Lý thuyết và các bước thực hành phân tích nhân tố khám phá EFA trong SPSS [cập nhật 2025]

Mời các bạn tham khảo bài viết bên dưới trình bày  Lý thuyết  và các bước  thực hành phân tích nhân tố khám phá EFA trong SPSS

Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
• Factor loading > 0.3 được xem là đạt mức tối thiểu
• Factor loading > 0.4 được xem là quan trọng
• Factor loading > 0.5 được xem là có ý nghĩa thực tiễn 
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:

1. Hệ số tải nhân tố (Factor loading ) > 0.5

2. 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.

3. Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.

4. Phần trăm phương sai trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.

Thực hành  phân tích nhân tố khám phá EFA trong SPSS

Vào chọn menu : Analyze-> Data Reduction ->Factor.

Chọn tất cả các biến( hoặc độc lập hoặc phụ thuộc) đưa vào cột Variables bên phải. Ở bước này chúng ta chỉ đưa những biến đạt yêu cầu kiểm định Cronbach's alpha và trả về phía trái những biến không đạt yêu cầu.

Nhấn vào Descriptives, chọn KMO and Bartlett's test of sphericity

Bấm vào nút Rotation, chọn phép xoay Varimax

Mục Extraction để chế độ mặc định không cần click chọn gì thêm

Bấm Socres chọn Display factor score coefcient matrix để load bảng ma trận xoay nhân tố. Nếu muốn lưu lại giá trị nhân tố đại diện thì SPSS sẽ tự động lưu lại kết quả cho bạn.

Bấm vào nút Options, chọn Sorted by size và chọn Suppress absolute values less than, gõ vào .3

Sau đó nhấn OK, kết quả sẽ hiển thị khá dài, trong đó có bảng Rotated Component Matrix như sau:

Trong phần phân tích nhân tố các bạn chỉ cần chú ý và đọc các bảng kết quả dưới đây:

Factor loading xuất hiện ở đâu?

Hệ số tải nhân tố Factor loading là khái niệm xuất hiện sau khi thực hiện phân tích nhân tố. Hệ số tải nhân tố Factor loading nằm trong bảng ma trận xoay. Thông thường ngưỡng của hệ số này phải lớn hơn 0.5 để bảo đảm giá trị hội tụ. Đồng thời giá trị phân biệt cũng phải thỏa bằng cách là các factor loading lớn nhất và lớn nhì trong cùng 1 hàng phải cách xa nhau ít nhất là 0.3 đơn vị. Nếu factor loading không thỏa mãn thì phải xóa biến quan sát đó ra và thực hiện phân tích EFA lại.

Các ngưỡng lý thuyết Factor loading

Còn về lý thuyết thì có nhiều ngưỡng của Factor loading như sau: theo Hair & ctg (1998,111), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading >0.3 được xem là đạt được mức tối thiểu, >0.4 được xem là quan trọng , >=0.5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998,111) cũng khuyên như sau: nếu chọn tiêu chuẩn Factor loading >0.3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn Factor loading >0.55 (thường có thể chọn 0.5), nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải >0.75

Nhận xét và diễn giải kết quả 

Nhìn vào các kết quả trên, ta nhận thấy rằng sau khi phân tích nhân tố thì các nhân tố gộp cho ta thành 6 nhóm. Các yếu tố đánh giá được thống kê:

• KMO = 0,825 nên phân tích nhân tố là phù hợp.

• Sig. (Bartlett’s Test) = 0.000 (sig < 0,05) chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể cho thấy phân tích EFA là thích hợp.

• Eigenvalues = 1,361 > 1 đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố, thì nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt nhất.

• Tổng phương sai trích: Rotation Sums of Squared Loadings (Cumulative %) = 73,768 % > 50 %. Điều này chứng tỏ 73,768 % biến thiên của dữ liệu được giải thích bởi 6 nhân tố được tạo ra.

• Hệ số Factor Loading của các biến đều lớn hơn 0,5.

Như vậy phân tích nhân tố khám phá đạt yêu cầu.

Trên đây là bài viết tóm tắt lý thuyết và  các bước thực hành phân tích các nhân tố khám phá EFA trên phần mềm SPSS nếu các bạn gặp phải các vấn đề khi phân tích nhân tố EFA các nhân tố bị xáo trộn, không gom nhóm, loại biến nhiều, các chỉ số trong mô hình không thõa điều kiện. Mô hình hồi quy ra kết quả xấu, dấu tương quan các biến bị ngược, mức độ ảnh hưởng của các biến độc lập không như mong muốn hoặc không có ý nghĩa thống kê thì hãy liên hệ với ad qua zalo bên dưới nha!  

Các bạn đang thực hiện đề tài chạy lượng dù có sử dụng dịch vụ tại Resdata hay không đừng ngần ngại hãy liên hệ qua Hotline/Zalo: 0907.786.895 để hỗ trợ tư vấn miễn phí những vấn đề bạn gặp phải trong quá trình chạy lượng!