Phân tích yếu tố (Factor Analysis) tốt phân tích nhân tố tìm hiểu (Exploratory Factor Analysis) là một trong kỹ thuật cách xử lý định lượng với mục đích rút gọn gàng một tập hòa hợp k trở nên quan cạnh bên thành một tập F (với F <1> đến rằng, trị số của KMO yêu cầu đạt quý hiếm 0.5 trở lên trên (0.5 ≤ KMO ≤ 1) thì phân tích nhân tố mới đam mê hợp, giả dụ KMO bên dưới 0.5 nhà phân tích cần để ý đến thu thập thêm dữ liệu hoặc coi xét các loại đi những biến quan ngay cạnh ít ý nghĩa. Hutcheson và Sofroniou (1999)<2> lời khuyên một số ngưỡng giá trị KMO như sau:
KMO ≥ 5: mức đồng ý tối thiểu5 7 8 KMO > 9: xuất sắc
<1> Kaiser, An index of factorial simplicity, Psychometrika, 1974.
Bạn đang xem: Phân tích efa là gì
<2> Hutcheson và Sofroniou, The Multivariate Social Scientist, Sage, London, 1999.
2.2 kiểm định Bartlett (Bartlett’s kiểm tra of sphericity)
Giả định rất đặc biệt trong EFA là những biến quan gần kề đưa vào phân tích cần phải có sự đối sánh với nhau. Cố vì review dựa vào ma trận đối sánh khá khó khăn, bọn họ sẽ dùng tới kiểm định Bartlett. Kiểm định này vẫn xem xét tất cả mối đối sánh tương quan xảy ra giữa các biến tham gia vào EFA hay không với mang thuyết Ho: không tồn tại mối đối sánh giữa các biến quan sát. Nếu sig kiểm tra Bartlett nhỏ dại hơn 0.05, họ bác quăng quật Ho và tóm lại các biến hóa tham gia vào EFA bao gồm sự tương quan với nhau, ngược lại, nếu như sig lớn hơn 0.05, chúng ta chấp thừa nhận Ho và tóm lại các trở thành quan sát không có sự đối sánh tương quan với nhau, đối chiếu EFA là ko phù hợp<1>.
<1> Hair và cùng sự, Multivariate Data Analysis, Pearson, New Jersey, 2009.
2.3 xác minh số yếu tố được trích
Hair và cộng sự (2009)<1> mang lại rằng, việc tiến hành trích yếu tố cần phối kết hợp giữa lý thuyết nền và tác dụng thực nghiệm của tài liệu thu thập. Có nhiều phương thức xác định số yếu tố được trích, hay nói một cách khác là chọn điểm dừng, vì bọn họ sẽ yêu ước EFA giới hạn trích ở yếu tố thứ mấy như dựa vào eigenvalue, tổng phương sai trích, biểu đồ Scree Plot, phụ thuộc số yếu tố kỳ vọng hy vọng trích,… Thường những nhà nghiên cứu và phân tích sẽ sử dụng kết hợp nhiều phương pháp để nhận xét để hiệu quả đem lại là giỏi nhất. Dưới đấy là 4 phương pháp phổ biến:
a. Tiêu chí EigenvalueHair và tập sự (2009) nhận định rằng chỉ những yếu tố có eigenvalue (hay nói một cách khác là latent roots) lớn hơn 1 bắt đầu được reviews là có ý nghĩa sâu sắc và được duy trì lại.
Eigenvalue thường phía bên trong bảng Total Variance Explained. Cột Component luôn bằng với số lượng biến quan ngay cạnh tham gia vào EFA. Cột Initial Eigenvalues biểu diễn giá trị eigenvalue thuở đầu khi quy trình trích yếu tố chưa diễn ra. Ở cột Component có bao nhiêu yếu tố thì cột Initial Eigenvalues sẽ cung cấp giá trị khớp ứng của cục bộ các yếu tố này. Cột Extraction Sums of Squared Loadings là tác dụng khi đã xong quá trình trích nhân tố. Từ bỏ 12 nhân tố ban đầu, xong quá trình trích chúng ta thu được 4 nhân tố. Cột Rotation Sums of Squared Loadings chuyển ra hiệu quả các chỉ số sau khi xong xuôi quá trình luân phiên nhân tố. Hiệu quả ở bảng trên cho thấy, giá trị eigenvalue tại yếu tố thứ 4 là 1.215 > 1, tại yếu tố thứ 5 là 0.723 b. Tổng phương không đúng trích
Hướng tiếp cận của cách thức này là số yếu tố được trích sẽ phân tích và lý giải được một xác suất phương sai tuyệt nhất định của các biến quan lại sát. Theo Merenda (1997)<2>, số nhân tố được trích bắt buộc đạt được phần trăm phương không nên tích lũy (cumulative variance) ít nhất là 50%. Trong lúc đó, Hair và tập sự (2009) mang lại rằng, số nhân tố được trích lý giải được 60% tổng phương sai là tốt.
Trong bảng tác dụng ở trên, từ nhân tố thứ tía trở đi, tổng phương không nên trích được giải thích đạt mức trên 50%. Vì thế theo cách nhìn của Merenda (1997) thì số yếu tố được trích buộc phải từ 3 trở đi. Kết phù hợp với tiêu chí eigenvalue thì số nhân tố được trích tối ưu đề nghị là 4 nhân tố tại phương không đúng tích lũy là 64.729% > 50%. Như vậy, 4 nhân tố được trích giải thích được (cô đọng được) 64.729% biến thiên dữ liệu của 12 trở thành quan sát tham gia vào EFA.
<1> Hair và cộng sự, Multivariate Data Analysis, Pearson, New Jersey, 2009.
<2> Merenda, A guide to the proper use of factor analysis in the conduct and reporting of research: Pitfalls khổng lồ avoid. Measurement & Evaluation in Counseling & Development, 1997.
2.4 hệ số tải nhân tố Factor Loading
Hệ số tải (hay có cách gọi khác là trọng số nhân tố) có thể hiểu là mối đối sánh tương quan giữa biến quan ngay cạnh với nhân tố. Trị tuyệt vời và hoàn hảo nhất hệ số mua của biến quan gần cạnh càng cao, nghĩa là đối sánh giữa đổi thay quan bên cạnh đó với nhân tố càng bự và ngược lại. Trường hòa hợp trong và một nhân tố, tất cả sự xuất hiện thêm của hệ số tải âm, nghĩa là thay đổi quan gần đó tải trái hướng so với đa phần các vươn lên là quan sát sót lại trong nhân tố, trở thành quan cạnh bên này tương quan âm với những biến quan sát có thông số tải dương vào nhân tố.
Với độ lớn mẫu buổi tối thiểu là 100, Hair và tập sự (2009) đến rằng:
Trị tuyệt vời nhất Factor Loading ở mức 0.3 mang đến 0.4: lưu ý đến là điều kiện tối thiểu để trở nên quan cạnh bên được giữ lại.Trị tuyệt vời Factor Loading tại mức từ 0.5 trở lên: mức buổi tối ưu, những biến quan gần kề có ý nghĩa thống kê tốt.Tuy nhiên, Hair và những cộng sự cũng đến rằng, vấn đề chọn ngưỡng hệ số tải cũng đề nghị xem xét đến cỡ mẫu, đội tác giả gợi nhắc bảng kích cỡ mẫu cần thiết tương ứng cùng với mức hệ số tải yêu cầu lựa lựa chọn như bên dưới đây:
Các tác giả cho rằng bảng cỡ chủng loại – hệ số tải tiêu chuẩn chỉnh này được đưa ra tương đối cứng rắn và nên được xem như xét thuộc với con số số lượng biến quan giáp hay số yếu tố trích được vào phân tích EFA để đánh giá chất lượng biến quan sát. Với kích cỡ mẫu phệ hoặc số lượng biến thâm nhập vào EFA nhiều, thông số tải cần lấy ở tầm mức thấp; với mọi trường hòa hợp số yếu tố trích được sinh hoạt EFA lớn, ngưỡng thông số tải bắt buộc lấy ở tại mức cao hơn.
Mặc dù thông số tải Factor Loading bao gồm trị tuyệt vời ở mức 0.3 mang lại 0.4 đạt đk tối thiểu trở nên được gật đầu biến có ý nghĩa. Mặc dù nhiên, nút 0.5 trở lên vẫn là ngưỡng giỏi và phù hợp nhất khi tấn công giá unique biến quan liền kề trên thực nghiệm.Việc chọn thông số tải yêu cầu xem xét kèm với độ lớn mẫu, con số biến quan cạnh bên tham gia vào EFA cùng số yếu tố trích được ngơi nghỉ EFA. Cỡ mẫu mã lớn, số lượng biến quan tiếp giáp lớn, thông số tải đang lấy ở ngưỡng thấp hơn; ví như số lượng nhân tố trích được lớn, thông số tải bắt buộc lấy cao hơn.
3. So với nhân tố tò mò EFA bên trên SPSS 26
Sử dụng tập dữ liệu thực hành bao gồm tên 350 – DLTH 1.sav của tài liệu SPSS 26 Phạm Lộc Blog, tương ứng với quy mô nghiên cứu và bảng thắc mắc khảo gần kề tại bài viết Bảng khảo sát những yếu tố tác động đến sự ưa thích của nhân viên. Sau bước kiểm định Cronbach’s Alpha, phát triển thành LD7 đã được đánh giá là trở thành ít góp sức vào thang đo Lãnh đạo với cần vứt bỏ khỏi thang đo cho quá trình phân tích tiếp theo. Chính vì vậy, ngơi nghỉ bước nhận xét EFA (bước tiến hành sau Cronbach’s Alpha), họ sẽ ko đưa trở thành này vào phân tích. Cùng với tính chất quy mô đơn giản, đang xác định rõ ràng biến độc lập, thay đổi phụ thuộc. Bọn họ sẽ thực hiện phân tích nhân tố khám phá riêng cho biến chủ quyền và biến hóa phụ thuộc.
Để thực hiện phân tích nhân tố khám phá trong SPSS 26, chúng ta vào Analyze > Dimension Reduction > Factor…
3.1 so sánh EFA cho biến độc lập
Ngoại trừ biến đổi LD7, đưa những biến quan liêu sát độc lập còn lại vào mục Variables. Chăm chú các tùy chọn bên phải, chúng ta sẽ trải qua lần lượt những tùy lựa chọn này.
– Descriptives: Tích vào 3 mục: Initial solution, Coefficients, KMO and Barlett’s demo of sphericity. Nhấp Continue để quay lại cửa sổ ban đầu.
– Extraction: Đề tài nghiên cứu này là phân tích lặp lại, đang có kim chỉ nan nền cụ thể về các nhân tố, thang đo. Chúng ta sẽ áp dụng phép trích PCA (Principal Components hoặc Principal Components Analysis) với mục tiêu thu gọn số lượng biến quan gần kề về các yếu tố tóm tắt thông tin cực tốt và tiêu chuẩn trích Eigenvalue to hơn 1. Tích lựa chọn vào những mục Scree Plot, Based on Eigenvalue.
Xem thêm: 8 Bài Phân Tích Đêm Thở Sao Lùa Nước Hạ Long, Đoàn Thuyền Đánh Cá
– Rotation: quy mô nghiên cứu chỉ bao gồm biến hòa bình và đổi thay phụ thuộc, vì thế phép con quay Varimax là tương xứng nhất. Nhấp Continue để trở lại cửa sổ ban đầu.
– Options: Tích vào Sorted by size nhằm ma trận xoay sắp xếp thành từng cột dạng bậc thang để dễ đọc công dụng hơn, bạn cũng có thể tích hoặc ko tích, bài toán này không tác động đến kết quả. Yêu cầu nhớ rằng, thứ tự các yếu tố trong tác dụng ma trận chuyển phiên không phản ánh mức độ đặc trưng của nhân tố đó. Cùng với mục Suppress small coefficients, còn nếu không tích chọn, ma trận xoay đã hiển thị toàn cục hệ số download của mỗi biến đổi quan cạnh bên ở từng nhân tố.
Trường phù hợp chỉ ao ước ma trận xoay hiện lên phần đa ô có hệ số tải trường đoản cú 0.3, 0.4 xuất xắc 0.5 … trở lên, bọn họ sẽ tích vào Suppress small coefficients. Hôm nay hàng Absolute value below vẫn sáng lên và cho phép nhập vào ngưỡng thông số tải nhưng mà nếu thông số tải bên dưới ngưỡng đó sẽ không còn hiển thị trong bảng ma trận xoay. Vào ví dụ thực hành thực tế này, nhằm tiện cho bài toán theo dõi kết quả, tác giả muốn ma trận luân chuyển chỉ hiển thị các ô có thông số tải tự 0.3 trở lên đề nghị sẽ nhập vào 0.3. Sau đó nhấp vào Continue để tạm dừng hoạt động sổ.
Tại cửa sổ tiếp theo, lựa chọn OK để xuất hiệu quả ra output.
Có tương đối nhiều bảng ngơi nghỉ output, toàn bộ các bảng này đều góp phần vào vấn đề đánh giá kết quả phân tích EFA là giỏi hay tệ. Tuy nhiên, sinh sống đây tác giả tập trung vào ba bảng tác dụng chính: KMO & Barlett’s Test, Total Variance Explained cùng Rotated Component Matrix, bởi áp dụng ba bảng này chúng ta đã có thể đánh giá chỉ được hiệu quả phân tích EFA cân xứng hay ko phù hợp.
Kết quả lần EFA đầu tiên: KMO = 0.887 > 0.5, sig Bartlett’s kiểm tra = 0.000 trở nên DN4 tải lên sinh hoạt cả hai nhân tố là Component 4 cùng Component 6 với thông số tải lần lượt là 0.612 cùng 0.530, nút chênh lệch hệ số tải bởi 0.612 – 0.530 = 0.082 vươn lên là LD5 có hệ số tải ở toàn bộ các nhân tố đều nhỏ5.
Tác giả áp dụng phương thức nhiều loại một lượt những biến xấu vào một lần so với EFA. Từ bỏ 28 vươn lên là quan giáp ở lần so sánh EFA máy nhất, vứt bỏ DN4 cùng LD5 và chuyển 26 biến chuyển quan sát còn lại vào phân tích EFA lần lắp thêm hai.
Hệ số KMO = 0.879 > 0.5, sig Barlett’s kiểm tra = 0.000 50%, như vậy, 6 yếu tố được trích phân tích và lý giải được 63.357% biến chuyển thiên dữ liệu của 26 phát triển thành quan cạnh bên tham gia vào EFA.
Kết trái ma trận xoay mang đến thấy, 26 trở thành quan gần cạnh được chia thành 6 nhân tố, toàn bộ các thay đổi quan sát đều phải có hệ số tải nhân tố Factor Loading lớn hơn 0.5 và không còn các đổi thay xấu.
Như vậy, phân tích nhân tố khám phá EFA cho các biến hòa bình được tiến hành hai lần. Lần thiết bị nhất, 28 đổi thay quan giáp được đưa vào phân tích, bao gồm 2 phát triển thành quan tiếp giáp không đạt đk là DN4 và LD5 được thải trừ để triển khai phân tích lại. Lần phân tích đồ vật hai (lần cuối cùng), 26 đổi mới quan sát hội tụ và minh bạch thành 6 yếu tố gồm những biến quan gần kề được trình bày trong bảng mặt dưới:
3.2 so sánh EFA cho biến đổi phụ thuộc
Tương tự với các thao tác trên đổi thay độc lập, tiến hành triển khai phân tích nhân tố khám phá EFA cho phát triển thành phụ thuộc.
Hệ số KMO = 0.712 > 0.5, sig Barlett’s thử nghiệm = 0.000 1. Nhân tố này phân tích và lý giải được 72.339% đổi mới thiên tài liệu của 3 vươn lên là quan gần kề tham gia vào EFA.
Như sẽ đề cập trước kia ở mục 9.7. Trường hợp chỉ có một yếu tố được trích, ma trận xoay sẽ không còn hiển thị, chính vì vậy họ sẽ tiến công giá tác dụng qua bảng ma trận nhân tố chưa xoay. Kết quả cho biết 3 trở nên quan sát quy tụ về 1 cột và toàn bộ các biến hóa quan sát đều phải có hệ số sở hữu nhân tố to hơn 0.5.
Lưu ý rằng, nếu như sau bước phân tích nhân tố EFA, kết cấu thang đo bị chuyển đổi so với thang đo gốc: hình thành nhân tố mới, nhân tố giảm thay đổi quan sát, yếu tố tăng phát triển thành quan sát… chúng ta nên thực hiện kiểm định độ tin cẩn thang đo Cronbach’s Alpha để đánh giá lại các thang đo bắt đầu được xuất hiện sau EFA.
Lý thuyết đối chiếu nhân tố tò mò EFATrước khi kiểm định định hướng khoa học thì nên cần phải nhận xét độ tin cậy và quý giá của thang đo. Phương pháp Cronbach Alpha sử dụng để đánh giá độ tin yêu của thang đo. Còn cách thức phân tích nhân tố mày mò EFA (Exploratory Factor Analysis, hotline tắt là cách thức EFA) giúp họ đánh giá hai một số loại giá trị đặc biệt của thang đo là giá trị hội tụ và quý hiếm phân biệt.Phương pháp phân tích nhân tố EFA thuộc đội phân tích nhiều biến nhờ vào lẫn nhau (interdependence techniques), nghĩa là không có biến dựa vào và biến chủ quyền mà nó nhờ vào mối tương quan giữa các biến cùng nhau (interrelationships). EFA dùng để rút gọn một tập k thay đổi quan giáp thành một tập F (FCác người sáng tác Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong so với nhân tố, phương thức trích Pricipal Components Analysis đi cùng rất phép chuyển phiên Varimax là cách thức được sử dụng thông dụng nhất.Theo Hair & ctg (1998, 111), Factor loading (hệ số tải yếu tố hay trọng số nhân tố) là tiêu chuẩn để bảo đảm mức chân thành và ý nghĩa thiết thực của EFA:• Factor loading > 0.3 được coi là đạt mức buổi tối thiểu• Factor loading > 0.4 được coi là quan trọng• Factor loading > 0.5 được coi là có ý nghĩa thực tiễn Điều kiện nhằm phân tích nhân tố tìm hiểu là phải thỏa mãn nhu cầu các yêu cầu:Hệ số tải yếu tố (Factor loading ) > 0.50.5 ≤ KMO ≤ 1: hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để làm xem xét sự thích hợp của phân tích nhân tố. Trị số KMO béo có chân thành và ý nghĩa phân tích nhân tố là thích hợp hợp.Kiểm định Bartlett có chân thành và ý nghĩa thống kê (Sig. Tỷ lệ phương không đúng trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan tiền sát. Tức thị xem trở nên thiên là 100% thì giá trị này cho biết phân tích nhân tố phân tích và lý giải được bao nhiêu %.Cách so với nhân tố khám phá EFAVào chọn menu : Analyze-> Data Reduction ->Factor.
Chọn toàn bộ các biến( hoặc độc lập hoặc phụ thuộc) gửi vào cột Variables bên phải.
Nhấn vào Descriptives, lựa chọn KMO & Bartlett’s chạy thử of sphericity
Bấm vào nút Rotation, lựa chọn Varimax
Bấm vào nút Options, chọn Sorted by size và chọn Suppress absolute values less than, gõ vào .3
Sau đó dấn OK, kết quả sẽ hiển thị tương đối dài, trong những số ấy có bảng Rotated Component Matrix như sau:
Liên hệ đội thạc sĩ cung cấp SPSS.
– SMS, Zalo, Viber:
– Xử lý/ hiệu chỉnh số liệu điều tra để chạy ra tác dụng phân tích yếu tố hội tụ,phân tích hồi quy hồi quy có ý nghĩa thống kê.– hỗ trợ tư vấn mô hình/bảng câu hỏi/ traning thẳng về so với hồi quy, nhân tố, cronbach alpha… vào SPSS, và mô hình SEM, CFA, AMOS
Bạn cũng có thểThích
