Phân Tích Nhân Tố EFA và CFA: Hướng Dẫn Chi Tiết và Thực Hành

Luận văn thạc sĩ phân tích phân tích nhân tố với dữ liệu có thứ bậc, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Đặng Thị Phương Anh
• Người hướng dẫn: TS. Trịnh Quốc Anh
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Toán học
• Đề tài: Phân Tích Nhân Tố EFA và CFA: Hướng Dẫn Chi Tiết và Thực Hành
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng Quan Phân Tích Nhân Tố EFA Khái Niệm Mục Đích

Từ khi ra đời, phân tích nhân tố đã trở thành một phương pháp thống kê được sử dụng rộng rãi trong nhiều lĩnh vực. Mục đích chính là xác định số lượng và chất lượng của các biến ẩn. Biến ẩn được thể hiện qua sự tương quan giữa các biến quan sát hoặc các nhân tố giải thích cho phương sai. Một nhân tố không quan sát được ảnh hưởng đến các biến quan sát được. Phương pháp này cố gắng thu gọn độ tương quan giữa các chỉ số bởi vì số lượng các yếu tố ít hơn số biến quan sát trực tiếp. Theo Thurstone (1947), mặc định rằng các chỉ số của các biến đo lường được là một hàm tuyến tính của một hay nhiều nhân tố chung và một nhân tố riêng. Phân tích nhân tố phân vùng phương sai của mỗi chỉ số thành hai loại: phương sai chung và phương sai riêng. Có hai loại chính của phân tích nhân tố: EFA và CFA.

1.1. Phân Tích Nhân Tố Khám Phá EFA Là Gì

EFA là một kỹ thuật thăm dò lượng phù hợp các nhân tố chung và để phát hiện ra các biến đo được mà là chỉ số hợp lý của các biến không trực tiếp quan sát. Các biến này giả định tồn tại để giải thích mô hình của sự biến đổi các biến quan sát. Ví dụ, trong nghiên cứu tính cách, chúng ta có thể cho ai đó một bộ câu hỏi về mối quan hệ của cá nhân họ, đời sống xã hội. Phương pháp EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).

1.2. Mục Tiêu Của EFA Trong Nghiên Cứu

Mục tiêu của EFA là đánh giá chiều của một tập hợp nhiều chỉ số bằng cách khám phá nhân tố sáng tỏ cần thiết để giải thích các mối tương quan giữa chúng. Các nhà nghiên cứu phải ghi rõ số yếu tố phân tích bởi vì không có một hạn chế ban đầu cho các mô hình của các mối quan hệ giữa biến quan sát và biến tiềm ẩn. Trong CFA, nhà nghiên cứu phải xác định một số yếu tố quan trọng của mô hình yếu tố (ví dụ, số nhân tố, mô hình chỉ số nhân tố tải trọng).

II. Quy Trình Phân Tích EFA Các Bước Thực Hiện Chi Tiết

Các bước của phân tích EFA bao gồm: (1) Tính ma trận các mối liên quan cho tất cả các biến; (2) Xác định các biến mà không có liên quan với biến khác; (3) Kiểm định Kaiser-Meyer-Olkin (KMO) và Bartlett's Test; (4) Ước lượng các yếu tố sử dụng Principal Component Analysis (PCA) hoặc Maximum Likelihood; (5) Xoay nhân tố (Factor Rotation) sử dụng phương pháp Varimax; (6) Chọn các nhân tố có trị số lớn nhất và nhóm chúng lại. Lưu ý rằng, KMO là một chỉ tiêu để xem xét sự phù hợp cho việc phân tích EFA. Kiểm định Bartlett xem xét giả thuyết Ho: Độ tương quan giữa các biến số quan sát bằng 0.

2.1. Kiểm Định KMO và Bartlett s Test Ý Nghĩa và Cách Sử Dụng

Kiểm định Kaiser-Meyer-Olkin (KMO) là một chỉ tiêu đánh giá sự phù hợp của dữ liệu cho việc phân tích nhân tố. Giá trị KMO nằm trong khoảng từ 0 đến 1, với các giá trị gần 1 cho thấy dữ liệu phù hợp cho phân tích nhân tố. Kiểm định Bartlett's Test kiểm tra giả thuyết rằng ma trận tương quan là ma trận đơn vị (tức là không có tương quan giữa các biến). Nếu kiểm định này có ý nghĩa thống kê (p < 0.05), điều này cho thấy các biến có tương quan với nhau trong tổng thể.

2.2. Ước Lượng Nhân Tố Phương Pháp PCA và Maximum Likelihood

PCA là một phương pháp thường được sử dụng trong EFA để trích xuất các thành phần chính từ dữ liệu. Nó tìm kiếm các tổ hợp tuyến tính của các biến ban đầu sao cho các thành phần chính giải thích được phương sai lớn nhất trong dữ liệu. Maximum Likelihood (ML) là một phương pháp ước lượng khác có thể được sử dụng trong EFA. ML ước tính các tham số của mô hình nhân tố sao cho xác suất quan sát dữ liệu được tối đa hóa. Trong SPSS, phương pháp PCA thường được sử dụng.

2.3. Xoay Nhân Tố Factor Rotation Phương Pháp Varimax và Ý Nghĩa

Xoay nhân tố là một kỹ thuật được sử dụng trong EFA để làm cho các nhân tố dễ dàng giải thích hơn. Mục tiêu của xoay nhân tố là tối đa hóa tải nhân tố của mỗi biến trên một nhân tố duy nhất và giảm tải nhân tố của biến đó trên các nhân tố khác. Phương pháp Varimax là một trong những phương pháp xoay nhân tố phổ biến nhất. Nó tìm cách tối đa hóa phương sai của các tải nhân tố bình phương cho mỗi nhân tố.

III. Xác Định Số Lượng Nhân Tố Trong EFA Phương Pháp Hiệu Quả

Các phương pháp thường được sử dụng để xác định số lượng nhân tố trong EFA bao gồm: (1) Quy tắc Kaiser-Guttman (giá trị riêng > 1); (2) Kiểm tra Scree Plot; (3) Phân tích song song. Quy tắc Kaiser-Guttman giữ lại các nhân tố có giá trị riêng lớn hơn 1. Scree Plot là một biểu đồ hiển thị các giá trị riêng theo thứ tự giảm dần. Điểm uốn trên biểu đồ cho thấy số lượng nhân tố cần giữ lại. Phân tích song song so sánh các giá trị riêng thu được từ dữ liệu thực tế với các giá trị riêng thu được từ dữ liệu ngẫu nhiên.

3.1. Quy Tắc Kaiser Guttman Ưu Điểm và Hạn Chế

Quy tắc Kaiser-Guttman là một quy tắc đơn giản và khách quan để xác định số lượng nhân tố trong EFA. Tuy nhiên, nó có thể dẫn đến overfactoring hoặc underfactoring. Do đó, cần sử dụng các phương pháp khác để xác nhận kết quả.

3.2. Scree Plot Hướng Dẫn Đọc và Giải Thích

Scree Plot là một biểu đồ trực quan giúp xác định số lượng nhân tố cần giữ lại trong EFA. Điểm uốn trên biểu đồ cho thấy sự suy giảm đáng kể trong phương sai được giải thích bởi các nhân tố. Tuy nhiên, việc giải thích Scree Plot có thể chủ quan.

3.3. Phân Tích Song Song So Sánh Dữ Liệu Thực Tế và Dữ Liệu Ngẫu Nhiên

Phân tích song song so sánh các giá trị riêng thu được từ dữ liệu thực tế với các giá trị riêng thu được từ dữ liệu ngẫu nhiên. Nếu các giá trị riêng từ dữ liệu thực tế lớn hơn các giá trị riêng từ dữ liệu ngẫu nhiên, thì các nhân tố tương ứng nên được giữ lại.

IV. Giới Thiệu Phân Tích Nhân Tố Khẳng Định CFA Khái Niệm Ứng Dụng

Phân tích nhân tố khẳng định (CFA) là một kỹ thuật thống kê được sử dụng để kiểm tra giả thuyết về cấu trúc nhân tố của một tập hợp các biến quan sát. Trong CFA, nhà nghiên cứu chỉ định trước số lượng nhân tố và các biến quan sát nào nên tải lên mỗi nhân tố. Sau đó, CFA được sử dụng để đánh giá mức độ phù hợp của mô hình được chỉ định trước với dữ liệu.

4.1. Mục Đích và Ưu Điểm Của CFA

Mục đích chính của CFA là kiểm tra xem một mô hình nhân tố cụ thể có phù hợp với dữ liệu hay không. CFA có thể được sử dụng để xác nhận cấu trúc nhân tố của một thang đo, so sánh các mô hình nhân tố khác nhau hoặc đánh giá tính bất biến của một thang đo trên các nhóm khác nhau.

4.2. Xây Dựng Mô Hình Đo Lường Tổng Quát Trong CFA

Mô hình đo lường tổng quát trong CFA bao gồm các biến quan sát, các nhân tố tiềm ẩn và các mối quan hệ giữa chúng. Các biến quan sát là các biến được đo lường trực tiếp. Các nhân tố tiềm ẩn là các biến không được đo lường trực tiếp mà được suy ra từ các biến quan sát.

4.3. Đánh Giá Tính Giá Trị Của Mô Hình Đo Lường Trong CFA

Có nhiều chỉ số được sử dụng để đánh giá tính phù hợp của mô hình trong CFA, bao gồm Chi-square, RMSEA, CFI, TLI và SRMR. Các chỉ số này đo lường sự khác biệt giữa ma trận hiệp phương sai quan sát được và ma trận hiệp phương sai được dự đoán bởi mô hình.

V. Thực Hành EFA và CFA Trên SPSS và AMOS Hướng Dẫn Chi Tiết

Chương này thực hành chạy EFA và CFA trên hai phần mềm là SPSS và AMOS với dữ liệu thực tế. SPSS là một phần mềm thống kê phổ biến, trong khi AMOS là một phần mềm chuyên dụng cho Structural Equation Modeling (SEM), bao gồm CFA.

5.1. Chạy EFA Trên SPSS Các Bước và Giải Thích Kết Quả

Các bước chạy EFA trên SPSS bao gồm nhập dữ liệu, chọn các biến để phân tích, chọn phương pháp trích xuất nhân tố, chọn phương pháp xoay nhân tố và giải thích kết quả. Các kết quả cần chú ý bao gồm các giá trị riêng, Scree Plot, ma trận tải nhân tố và các chỉ số KMO và Bartlett.

5.2. Chạy CFA Trên AMOS Vẽ Mô Hình và Đánh Giá Độ Phù Hợp

Các bước chạy CFA trên AMOS bao gồm vẽ mô hình, chỉ định các biến quan sát và nhân tố tiềm ẩn, ước tính các tham số của mô hình và đánh giá độ phù hợp của mô hình. Các chỉ số cần chú ý bao gồm Chi-square, RMSEA, CFI và TLI.

5.3. Ước lượng các tác động pathestimates .

Giá trị tương đồng (ConvergentValidity). Chẩn đoán mô hình(Modeldiagnostics).Phân tích đa nhóm.(mỗi ý 1 câu)

VI. Kết Luận và Triển Vọng Nghiên Cứu Sử Dụng EFA và CFA

EFA và CFA là những công cụ quan trọng trong nghiên cứu khoa học xã hội và hành vi. EFA được sử dụng để khám phá cấu trúc nhân tố của một tập hợp các biến, trong khi CFA được sử dụng để xác nhận một cấu trúc nhân tố đã được chỉ định trước. Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các phương pháp mới để cải thiện độ chính xác và hiệu quả của EFA và CFA.

6.1. Tóm Tắt Ưu Điểm và Hạn Chế Của EFA và CFA

EFA là một công cụ khám phá mạnh mẽ, nhưng nó có thể chủ quan và không cung cấp thông tin về độ phù hợp của mô hình. CFA cung cấp thông tin về độ phù hợp của mô hình, nhưng nó đòi hỏi một lý thuyết mạnh mẽ về cấu trúc nhân tố.

6.2. Ứng Dụng Tiềm Năng Của EFA và CFA Trong Các Lĩnh Vực Khác Nhau

EFA và CFA có thể được sử dụng trong nhiều lĩnh vực khác nhau, bao gồm tâm lý học, giáo dục học, xã hội học, quản lý và y tế công cộng. Ví dụ, EFA có thể được sử dụng để phát triển các thang đo mới, trong khi CFA có thể được sử dụng để đánh giá tính bất biến của một thang đo trên các nhóm khác nhau.

Trích đoạn nội dung tài liệu

Chương 1 Phân tích nhân tố khám phá EFA Trong chương này, các mô hình nhân tố được đề cập chủ yếu trong khuôn khổ của EFA. Tuy nhiên, hầu hết các thuật ngữ được sử dụng của EFA cũng được sử dụng tương tự trong CFA. Trong nghiên cứu ứng dụng, CFA và EFA thường được tiến hành cùng với nhau. Ví dụ, CFA thường được sử dụng trong giai đoạn sau của việc xây dựng mô hình nhằm kiểm tra, xác định độ hợp lý và phù hợp của số liệu với mô hình.

Còn EFA giúp khảo sát, tìm đặc trưng của số liệu nhằm xây dựng mô hình. Như vậy muốn nghiên cứu và áp dụng CFA, ta phải hiểu rõ được EFA. Phương pháp tiến hành EFA được trình bày trong chương này. Tổng quan so sánh chi tiết hơn về EFA và CFA sẽ được đề cập ở chương sau.

EFA là một kỹ thuật để thăm dò hoặc mô tả lượng phù hợp các nhân tố chung và để phát hiện ra các biến đo được mà là chỉ số hợp lý của các biến không trực tiếp quan sát, nhưng chúng ta giả định để tồn tại (có ít nhất ý nghĩa nào đó) để giải thích mô hình của sự biến đổi các biến quan sát. Ví dụ, trong nghiên cứu tính cách chúng ta có thể cho ai đó một bộ câu hỏi bao gồm 30 câu hỏi về mối quan hệ của cá nhân họ, đời sống xã hội,. Tại các mức cụ thể nhất, điều này cho chúng ta kết quả mỗi người với trên 30 chiều riêng biệt. Tuy nhiên, chúng ta có thể tóm thành hai biến tiềm ẩn "hướng nội / hướng ngoại" có thể cho ra nhiều sự thay đổi có hệ thống mà lấy trên 30 tham số quan sát.

Tóm lại, 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 < k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Như đã nêu trên, mục tiêu của EFA là để đánh giá chiều của một tập hợp nhiều chỉ số (ví dụ các mục từ một bảng hỏi) bằng cách khám phá nhân tố sáng tỏ cần thiết để giải thích các mối tương quan giữa chúng.

Trong khi đó, các nhà (LUAN.bac 5 TIEU LUAN MOI download : [e-mail] nghiên cứu cuối cùng phải ghi rõ số yếu tố phân tích bởi vì không có một hạn chế ban đầu cho các mô hình của các mối quan hệ giữa biến quan sát và biến tiềm ẩn. Đây là sự khác biệt quan trọng giữa CFA và EFA. Trong CFA, nhà nghiên cứu phải xác định một số yếu tố quan trọng của mô hình yếu tố (ví dụ, số nhân tố, mô hình chỉ số nhân tố tải trọng). Sau khi xác định rằng EFA là kỹ thuật phân tích thích hợp nhất cho câu hỏi thực nghiệm bằng tay.

Các nhà nghiên cứu phải quyết định các chỉ số đưa vào phân tích, xác định kích thước và tính chất của mẫu không phù hợp cho phân tích. Các bước của EFA bao gồm: Bước 1: Tính ma trận các mối liên quan cho tất cả các biến (correlation matrix). - Tạo correlation matrix cho tất cả các biến. - Xác định các biến mà không có liên quan với biến khác.

- Trong trường hợp mối liên quan giữa các biến nhỏ, chúng có thể không chung một nhân tố. - Kiểm định Kaiser-Meyer-Olkin (KMO). - Kiểm định Bartlett test of Sphericity. Lưu ý: KMO là một chỉ tiêu để xem xét sự phù hợp cho việc phân tích EFA.5< KMO <1 là tốt).

Kiểm định Bartlett xem xét giả thuyết Ho: Độ tương quan giữa các biến số quan sát bằng 0. Nếu kiểm định này có ý nghĩa thống kê ( sig <0.05) thì các biến có tương quan với nhau trong tổng thể. Bước 2: Xác định nhân tố. - Sử dụng một số công cụ ước lượng như Phân tích thành phần chính hoặc Maximum likelihood.

Trong SPSS, phương pháp phân tích thành phần chính được sử dụng, đây là phức hợp giải thích được nhiều biến thiên nhất trong quần thể, sau đó giảm dần ở nhân tố thứ 2, 3. Để xác định giữ lại bao nhiêu nhân tố, căn cứ vào 2 yếu tố: Eigen values > 1 và The Scree plot. Bước 3:Xoay nhân tố - Factor rotation (có nhiều phương pháp đề xoay nhân tố, tuỳ theo điều kiện gạn lọc dữ liệu mà chúng ta có thể áp dụng). - Phương pháp varimax rotations là phương pháp phổ biến hiện nay.

- Chọn các nhân tố có trị số lớn nhất và nhóm chúng lại. Bước 4: Đặt tên nhân tố.1 Xác định nhân tố (factor extration) Có rất nhiều phương pháp có thể sử dụng để ước lượng mô hình nhân tố chung, chẳng hạn như Khả năng tối đa (Maximum likehood; ML), Trọng số bình phương tối thiểu. Ở đây ta quan tâm tới phương pháp phân tích thành phần chính PCA (Principal Component Analysis) vì nó được sử dụng phổ biến trong nghiên cứu xác định tập đầu tiên của tải trọng, nó cũng được sử dụng như phân (LUAN.bac 6 TIEU LUAN MOI download : [e-mail] tích bước nền cho các phân tích sâu hơn như các phân tích hồi qui hay sử dụng cho các mô hình SEM. SPSS sử dụng phương pháp PCA (principal components analysis), thường xuyên bị nhầm lẫn là phương pháp ước lượng của phân tích nhân tố chung.

Không giống như các ước lượng ML và PF. PCA dựa trên một tập hợp khác nhau của phương pháp định lượng mà không dựa trên mô hình chung. PCA không phân biệt sai số chung và sai số riêng. Thay vào đó, PCA nhằm giải thích phương sai cho các biến quan sát hơn là giải thích các mối tương quan giữa chúng.

Như vậy PCA là một cách thích hợp được sử dụng như một kỹ thuật nén dữ liệu để giảm bớt, thu nhỏ một tập quan sát để quản lý và sử dụng trong phân tích tiếp theo. xnp Trong đó xij là giá trị các biến quan sát Xj , j = 1, p, nhận các giá trị i = 1, n. Khi đó ta có một tập điểm n trên không gian Rp , trong đó điểm xi có toạ độ xi = (xi1 , xi2 , xi3 ,. , xip ), i = 1, n và gọi là điểm – các thể i.

Không gian Rp là các không gian cá thể. Tương tự ta có không gian Rn các điểm – biến, trong đó ta có p điểm biến Xj = (x1j , x2j , x3j ,. Điều này có nghĩa là trong bảng số liệu, các cột là các biến và các dòng là các cá thể, trên đó đo giá trị các biến. Mục đích của phân tích thành phần chính là giảm kích cỡ số liệu và đưa ra thông tin quan trọng trong bảng số liệu bằng cách xây dựng một biểu diễn đơn giản hơn sao cho đám mây số liệu được hiển thị rõ ràng nhất.

Cụ thể hơn, phân tích thành phần chính tức là đi tìm những trục phản ảnh tốt nhất đám mây số liệu. Việc tìm các thành phần chính (trục chính) được thực hiện một cách trực quan như sau: Tìm trục chính thứ nhất là trục mà tương quan nhỏ nhất, tức là đường thẳng qua tâm gần đám mây điểm nhất. Trục chính thứ hai là trục qua tâm trực giao với trục chính thứ nhất và tương quan của đám mây theo nó là nhỏ nhất. Trục chính thứ ba là trục qua tâm, trực giao với hai trục chính thứ nhất và thứ hai và gần đám mây nhất sau hai trục trên.

Tiếp tục như vậy đến bước thứ q ta được một hệ q vectơ trực giao tạo thành siêu phẳng q chiều mà đám mây thể hiện trên đó là rõ nhất. Tuy nhiên trong thực tế, khi đã tìm được một số trục chính có tỉ lệ đóng góp tương đối tốt, có thể dừng lại để quan sát. Cách tìm các trục tọa độ được phân tích xây dựng. Trong EFA, PCA được sử dụng để tìm giá trị của tải trọng mà tổng ước lượng chung càng gần so với tổng các phương sai quan sát càng tốt.bac 7 TIEU LUAN MOI download : skknchat@gmail.1: PCA tìm trục cho không gian mới sao cho nó biểu diễn tốt nhất mức độ biến thiên của dữ liệu.2 Lựa chọn nhân tố (factor section) Tiếp theo, phân tích nhân tố được chạy với các phương pháp ước lượng được lựa chọn (ví dụ ML, PF).

Kết quả phân tích ban đầu được sử dụng để xác định số lượng thích hợp các yếu tố để tách ra trong các phân tích tiếp theo. Điều này được coi là quan trọng nhất của EFA. Có thể gây ra ảnh hưởng đến mô hình cuối cùng hay có thể tạo ra lỗi đáng kể trong việc xác định hệ số tải trọng. Mặc dù một số nghiên cứu cho thấy hậu quả của overfactoring ít nghiêm trọng hơn underfactoring (cf.

Fabrigar et al. Trên thực tế, EFA là một kỹ thuật khám phá hoặc miêu tả một cách tự nhiên, các kết quả về việc đưa ra số lượng thích hợp các nhân tố được thực hiện bởi những cân nhắc độc lập. Số lượng các yếu tố (m) có thể được lấy ra bởi EFA là được giới hạn bởi các biện pháp quan sát (p) của nghiên cứu. Các giới hạn trên của số các nhân tố thay đổi thông qua kỹ thuật ước lượng.

Ví dụ minh họa một số khái niệm quan trọng của mô hình nhân tố chung. Trong ví dụ cơ bản này, bốn loại quan sát hành vi (O1-O4) đã được thu thập trên 300 cá nhân được ghi nhận ở khoa thần kinh của một bệnh viện. Bốn nhân tố là Vô vọng (O1), Cảm giác vô dụng / tội lỗi (O2), Tâm thần chậm phát triển (O3) và Rối loạn giấc ngủ (O4).1 là tương quan của bốn nhân tố. Phỏng đoán rằng mỗi nhân tố là một chỉ số biểu hiện tiềm ẩn của bệnh trầm cảm.

Đó là, mỗi triệu chứng quan sát được (ví dụ: sự tuyệt vọng, vô dụng) có ảnh hưởng đến việc chia sẻ các khủng hoảng, chỉ có biến tiềm ẩn (yếu tố) mới giải thích cho sự tương quan của các phần tử trong những quan sát. Có duy nhất một lý do cho các chỉ số tương quan là họ chia sẻ những nguyên nhân phổ biến của trầm cảm; nếu biến tiềm tàng này được loại bỏ, không có mối quan hệ giữa các chỉ số này được nhìn thấy. Trong EFA sử dụng PF (Principal factor), số lượng tối đa các yếu tố được (LUAN.bac 8 TIEU LUAN MOI download : [e-mail] để lấy được p − 1. Số lượng các nhân tố (m) tăng thìtham số ước tính (b) trong nhân tố giải pháp cũng tăng lên.