Phân tích nhân tố khám phá [EFA] là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn[gọi là các nhân tố] để chúng có ý nghĩa hơn. Cùng Luận văn 1080 tìm hiểu thêm trong bài viết sau đây:
Tham khảo thêm:
+ Giới thiệu về mô hình var, OLS và các kiểm định Hausman trong dữ liệu mảng [Panel Data]
+ Giới thiệu về EVIEWS và cách download, cài đặt phần mềm eview 7, 8, 9, 10
Mục lục [Ẩn]
Phân tích nhân tố khám phá [EFA] là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn [gọi là các nhân tố] để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu [Hair et al. 2009].
2. Mục tiêu của EFA
Hai mục tiêu chính của phân tích EFA là phải xác định:
- Số lượng các nhân tố ảnh hướng đến một tập các biến đo lường.
- Cường độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường
3. Ứng dụng của EFA
EFA thường được sử dụng nhiều trong các lĩnh vực quản trị, kinh tế, tâm lý, xã hội học,... khi đã có được mô hình khái niệm[Conceptual Framework] từ các lý thuyết hay các nghiên cứu trước.
Trong các nghiên cứu về kinh tế, người ta thường sử dụng thang đo[scale] chỉ mục bao gồm rất nhiều câu hỏi[biến đo lường] nhằm đo lường các khái niệm trong mô hình khái niệm, và EFA sẽ góp phần rút gọn một tập gồm rất nhiều biến đo lường thành một số nhân tố.
Khi có được một số ít các nhân tố, nếu chúng ta sử dụng các nhân tố này với tư cách là các biến độc lập trong hàm hồi quy bội thì khi đó, mô hình sẽ giảm khả năng vi phạm hiện tượng đa cộng tuyến.
Ngoài ra, các nhân tố được rút ra sau khi thực hiện phân tích EFA sẽ có thể được thực hiện trong phân tích hồi quy đa biến [Multivariate Regression Analysis], mô hình Logit, sau đó có thể tiếp tục thực hiện phân tích nhân tố khẳng định[CFA] để đánh giá độ tin cậy của mô hình hay thực hiện mô hình cấu trúc tuyến tính [Structural Equation Modeling, SEM] để kiểm định về mối quan hệ phức tạp giữa các khái niệm.
Nếu bạn không có nhiều kinh nghiệm trong việc làm bài trên phần mềm SPSS? Bạn cần đến dịch vụ nhận xử lý số liệu SPSS để giúp mình hoàn thành những bài luận đúng deadline?
Khi gặp khó khăn về vấn đề phân tích kinh tế lượng hay gặp vấn đề về chạy SPSS, hãy nhớ đến Tổng đài tư vấn luận văn 1080.
4. Mô hình của EFA
Trong EFA, mỗi biến đo lường được biễu diễn như là một tổ hợp tuyến tính của các nhân tố cơ bản, còn lượng biến thiên của mỗi biến đo lường được giải thích bởi những nhân tố chung[common factor]. Biến thiên chung của các biến đo lường được mô tả bằng một số ít các nhân tố chung cộng với một số nhân tố đặc trưng[unique factor] cho mỗi biến. Nếu các biến đo lường được chuẩn hóa thì mô hình nhân tố được thể hiện bằng phương trình:
Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Aim * Fm + Vi*Ui
Trong đó,
Xi : biến đo lường thứ i đã được chuẩn hóa
Aij: hệ số hồi qui bội đã được chuẩn hóa của nhân tố j đối với biến i
F1, F2, . . ., Fm: các nhân tố chung
Vi: hệ số hồi qui chuẩn hóa của nhân tố đặc trưng i đối với biến i
Ui: nhân tố đặc trưng của biến i
Các nhân tố đặc trưng có tương quan với nhau và tương quan với các nhân tố chung; mà bản thân các nhân tố chung cũng có thể được diễn tả như những tổ hợp tuyến tính của các biến đo lường, điều này được thể hiện thông qua mô hình sau đây:
Fi = Wi1*X1 + Wi2*X2 + Wi3*X3 + . . . + Wik*Xk
Trong đó,
Fi: ước lượng trị số của nhân tố i
Wi: quyền số hay trọng số nhân tố[weight or factor scores coefficient]
k: số biến
Ngoài nhân tố EFA thì kiểm định T Test cũng là một trong những bước khó khăn trong quá trình chạy Spss. Nếu bạn đang gặp khó khăn trong quá trình phân tích nhân tố EFA thì liên hệ với Luận văn 1080 để được hỗ trợ trực tiếp.
5. Điều kiện để áp dụng EFA
Điều kiện cần để bảng kết quả ma trận xoay có ý nghĩa thống kê là:
- Hệ số KMO phải nằm trong đoạn từ 0.5 đến 1
- Kiểm định Barlett có sig phải nhỏ hơn 0.05
- Giá trị Eigenvalue lớn hơn hoặc bằng 1
- Tổng phương sai trích lớn hơn hoặc bằng 50%.
5.1 Mức độ tương quan giữa các biến đo lường
Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường, vì vậy, trước khi quyết định sử dụng EFA, chúng ta cần xem xét mối quan hệ giữa các biến đo lường này. Sử dụng ma trận hệ số tương quan[correlation matrix], chúng ta có thể nhận biết được mức độ quan hệ giữa các biến. Nếu các hệ số tương quan nhỏ hơn 0.30, khi đó sử dụng EFA không phù hợp[Hair et al. 2009]
Sau đây là một số tiêu chí đánh giá mối quan hệ giữa các biến:
i] Kiểm định Bartlett:
Kiểm định Bartlett dùng để xem xét ma trận tương quan có phải là ma trận đơn vị [identity matrix] hay không ?. Ma trận đơn vị ở đây được hiểu là ma trận có hệ số tương quan giữa các biến bằng 0, và hệ số tương quan với chính nó bằng 1.
Nếu phép kiểm định Bartlett có p= 0.90: RẤT TỐT;
0.80