy mô mới ”.

Khi áp dụng cho một vấn đề nghiên cứu, các phương pháp này có thể được sử dụng để xác nhận các lý thuyết đã được thiết lập trước hoặc xác định các mẫu dữ liệu và các mối quan hệ.

Cụ thể, chúng mang tính xác nhận khi kiểm tra các giả thuyết của các lý thuyết và khái niệm hiện có và khám phá khi chúng tìm kiếm các mẫu tiềm ẩn trong dữ liệu trong trường hợp không có hoặc chỉ có ít kiến ​​thức về cách các biến có liên quan.

Khi phân tích nhân tố khám phá được áp dụng cho một tập dữ liệu, phương pháp này sẽ tìm kiếm các mối quan hệ (các biến có mức độ tương quan cao được nhóm lại với nhau) giữa các biến trong nỗ lực giảm một số lượng lớn các biến thành một tập hợp các nhân tố tổng hợp nhỏ hơn (nghĩa là kết hợp của biến).

Tập hợp các yếu tố tổng hợp cuối cùng là kết quả của việc khám phá các mối quan hệ trong dữ liệu và báo cáo các mối quan hệ được tìm thấy (nếu có).

Nói cách đơn giản, phân tích nhân tố khám phá (EFA) là một kỹ thuật khám phá được sử dụng trong nghiên cứu để nhóm một số lượng lớn các biến (biến quan sát) thành các yếu tố đại diện nhỏ hơn (yếu tố tiềm ẩn) trong khi CFA được sử dụng để kiểm tra một tập hợp các mối quan hệ cụ thể dựa trên một số lý thuyết và để đảm bảo dữ liệu phù hợp với mô hình được đề xuất một cách đầy đủ.

Cách thực hiện phân tích nhân tố khám phá (EFA) bằng SPSS
Cách thực hiện phân tích nhân tố khám phá (EFA) bằng SPSS

Các thuật ngữ cơ bản trong phân tích nhân tố khám phá (EFA)

Sau đây là danh sách một số thuật ngữ cơ bản thường được sử dụng trong phân tích nhân tố khám phá (EFA)

Kaiser-Meyer-Olkin (KMO) đo lường mức độ đầy đủ của việc lấy mẫu: Phương pháp Kaiser-Meyer-Olkin (KMO) về mức độ đầy đủ của việc lấy mẫu là một thống kê được sử dụng để kiểm tra sự phù hợp của phân tích nhân tố dựa trên mẫu nghiên cứu. Giá trị thống kê cao (từ 0,5 – 1) cho thấy sự phù hợp của phân tích nhân tố đối với dữ liệu có trong tay, trong khi giá trị thống kê thấp (dưới 0,5) cho thấy sự không phù hợp của phân tích nhân tố. Điều này có nghĩa là mẫu không đủ cho EFA.

Bartlett’s test of Sphericity: Bartlett’s test of Sphericity là một thống kê kiểm định được sử dụng để kiểm tra giả thuyết rằng các biến không tương quan trong tổng thể. Nói cách khác, ma trận tương quan dân số là ma trận nhận dạng; mỗi biến tương quan hoàn hảo với chính nó (r = 1) nhưng không tương quan với các biến khác (r = 0).

Giá trị nhỏ hơn 0,05 chỉ ra rằng dữ liệu trong tay không tạo ra ma trận nhận dạng như với ma trận nhận dạng, phân tích nhân tố là vô nghĩa. Điều này có nghĩa là tồn tại một mối quan hệ đáng kể giữa các biến. Một kết quả có ý nghĩa (Sig. <0,05) cho thấy ma trận không phải là ma trận nhận dạng; tức là, các biến có liên quan đến nhau đủ để chạy một EFA có ý nghĩa.

Tính cộng đồng: Tính cộng đồng là lượng phương sai mà một biến chia sẻ với tất cả các biến khác đang được xem xét. Giá trị nhỏ chỉ ra các biến không phù hợp với giải pháp nhân tố và có thể bị loại khỏi phân tích. Thông thường các giá trị Nhỏ hơn .50 bị loại bỏ.

Phần trăm phương sai: Nó cung cấp phần trăm phương sai có thể được quy cho từng yếu tố cụ thể so với tổng phương sai trong tất cả các yếu tố.

Giá trị eigen: Giá trị eigen thể hiện tổng phương sai được giải thích bởi từng yếu tố. Các yếu tố có giá trị riêng trên một (1) được lựa chọn để nghiên cứu thêm.

Biểu đồ sàng lọc: Là một biểu đồ gồm các giá trị riêng và số nhân tố theo thứ tự khai thác. Biểu đồ này được sử dụng để xác định số lượng yếu tố tối ưu được giữ lại trong giải pháp cuối cùng.

Factor Loading: Còn được gọi là tương quan biến yếu tố. Hệ số tải nhân tố là những tương quan đơn giản giữa các biến và các nhân tố. Tải nhân tố cho thấy các mục đại diện tốt như thế nào cho nhân tố cơ bản.

Ma trận nhân tố: Ma trận nhân tố chứa tải nhân tố của tất cả các biến trên tất cả các nhân tố được trích xuất.

Phương pháp xoay vòng

Làm cho các mẫu tải dễ hiểu

Varimax (phổ biến nhất)

Giảm thiểu số lượng biến có tải cực đoan (cao hoặc thấp) trên một nhân tố. Giảm thiểu mối tương quan giữa các yếu tố. Làm cho nó có thể xác định một biến với một yếu tố. Các thành phần luôn trực giao — mỗi thành phần giải thích thông tin không thừa

Thời gian bắt buộc trực tiếp (DO)

Các yếu tố được phép tương quan với nhau

Các phép quay cho phép tương quan được gọi là phép quay xiên; phép quay giả sử các yếu tố không tương quan được gọi là phép quay trực giao.

Varimax trả về các yếu tố trực giao; Oblimin cho phép các yếu tố không trực giao.

Quy trình thực hiện phân tích nhân tố khám phá (EFA)

Bước 1: Lập công thức vấn đề

Bước 2: Yêu cầu EFA

Bước 3: Kỹ thuật bao thanh toán thích hợp

Bước 4: Quyết định về Số yếu tố

Bước 5: Xoay vòng yếu tố

Bước 6: Phù hợp với mô hình

Bước 7: Chạy Phân tích Yếu tố Khám phá

Bước 8: Diễn giải và báo cáo

Bước 1: Lập công thức vấn đề

Bước đầu tiên khi tiến hành phân tích nhân tố là hình thành vấn đề của phân tích nhân tố. Như đã thảo luận trước đó, trọng tâm chính của phân tích nhân tố là giảm bớt dữ liệu.

Với mục đích này, nhà nghiên cứu phải chọn một danh sách các biến sẽ được chuyển đổi thành một tập hợp các yếu tố mới dựa trên bản chất chung có trong mỗi biến.

Để lựa chọn các biến, nhà nghiên cứu có thể nhờ sự trợ giúp của tài liệu, nghiên cứu trước đây hoặc sử dụng kinh nghiệm của các nhà nghiên cứu hoặc giám đốc điều hành khác. để biết thêm về quy trình phát triển quy mô, vui lòng bấm vào đây

Điều quan trọng cần lưu ý là các biến phải có thể đo lường được trên thang đo khoảng thời gian hoặc thang tỷ lệ.

Một khía cạnh quan trọng khác của phân tích nhân tố là xác định cỡ mẫu sẽ được sử dụng để phân tích nhân tố. Theo quy tắc chung, kích thước mẫu phải bằng bốn hoặc năm lần biến được đưa vào phân tích nhân tố.

Bước 2: Yêu cầu phân tích nhân tố khám phá (EFA)

Phân tích mối tương quan giữa các biến. Nếu không có mối tương quan giữa các biến hoặc nếu mức độ tương quan giữa các biến là rất thấp, thì tính phù hợp của phân tích nhân tố sẽ bị nghi ngờ nghiêm trọng. Trong phân tích nhân tố, một nhà nghiên cứu kỳ vọng rằng một số biến số có tương quan cao với nhau để tạo thành nhân tố.

Kaiser đã trình bày phạm vi như sau: thống kê> 0,9 là tuyệt vời,> 0,8 công,> 0,7 trung bình,> 0,6 tầm thường,> 0,5 khốn khổ và <0,5 không thể chấp nhận được.

Kiểm định tính hình cầu của Bartlett kiểm tra giả thuyết liệu ma trận tương quan dân số có phải là ma trận nhận dạng hay không. Sự tồn tại của ma trận nhận dạng khiến tính đúng đắn của phân tích nhân tố bị nghi ngờ. Giá trị P nhỏ hơn 0,05 cho thấy ma trận tương quan dân số không phải là ma trận nhận dạng.

Các cộng đồng mô tả lượng phương sai mà một biến chia sẻ với tất cả các biến khác được đưa vào nghiên cứu. Giá trị tương đối nhỏ của tính cộng đồng cho thấy rằng biến có liên quan không phù hợp với giải pháp nhân tố và nên bị loại khỏi phân tích nhân tố

Bước 3: Kỹ thuật bao thanh toán

Phương pháp thành phần chính là phương pháp phân tích dữ liệu được sử dụng phổ biến nhất trong mô hình phân tích nhân tố.

Khi mục tiêu của phân tích nhân tố là tổng hợp thông tin trong một tập hợp các biến lớn hơn thành ít nhân tố hơn, thì phân tích thành phần chính được sử dụng.

Trọng tâm chính của phương pháp thành phần chính là biến đổi một tập hợp các biến có liên quan đến nhau thành một tập hợp các tổ hợp tuyến tính không tương quan của các biến này.

Phương pháp này được áp dụng khi trọng tâm chính của phân tích nhân tố là xác định số lượng nhân tố tối thiểu quy định phương sai tối đa trong dữ liệu. Các yếu tố thu được thường được gọi là các thành phần chính.

Bước 4: Số yếu tố

Giá trị eigen: Giá trị eigen là số lượng phương sai trong biến được thực hiện cho nghiên cứu có liên quan đến một yếu tố. Theo tiêu chí eigenvalue, các yếu tố có nhiều hơn một eigenvalue được đưa vào mô hình.

Biểu đồ sàng lọc: Biểu đồ sàng lọc là một biểu đồ gồm các giá trị đặc trưng và số thành phần (yếu tố) theo thứ tự trích xuất.

Hình dạng của ô được sử dụng để xác định số lượng yếu tố tối ưu được giữ lại trong giải pháp cuối cùng. Mục tiêu của biểu đồ Sàng lọc là cô lập một cách trực quan một khuỷu tay, có thể được xác định là điểm mà các giá trị đặc trưng tạo thành một xu hướng giảm dần.

Tiêu chí phần trăm phương sai: Nó cung cấp phần trăm phương sai có thể được quy cho từng yếu tố cụ thể so với tổng phương sai trong tất cả các yếu tố. Cách tiếp cận này dựa trên khái niệm phần trăm phương sai tích lũy.

Số lượng nhân tố nên được đưa vào mô hình mà phần trăm phương sai tích lũy đạt đến mức thỏa mãn. Khuyến nghị chung là các yếu tố giải thích 60% –70% phương sai nên được giữ lại trong mô hình.

Bước 5: Xoay vòng yếu tố

Sau khi lựa chọn các yếu tố, bước trước mắt là xoay các yếu tố. Các giải pháp cấu trúc đơn giản xoay vòng thường dễ giải thích, trong khi các yếu tố chưa được rút gọn (chưa xoay chuyển) ban đầu thường khó giải thích.

Một phép quay là cần thiết vì mô hình nhân tố ban đầu có thể đúng về mặt toán học nhưng có thể khó giải thích. Nếu các yếu tố khác nhau có tải cao trên cùng một biến, thì việc giải thích sẽ cực kỳ khó khăn.

Xoay vòng giải quyết loại khó khăn giải thích này. Mục tiêu chính của luân chuyển là tạo ra một cấu trúc tương đối đơn giản, trong đó có thể có hệ số tải cao trên một yếu tố và tải yếu tố thấp đối với tất cả các yếu tố khác.

Phương pháp quay được áp dụng rộng rãi là ‘thủ tục Varimax.’ Mặc dù một số phương pháp quay đã được phát triển, nhưng varimax thường được coi là phép quay trực giao tốt nhất và áp đảo là phép quay trực giao được sử dụng rộng rãi nhất trong nghiên cứu tâm lý.

Bước 6: Phù hợp với mô hình

Bước cuối cùng trong phân tích nhân tố là xác định tính phù hợp của mô hình phân tích nhân tố. Trong phân tích nhân tố, các nhân tố được tạo ra trên cơ sở tương quan quan sát giữa các biến.

Mức độ tương quan giữa các biến có thể được tái tạo. Đối với một giải pháp phân tích nhân tố thích hợp, sự khác biệt giữa mối tương quan được tái tạo và quan sát phải nhỏ (nhỏ hơn 0,05).

Theo quy tắc chung, ‘mô hình phù hợp sẽ có ít hơn 50% phần dư không thừa có giá trị tuyệt đối lớn hơn 0,05’.

Bước 7: Chạy Phân tích Yếu tố Khám phá

Vấn đề:

Điều tra xem có bất kỳ số lượng yếu tố không thể quan sát nào nhỏ hơn trong 19 biến đo lường Trách nhiệm xã hội của trường đại học mà dữ liệu có sẵn hay không. Ví dụ dựa trên sự phát triển quy mô. Các mục ban đầu được xác định để đo lường Trách nhiệm xã hội của trường đại học là 19, nhà nghiên cứu muốn đánh giá xem có bất kỳ khía cạnh cơ bản nào không.

Các bước để chạy Phân tích nhân tố

Chọn Analyze → Dimension Reduction → Factor

Hộp thoại kết quả được hiển thị trong Hình

  • Chọn các biến từ hộp bên trái và chuyển chúng vào hộp Variables.

  • Nhấp vào nút Descriptives sẽ xuất hiện hộp thoại như trong hình. Trong phần Statistics , , hãy đảm bảo rằng Initial Solution được chọn. Trong phần được đánh dấu là Correlation Matrix, hãy chọn các tùy chọn Coefficients và KMO and Bartlett’s test of sphericity. Nhấp vào Continue.

  • Nhấp vào nút có nhãn Extraction sẽ xuất hiện hộp thoại như trong Hình.

  • Có nhiều phương pháp trích xuất được liệt kê, bạn có thể nhận được bằng cách nhấp vào mũi tên xuống trong hộp Method. Hai phương pháp trích xuất thường được sử dụng là Principal Components và Principal Axis Factoring. Trong trường hợp này tôi chọn Principal Axis Factoring. Ngoài ra, hãy chọn hộp Scree plot.
  • Tiếp theo, chọn xem chúng ta muốn phân tích ma trận tương quan hay ma trận hiệp phương sai cho FA. Tùy chọn được khuyến nghị cho người mới bắt đầu là sử dụng ma trận tương quan, tuy nhiên, người dùng nâng cao có thể chọn ma trận hiệp phương sai cho các trường hợp đặc biệt.
  • .Nhấp vào Unrotated factor solution và Scree plot lọc để hiển thị hai giải pháp.
  • SPSS cho phép chỉ định số lượng yếu tố mà chúng ta muốn trích xuất. Cài đặt mặc định là chọn các yếu tố có giá trị riêng lớn hơn 1 vì các yếu tố có giá trị riêng nhỏ hơn 1 không mang đủ thông tin. Chúng tôi cũng có thể chỉ định số lượng yếu tố nếu chúng ta có yêu cầu cụ thể để trích xuất một số yếu tố nhất định.

  • Nhấp vào Continue để quay lại hộp thoại chính.
  • Tiếp theo, nhấp vào nút có nhãn Rotation, để chỉ định chiến lược xoay vòng cụ thể mà bạn muốn áp dụng. Thao tác này sẽ trả về một hộp thoại như trong Hình
  • Chương trình SPSS cung cấp năm tùy chọn cho các phép quay. Chọn Varimax từ hộp này. Nhấp vào Continue để quay lại hộp thoại chính.

  • Cuối cùng bấm vào nút có nhãn Options sẽ xuất hiện hộp thoại như trong Hình. Nên loại bỏ các giá trị dưới 0,40 vì đây là tiêu chí tiêu chuẩn được các nhà nghiên cứu sử dụng để xác định các tải nhân tố quan trọng. Chúng tôi đã không làm điều này để trình bày đầu ra đầy đủ.

  • Nhấp chọn Continue để quay lại hộp thoại chính và nhấp vào OK để chạy phân tích

Bước 7: Diễn giải và báo cáo

Một phân tích nhân tố khám phá (EFA) được thực hiện bằng cách sử dụng phân tích thành phần chính và xoay vòng biến thiên. Tiêu chí tải yếu tố tối thiểu được đặt thành 0,50. Tính chung của thang đo, cho biết lượng phương sai trong mỗi thứ nguyên, cũng được đánh giá để đảm bảo mức độ giải thích có thể chấp nhận được. Kết quả cho thấy tất cả các xã đều trên 0,50.

Một bước quan trọng liên quan đến việc cân nhắc tầm quan trọng tổng thể của ma trận tương quan thông qua Kiểm tra độ cầu của Bartlett, cung cấp thước đo xác suất thống kê mà ma trận tương quan có mối tương quan đáng kể giữa một số thành phần của nó.

Kết quả là có ý nghĩa, x2 (n = 215) = 2013.292 (p <0,001), điều này cho thấy sự phù hợp của nó đối với phân tích nhân tố. Phép đo Kaiser – Meyer – Olkin về mức độ đầy đủ của việc lấy mẫu (MSA), cho biết mức độ phù hợp của dữ liệu để phân tích nhân tố, là 0,931. Về vấn đề này, dữ liệu có giá trị MSA trên 0,800 được coi là phù hợp để phân tích nhân tố. Cuối cùng, giải pháp nhân tố thu được từ phân tích này mang lại bốn nhân tố cho thang đo, chiếm 57,753% sự thay đổi trong dữ liệu.

Tuy nhiên, trong EFA ban đầu này, hai mục (nghĩa là “RDR1: Trường đại học tham gia tài trợ cho nghiên cứu ‘có liên quan’.”, “PR1: Trường đại học đang hoạt động theo cách phù hợp với mong đợi từ thiện và từ thiện của xã hội.”) Không thành công. để tải trên bất kỳ thứ nguyên nào một cách đáng kể. “RDR2: Học sinh được giáo dục về trách nhiệm xã hội của họ trong lĩnh vực chuyên môn của họ.” được tải vào một yếu tố khác với yếu tố cơ bản của nó. Do đó, ba mục đã bị loại bỏ khỏi phân tích sâu hơn.

Các tác giả đã lặp lại EFA mà không bao gồm các mục này. Kết quả của phân tích mới này đã xác nhận cấu trúc năm chiều được xác định về mặt lý thuyết trong nghiên cứu (xem Bảng). Kaiser – Meyer – Olkin MSA là 0,917. Ba thứ nguyên giải thích tổng cộng 60,798% phương sai giữa các mục trong nghiên cứu. Kiểm tra độ cầu của Bartlett đã được chứng minh là có ý nghĩa và tất cả các cộng đồng đều vượt quá giá trị yêu cầu là 0,500.

Bốn yếu tố được xác định là một phần của EFA này phù hợp với đề xuất lý thuyết trong nghiên cứu này. Yếu tố 1 bao gồm các mục từ ER1 đến ER7, đề cập đến Trách nhiệm đạo đức (ER). Yếu tố 2 tập hợp các mục từ RDR2 đến RDR6, thể hiện các Trách nhiệm Nghiên cứu và Phát triển (RDR). Cuối cùng, Yếu tố 3 bao gồm các mục từ PR2 đến PR6, đề cập đến Trách nhiệm từ thiện (PR). Hệ số tải được trình bày trong bản

 

 

5 1 vote
Article Rating
Subscribe
Notify of
guest
0 Comments
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x
Contact Me on Zalo
0936885877