Phân tích EFA là gì? Hướng dẫn chi tiết phân tích nhân tố khám phá (Exploratory Factor Analysis)

Trong nghiên cứu định lượng, phân tích nhân tố khám phá (EFA) đóng vai trò then chốt trong quá trình xử lý và rút trích dữ liệu. Tuy nhiên, nhiều bạn mới bắt đầu vẫn còn khá lúng túng khi tiếp cận EFA trên phần mềm SPSS. Trong bài viết này, VietGuru sẽ giúp bạn hiểu về phân tích EFA — từ khái niệm, cách thực hiện trong SPSS, cho đến các điều kiện áp dụng và lưu ý quan trọng khi sử dụng phương pháp này.

1. Tổng quan về phân tích EFA

Để hiểu rõ cách áp dụng phân tích EFA trong nghiên cứu, trước hết bạn cần nắm vững những kiến thức cơ bản về phương pháp này qua phần dưới đây.

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

Phân tích EFA là một phương pháp thống kê giúp rút gọn một tập hợp nhiều biến quan sát liên quan với nhau thành một số lượng nhân tố ít hơn, nhưng vẫn giữ được hầu hết thông tin quan trọng từ tập biến gốc (Hair & cộng sự, 1998).

Nói cách khác, phân tích EFA là tên chung của nhóm các kỹ thuật dùng để thu gọn và tóm tắt dữ liệu. Trong nghiên cứu, chúng ta thường thu thập nhiều biến khác nhau, và hầu hết trong số đó có mối quan hệ với nhau. Việc đưa tất cả các biến này vào phân tích sẽ rất phức tạp, vì vậy EFA giúp rút gọn các biến quan sát thành một số nhân tố chính, mỗi nhân tố bao gồm các biến quan sát đáp ứng các điều kiện thống kê nhất định, từ đó dữ liệu trở nên có cấu trúc, dễ phân tích và dễ giải thích hơn.

1.2. Khi nào nên sử dụng EFA trong nghiên cứu?

Phân tích EFA là công cụ mạnh mẽ, nhưng không phải nghiên cứu nào cũng cần áp dụng. Vậy khi nào nên sử dụng EFA? EFA thường được dùng trong các trường hợp sau:

• Khi muốn khám phá cấu trúc tiềm ẩn của dữ liệu: Nếu bạn có nhiều biến quan sát và chưa rõ mối quan hệ giữa chúng, EFA giúp xác định các nhân tố ẩn chi phối các biến này.
• Khi cần rút gọn dữ liệu: Khi tập biến quá lớn và gây khó khăn trong phân tích, EFA giúp thu gọn các biến thành một số nhân tố chính, vừa giảm độ phức tạp vừa vẫn giữ thông tin quan trọng.
• Khi xây dựng thang đo mới hoặc kiểm tra tính hợp lý của thang đo: Nếu nghiên cứu yêu cầu thiết kế bảng câu hỏi hoặc thang đo mới, phân tích EFA giúp xác định nhóm câu hỏi có cùng ý nghĩa và loại bỏ các câu hỏi kém liên quan.
• Khi muốn chuẩn bị dữ liệu cho các phân tích tiếp theo: Các nhân tố rút ra từ EFA có thể dùng làm biến đầu vào cho các phân tích hồi quy, SEM hoặc các mô hình thống kê khác.

Khi nào nên sử dụng EFA trong nghiên cứu?

Tóm lại, phân tích EFA là lựa chọn lý tưởng khi bạn cần khám phá, đơn giản hóa và cấu trúc hóa dữ liệu trước khi đi sâu vào phân tích chi tiết.

Có thể bạn quan tâm: Viết thuê nghiên cứu khoa học

2. Các khái niệm và tiêu chuẩn quan trọng trong phân tích EFA

Trước khi thực hiện phân tích EFA, việc nắm vững các khái niệm cơ bản và tiêu chuẩn quan trọng là vô cùng cần thiết. Trong phần này, VietGuru sẽ giới thiệu những thuật ngữ, chỉ số và điều kiện thống kê quan trọng giúp bạn hiểu rõ cách EFA hoạt động, đồng thời đảm bảo kết quả phân tích chính xác, đáng tin cậy và có giá trị nghiên cứu cao. 

2.1. Nhân tố (Factor) là gì?

Ý tưởng cốt lõi của phân tích EFA là các biến quan sát được thường chia sẻ một số đặc điểm tiềm ẩn mà chúng ta không thể quan sát trực tiếp.

Ví dụ: Khi khảo sát nhiều người về thu nhập, trình độ học vấn và nghề nghiệp, bạn sẽ thấy họ có xu hướng trả lời tương tự nhau. Nguyên nhân là vì tất cả các biến này đều chịu ảnh hưởng bởi một nhân tố tiềm ẩn chung, trong trường hợp này là địa vị kinh tế – xã hội.

Trong EFA, hệ số tải nhân tố phản ánh mức độ liên quan giữa từng biến quan sát với nhân tố: hệ số càng cao, biến đó càng chịu ảnh hưởng mạnh từ nhân tố.

Mỗi nhân tố trong EFA hoạt động như một biến tổng hợp, đo lường phương sai chung của các biến quan sát và thường được sắp xếp theo thứ tự khả năng giải thích phương sai, giúp nhà nghiên cứu dễ dàng xác định những nhân tố quan trọng nhất trong dữ liệu.

2.2. Hệ số tải nhân tố (Factor Loading) là gì? Bao nhiêu là đạt chuẩn?

Theo Hair & cộng sự (2009, trang 116, Multivariate Data Analysis, 7th Edition):

• Factor Loading ± 0.7: Biến quan sát có ý nghĩa thống kê rất tốt.
• Factor Loading ± 0.5: Biến quan sát có ý nghĩa thống kê tốt.
• Factor Loading ± 0.3: Mức tối thiểu để biến quan sát được giữ lại trong phân tích.

Tuy nhiên, giá trị tiêu chuẩn của hệ số tải (Factor Loading) còn phụ thuộc vào kích thước mẫu. Với mỗi khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để một biến quan sát được coi là có ý nghĩa thống kê sẽ thay đổi. Cụ thể, bảng dưới đây sẽ minh họa chi tiết mối quan hệ giữa kích thước mẫu và ngưỡng hệ số tải.

Hệ số tải nhân tố (Factor Loading) là gì? Bao nhiêu là đạt chuẩn?

Có thể bạn quan tâm: Kiểm định t test là gì

2.3 Các chỉ số đánh giá mô hình EFA

Khi thực hiện phân tích EFA, việc đánh giá tính phù hợp và độ tin cậy của mô hình là rất quan trọng. Một số chỉ số quan trọng giúp nhà nghiên cứu xác định xem mô hình EFA có đáng tin cậy và có thể giải thích dữ liệu hay không bao gồm:

a. Kaiser-Meyer-Olkin (KMO) Measure of Sampling Adequacy

• Chỉ số KMO đánh giá mức độ thích hợp của dữ liệu để thực hiện EFA.
• Giá trị KMO từ 0.6 trở lên được coi là chấp nhận được, càng gần 1 thì dữ liệu càng phù hợp với phân tích nhân tố.

b. Bartlett’s Test of Sphericity

• Kiểm định này xác định liệu các biến quan sát có mối tương quan đáng kể với nhau hay không.
• Nếu giá trị Sig. < 0.05, nghĩa là ma trận tương quan không phải là ma trận đơn vị, dữ liệu phù hợp để chạy EFA.

c. Eigenvalues (Giá trị riêng)

• Eigenvalue thể hiện phương sai mà mỗi nhân tố giải thích được.
• Nhân tố có Eigenvalue > 1 thường được giữ lại vì nó giải thích đủ phương sai của dữ liệu.

d. Total Variance Explained (Tổng phương sai giải thích)

• Cho biết tỷ lệ phương sai chung mà các nhân tố rút ra giải thích được.
• Một mô hình EFA tốt thường giải thích từ 50% trở lên tổng phương sai.

e. Factor Loadings (Hệ số tải nhân tố)

• Hệ số này đo mức độ liên quan giữa từng biến quan sát và nhân tố.
• Các biến có hệ số tải cao hơn ngưỡng tiêu chuẩn (thường ±0.3 đến ±0.7 tùy kích thước mẫu) được coi là có ý nghĩa thống kê và nên giữ lại.

Những chỉ số trên sẽ giúp bạn đánh giá tính hợp lý của mô hình EFA, đảm bảo các nhân tố rút ra đúng nghĩa, có ý nghĩa nghiên cứu và dễ giải thích.

3. Các bước thực hiện phân tích EFA trong SPSS

Thực hiện phân tích EFA trong SPSS không quá khó, nhưng đối với những người mới làm quen, thao tác có thể gây cảm giác phức tạp và rối rắm.

Để việc chạy EFA trở nên dễ dàng hơn, đặc biệt sau khi đã kiểm định độ tin cậy thang đo (Cronbach’s Alpha), bạn có thể tham khảo 4 bước hướng dẫn chi tiết sau:

Bước 1: Trên thanh công cụ chính của SPSS, vào Analyze → Dimension Reduction → Factor… để mở hộp thoại Factor Analysis.

Bước 2: Chọn tất cả các biến quan sát cần phân tích và đưa vào hộp Variables.

Bước 3: Tại các mục tùy chọn bên phải, thực hiện các bước như sau:

– Descriptives…: Tích chọn KMO and Bartlett’s test of sphericity, sau đó nhấn Continue.

– Extraction…: Chọn Principal components ở tab Method, sau đó nhấn Continue.

– Rotation…: Tích chọn Varimax, sau đó nhấn Continue.

– Options…:

• Chọn Sorted by size để sắp xếp ma trận xoay theo dạng bậc thang, giúp dễ đọc hơn.
• Chọn Suppress small coefficients để loại bỏ các hệ số tải không đạt chuẩn, đồng thời đặt giá trị tối thiểu Absolute value below = 0.3.

Các bước thực hiện phân tích EFA trong SPSS

Nhấn Continue để hoàn tất thiết lập.

Bước 4: Nhấn OK để SPSS tiến hành phân tích và nhận kết quả.

Có thể bạn quan tâm: Tên đề tài nghiên cứu khoa học

4. Ứng dụng và diễn giải kết quả phân tích EFA

Sau khi thực hiện phân tích EFA, bước quan trọng tiếp theo là diễn giải kết quả và áp dụng chúng vào nghiên cứu. Phần này giúp bạn biết được những nhân tố nào thực sự quan trọng, các biến quan sát nào đóng góp nhiều nhất, từ đó đưa ra kết luận chính xác và đáng tin cậy.

Cụ thể, ứng dụng và diễn giải kết quả EFA bao gồm:

Xác định số lượng nhân tố chính: Dựa vào Eigenvalues > 1 và tổng phương sai giải thích, bạn có thể quyết định giữ lại bao nhiêu nhân tố để mô hình vừa đủ, không quá phức tạp nhưng vẫn bảo toàn thông tin.

Đánh giá hệ số tải nhân tố (Factor Loadings):

• Biến quan sát có hệ số tải cao trên một nhân tố cho thấy nó đóng vai trò quan trọng trong việc hình thành nhân tố đó.
• Những biến có hệ số tải thấp hoặc chồng lấn giữa các nhân tố có thể cần loại bỏ hoặc xem xét lại.

Đặt tên và ý nghĩa cho các nhân tố: Dựa vào các biến quan sát chính trong mỗi nhân tố, nhà nghiên cứu có thể đặt tên và giải thích ý nghĩa nhân tố sao cho phù hợp với mục tiêu nghiên cứu.

Ứng dụng vào các phân tích tiếp theo: Các nhân tố rút ra từ phân tích EFA có thể được sử dụng làm biến tổng hợp trong các phân tích hồi quy, mô hình cấu trúc tuyến tính (SEM) hoặc các mô hình thống kê khác.

Ứng dụng và diễn giải kết quả phân tích EFA

Việc diễn giải đúng kết quả EFA không chỉ giúp dữ liệu trở nên rõ ràng mà còn tăng giá trị khoa học và thực tiễn cho nghiên cứu, đồng thời làm nền tảng vững chắc cho các bước phân tích nâng cao tiếp theo.

Có thể bạn quan tâm: Chạy hồi quy spss

5. Mô hình phân tích EFA

Phân tích EFA dựa trên mô hình nhân tố chung (Common Factor Model), theo DeCoster (1998). 

Mô hình phân tích EFA

Mô hình này cho thấy mỗi biến quan sát chịu ảnh hưởng bởi hai thành phần:

• Nhân tố chung (Common Factor, F): Là các yếu tố tiềm ẩn cơ bản ảnh hưởng tới nhiều biến quan sát cùng lúc (ví dụ: Factor 1, Factor 2).
• Nhân tố đặc trưng (Unique Factor, U): Là các yếu tố đặc thù riêng của từng biến quan sát, chỉ ảnh hưởng tới biến đó (ví dụ: E1, E2,…).

Khi các biến quan sát được chuẩn hóa, mô hình EFA có thể biểu diễn bằng phương trình:

Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Aim * Fm + Vi * Ui

Trong đó:

• Xi: Biến quan sát thứ i đã chuẩn hóa
• Aij: Hệ số hồi quy chuẩn hóa của nhân tố chung j đối với biến i
• F: Nhân tố chung
• Vi: Hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i
• Ui: Nhân tố đặc trưng của biến inhân tố đặc trưng của biến i
• m: Số nhân tố chung

Các nhân tố đặc trưng có thể tương quan với nhau và với các nhân tố chung. Đồng thời, các nhân tố chung cũng có thể được biểu diễn như tổ hợp tuyến tính của các biến quan sát:

Fi = Wi1 * X1 + Wi2 * X2 + Wi3 * X3 + . . . + Wik * Xk

Trong đó:

• Fi: Giá trị ước lượng của nhân tố thứ i
• Wi: Trọng số 
• k: Số biến

Mô hình này giúp EFA rút trích các nhân tố tiềm ẩn từ dữ liệu, đồng thời tách biệt phần phương sai chung và phần phương sai đặc trưng của từng biến quan sát, tạo nền tảng vững chắc cho diễn giải và ứng dụng kết quả phân tích.

6. Lưu ý và sai lầm thường gặp khi phân tích EFA

Để phân tích EFA đạt hiệu quả và cho kết quả chính xác, bạn cần đặc biệt lưu ý hai điểm quan trọng sau:

Không thực hiện EFA đồng thời cho biến độc lập và biến phụ thuộc

• Với các mô hình đã xác định rõ biến độc lập và biến phụ thuộc, không nên chạy EFA chung cho cả hai loại biến khi sử dụng phép quay (rotation).
• Việc này giúp tránh làm rối ma trận xoay và đảm bảo tính hợp lý về mối tương quan giữa các biến, giúp kết quả phân tích rõ ràng, dễ diễn giải hơn.

Đánh giá thang đo một cách tổng thể, không tách biệt từng thang đo

• Khi sử dụng phân tích EFA để kiểm định giá trị thang đo, không nên phân tích riêng lẻ từng thang đo.
• Thay vào đó, hãy phân tích đồng thời tất cả các thang đo trong cùng một mô hình, nhằm đảm bảo kết quả phản ánh đúng giá trị phân biệt (discriminant validity) giữa các thang đo và tính thống nhất tổng thể của mô hình.

Lưu ý và sai lầm thường gặp khi phân tích EFA

Tuân thủ hai nguyên tắc này sẽ giúp quá trình phân tích EFA tránh sai lệch, đảm bảo độ tin cậy cao và mang lại giá trị thực tiễn vững chắc cho nghiên cứu.

Có thể bạn quan tâm: Research paper là gì

7. Lời kết

Nếu bạn đang gặp khó khăn trong quá trình thực hiện phân tích EFA hay cần hỗ trợ xử lý dữ liệu, đội ngũ chuyên gia tại VietGuru sẵn sàng đồng hành cùng bạn. Với kinh nghiệm dày dạn trong phân tích định lượng và định tính, VietGuru cam kết mang đến giải pháp nghiên cứu chuẩn xác, chuyên nghiệp và tiết kiệm thời gian nhất cho học viên và nhà nghiên cứu.

Hy vọng qua bài viết này, bạn đã hiểu rõ hơn phân tích EFA là gì, cũng như nắm vững các bước thực hiện, cách diễn giải và ứng dụng kết quả phân tích nhân tố khám phá trong nghiên cứu. Việc hiểu và áp dụng đúng EFA sẽ giúp bạn tối ưu hóa mô hình nghiên cứu, nâng cao độ tin cậy thang đo và tạo nền tảng vững chắc cho các phân tích chuyên sâu tiếp theo.