Phân tích nhân tố khám phá EFA là một trong những kỹ thuật thường gặp khi xử lý dữ liệu khảo sát bằng SPSS. Với các nghiên cứu sử dụng nhiều biến quan sát để đo lường những khái niệm như sự hài lòng, chất lượng dịch vụ, ý định hành vi hay nhận thức của người tiêu dùng, vấn đề không chỉ nằm ở độ tin cậy của từng thang đo mà còn ở việc các biến quan sát có thực sự hình thành cấu trúc nhân tố như kỳ vọng hay không.
EFA giúp người nghiên cứu khám phá cấu trúc này từ chính dữ liệu thu thập được. Tuy nhiên, chạy được bảng kết quả trên SPSS khá đơn giản; khó hơn là lựa chọn phương pháp phù hợp và hiểu đúng những gì Output đang thể hiện.
1. Phân tích EFA giúp kiểm tra điều gì trong nghiên cứu?
Exploratory Factor Analysis (EFA) là kỹ thuật được sử dụng để khám phá những nhân tố tiềm ẩn đứng sau mối tương quan giữa nhiều biến quan sát. Thay vì xem từng câu hỏi khảo sát như một biến riêng biệt, EFA tìm kiếm các nhóm biến có xu hướng biến thiên cùng nhau và biểu diễn chúng thông qua số lượng nhân tố nhỏ hơn.
Chẳng hạn, một bảng khảo sát có 20 câu hỏi được xây dựng để đo bốn khái niệm. Nếu dữ liệu thực tế phù hợp với cấu trúc kỳ vọng, các câu hỏi thuộc cùng một khái niệm thường có xu hướng tập trung vào cùng một nhân tố.
Theo Fabrigar et al. (1999), EFA liên quan đến nhiều quyết định phân tích như lựa chọn phương pháp trích, số nhân tố cần giữ và phương pháp xoay. Vì vậy, không nên xem EFA đơn thuần là thao tác “đưa biến vào SPSS rồi đọc ma trận xoay”.
1.1 EFA và cấu trúc tiềm ẩn của thang đo
Một ứng dụng quan trọng của EFA là xem xét cách các biến quan sát tập hợp thành các nhân tố.
Giả sử thang đo SAT được thiết kế gồm SAT1, SAT2, SAT3 và SAT4. Nếu các biến này có hệ số tải đáng kể trên cùng một nhân tố và không đồng thời tải mạnh lên những nhân tố khác, kết quả cung cấp bằng chứng thực nghiệm cho cấu trúc mà người nghiên cứu đang kỳ vọng.
Ngược lại, SAT4 có thể tải mạnh sang một nhân tố khác hoặc đồng thời tải lên hai nhân tố. Khi đó cần xem xét nội dung câu hỏi, cách xây dựng thang đo và đặc điểm dữ liệu trước khi quyết định giữ hay loại.
EFA vì thế mang tính khám phá. Kết quả dữ liệu có thể phù hợp nhưng cũng có thể khác cấu trúc lý thuyết ban đầu.
1.2 EFA khác gì với Cronbach’s Alpha?
Cronbach’s Alpha và EFA trả lời hai câu hỏi khác nhau.
Cronbach’s Alpha chủ yếu xem xét tính nhất quán nội tại của một tập hợp biến quan sát. EFA lại khảo sát cấu trúc quan hệ giữa nhiều biến để xác định chúng hình thành bao nhiêu nhân tố và mỗi biến gắn với nhân tố nào.
Một thang đo có Alpha phù hợp không đồng nghĩa cấu trúc nhân tố chắc chắn đạt yêu cầu. Vì vậy, trong quy trình SPSS thường gặp ở luận văn tại Việt Nam, EFA thường được thực hiện sau bước đánh giá độ tin cậy của thang đo.
2. Những tiêu chí cần đọc khi đánh giá kết quả EFA
Không nên đánh giá EFA dựa trên duy nhất Factor Loading. Trước khi đọc ma trận nhân tố, cần xem xét dữ liệu có phù hợp để phân tích nhân tố hay không, số nhân tố được giữ lại và lượng thông tin được cấu trúc nhân tố giải thích.
2.1 KMO và Bartlett’s Test
Kaiser-Meyer-Olkin (KMO) phản ánh mức độ thích hợp của dữ liệu đối với phân tích nhân tố. Kaiser (1974) đưa ra cách diễn giải KMO theo nhiều mức, trong đó các giá trị dưới 0.50 được xem là không phù hợp để tiếp tục theo cách diễn giải này. Vì vậy, KMO ≥ 0.50 thường được sử dụng như mức tối thiểu trong thực hành.
Bartlett’s Test of Sphericity kiểm định giả thuyết rằng ma trận tương quan là ma trận đơn vị. Khi kiểm định có ý nghĩa thống kê, chẳng hạn p < 0.05 với mức ý nghĩa 5%, có cơ sở bác bỏ giả thuyết này và cho thấy tập biến có tương quan đủ để tiếp tục xem xét cấu trúc nhân tố.
SPSS có thể xuất đồng thời KMO và Bartlett’s Test trong Factor Analysis.
2.2 Eigenvalue và số lượng nhân tố
Một cách rất phổ biến để xác định số nhân tố là tiêu chuẩn Kaiser: giữ các nhân tố có Eigenvalue > 1.
Cách này thuận tiện và được SPSS hỗ trợ trực tiếp, nhưng không nên hiểu rằng Eigenvalue > 1 là một quy tắc tuyệt đối cho mọi nghiên cứu. Nghiên cứu phương pháp đã chỉ ra rằng tiêu chuẩn này có thể giữ lại nhiều nhân tố hơn mức cần thiết trong một số dữ liệu.
Do đó, khi nghiên cứu yêu cầu đánh giá cấu trúc thang đo chặt chẽ hơn, có thể kết hợp Eigenvalue với Scree Plot, cơ sở lý thuyết và Parallel Analysis. Hayton, Allen và Scarpello (2004) là một trong những tài liệu thảo luận việc sử dụng Parallel Analysis trong quyết định số nhân tố.
2.3 Tổng phương sai trích
Total Variance Explained cho biết các nhân tố được giữ lại giải thích được bao nhiêu phần biến thiên trong tập biến.
Hair et al. (2019) lưu ý mức phương sai giải thích phù hợp phụ thuộc lĩnh vực nghiên cứu và đặc điểm dữ liệu; trong khoa học xã hội, các cấu trúc thường khó giải thích phương sai cao như những lĩnh vực có phép đo chính xác hơn.
Trong nhiều nghiên cứu ứng dụng tại Việt Nam, tổng phương sai trích từ 50% trở lên thường được sử dụng làm mốc tham khảo. Tuy nhiên, không tồn tại một quy tắc cứng nhắc rằng mọi EFA dưới một tỷ lệ nhất định đều phải bị bác bỏ. Việc đánh giá cần đặt cùng factor loading, số nhân tố, mục tiêu nghiên cứu và nền tảng lý thuyết.
2.4 Factor Loading và biến tải chéo
Factor Loading thể hiện mức liên hệ giữa biến quan sát và nhân tố.
Hair et al. (2019) nhấn mạnh ý nghĩa thực tiễn và ý nghĩa thống kê của factor loading cần được đánh giá trong mối liên hệ với cỡ mẫu. Trong thực hành nghiên cứu xã hội, 0.50 thường được sử dụng như một mức tham khảo để hướng đến một cấu trúc rõ ràng, nhưng không nên biến con số này thành tiêu chuẩn bất biến.
Một vấn đề khác là cross-loading. Ví dụ:
- ITEM1 tải lên Factor 1 = 0.71.
- ITEM1 đồng thời tải lên Factor 2 = 0.63.
Biến này không thể hiện sự phân biệt rõ giữa hai nhân tố. Khoảng cách giữa hai loading chỉ là 0.08.
Thay vì tự động loại biến dựa trên một ngưỡng chênh lệch duy nhất, nên đồng thời xem xét loading chính, loading phụ, nội dung biến và cấu trúc lý thuyết.
3. Chọn phương pháp trích và phép xoay như thế nào?
Đây là phần dễ bị bỏ qua nhất khi thực hiện EFA trên SPSS. Principal Components thường xuất hiện mặc định hoặc được sử dụng phổ biến, nhưng lựa chọn extraction cần dựa trên mục tiêu phân tích.
3.1 PCA và Principal Axis Factoring không phải một
Principal Component Analysis (PCA) và common factor analysis không hoàn toàn giống nhau.
PCA sử dụng tổng phương sai của các biến để tạo ra các component nhằm giảm chiều dữ liệu. Trong khi đó, các phương pháp common factor như Principal Axis Factoring (PAF) tập trung vào phần phương sai chung giữa các biến nhằm tìm kiếm cấu trúc nhân tố tiềm ẩn.
Fabrigar et al. (1999) khuyến nghị các phương pháp common factor khi mục tiêu thực sự là nhận diện các latent constructs.
Điều này không có nghĩa PCA “sai”. Nếu mục tiêu chủ yếu là giảm số lượng biến thành một tập component nhỏ hơn, PCA có thể phù hợp. Nếu mục tiêu là khám phá cấu trúc tiềm ẩn của thang đo, PAF hoặc một phương pháp common factor khác có cơ sở phương pháp luận phù hợp hơn.
Đây là điểm nên trình bày rõ trong luận văn thay vì gọi PCA và EFA là hai khái niệm hoàn toàn đồng nhất.
3.2 Varimax hay Promax?
Sau khi trích nhân tố, rotation giúp tạo ra cấu trúc dễ diễn giải hơn.
Varimax là phép xoay trực giao, duy trì giả định các nhân tố không tương quan. Promax và Direct Oblimin thuộc nhóm phép xoay xiên, cho phép các nhân tố có tương quan.
Trong nghiên cứu khoa học xã hội, các khái niệm tiềm ẩn thường có khả năng liên hệ với nhau. Fabrigar et al. (1999) vì vậy lưu ý không nên mặc định sử dụng orthogonal rotation khi không có cơ sở cho rằng các nhân tố độc lập.
Việc lựa chọn Varimax hay Promax cần căn cứ vào mô hình lý thuyết và mục tiêu nghiên cứu chứ không phải quy tắc “biến độc lập thì luôn dùng Varimax”.
4. Cách chạy EFA trên SPSS từng bước
Trên các phiên bản SPSS hiện nay, đường dẫn cơ bản vẫn là:
Analyze > Dimension Reduction > Factor
IBM cũng mô tả Factor Analysis là thủ tục dùng để nhận diện các biến hoặc nhân tố tiềm ẩn giải thích mô hình tương quan giữa các biến quan sát.
Chuẩn bị các biến trước khi chạy
Trước khi mở Factor Analysis, cần xác định chính xác tập biến sẽ đưa vào phân tích.
Nếu quy trình nghiên cứu đã thực hiện Cronbach’s Alpha trước EFA và một số biến bị loại có căn cứ ở bước đó, không tiếp tục đưa những biến này vào EFA.
Đồng thời kiểm tra:
- biến bị nhập sai mã;
- dữ liệu thiếu;
- câu hỏi đảo chiều chưa được reverse coding;
- biến định tính vô tình được đưa vào cùng thang đo;
- số lượng quan sát thực tế được SPSS sử dụng.
Một lỗi khá phổ biến là biến đảo chiều chưa được mã hóa lại. Khi đó, cấu trúc tương quan có thể thay đổi đáng kể và khiến kết quả EFA khó diễn giải.
Thiết lập Descriptives và Extraction
Đưa toàn bộ biến cần phân tích sang ô Variables.
Tại Descriptives, chọn:
KMO and Bartlett’s test of sphericity
Nếu muốn kiểm tra sâu hơn có thể xuất thêm Anti-image. SPSS cung cấp Measure of Sampling Adequacy của từng biến trên đường chéo Anti-image Correlation Matrix.
Tiếp theo mở Extraction.
Tại đây lựa chọn phương pháp phù hợp với mục tiêu nghiên cứu, chẳng hạn Principal Components hoặc Principal Axis Factoring. Có thể tích Scree plot để hỗ trợ đánh giá số lượng nhân tố.
Nếu sử dụng tiêu chuẩn Kaiser trong thiết kế nghiên cứu, SPSS cho phép giữ các nhân tố dựa trên Eigenvalue lớn hơn một giá trị xác định.
Thiết lập Rotation và Options
Tại Rotation, chọn phương pháp xoay theo giả định nghiên cứu.
Có thể sử dụng Varimax khi áp dụng giải pháp trực giao hoặc Promax/Direct Oblimin nếu cho phép các nhân tố tương quan.
Trong Options, chọn Sorted by size để SPSS sắp xếp loading giúp ma trận dễ quan sát hơn.
Mục Suppress small coefficients chỉ ẩn những loading nhỏ hơn giá trị nhập vào. Đây là tùy chọn hiển thị, không phải thao tác loại biến khỏi phân tích.
Ví dụ nhập 0.50 không có nghĩa SPSS đã xóa tất cả biến có loading dưới 0.50; phần mềm chỉ không hiển thị những hệ số nhỏ hơn mức này trong ma trận.
Sau khi hoàn tất thiết lập, chọn OK để chạy.
5. Cách đọc Output EFA và quyết định giữ hoặc loại biến
Khi SPSS trả kết quả, không nên bắt đầu ngay từ ma trận xoay. Một trình tự dễ kiểm soát hơn là đọc KMO và Bartlett → số nhân tố và phương sai giải thích → loading của từng biến.
a. Đọc KMO and Bartlett’s Test
Giả sử kết quả:
KMO = 0.842
Bartlett’s Test: Sig. < 0.001
KMO vượt mức tham khảo 0.50 và Bartlett có ý nghĩa thống kê ở mức 5%. Như vậy, tập dữ liệu có cơ sở để tiếp tục xem xét bằng phân tích nhân tố.
Một lưu ý khi viết luận văn: SPSS có thể hiển thị Sig. = .000. Không nên diễn giải rằng xác suất thực sự bằng 0; có thể báo cáo p < 0.001.
b. Đọc Total Variance Explained
Tiếp theo xác định số lượng nhân tố được giữ lại.
Ví dụ có bốn nhân tố thỏa tiêu chí lựa chọn và cumulative variance đạt 64.28%. Có thể mô tả rằng bốn nhân tố được giữ lại giải thích 64.28% phương sai của tập biến được đưa vào phân tích.
Không nên viết “bốn nhân tố giải thích 64.28% sự thay đổi của biến phụ thuộc”, bởi Total Variance Explained trong EFA không phải R² của mô hình hồi quy.
c. Đọc ma trận tải nhân tố
Với PCA kết hợp Varimax, SPSS thường trả Rotated Component Matrix. Với các lựa chọn common factor/oblique rotation, tên và cách đọc bảng có thể khác, chẳng hạn Pattern Matrix.
Giả sử:
A1 = 0.76 trên Factor 1
A2 = 0.72 trên Factor 1
A3 = 0.68 trên Factor 1
B1 = 0.81 trên Factor 2
B2 = 0.77 trên Factor 2
B3 = 0.70 trên Factor 2
Cấu trúc này tương đối rõ: A1–A3 tập trung ở nhân tố thứ nhất, B1–B3 tập trung ở nhân tố thứ hai.
Cần chú ý các biến có loading yếu, tải đáng kể lên nhiều nhân tố hoặc hội tụ vào nhân tố khác hoàn toàn so với lý thuyết.
d. Xử lý khi xuất hiện biến không đạt
Không nên hình thành thói quen “thấy biến xấu là xóa ngay”.
Giả sử A4 có loading 0.42 trong khi các biến còn lại của thang đo đều trên 0.65. Trước khi loại A4 cần xem xét:
- mức loading được xác định trước trong phương pháp nghiên cứu;
- nội dung của A4 có quan trọng về mặt lý thuyết không;
- communalities và cấu trúc loading của biến;
- việc loại A4 có làm thang đo thiếu nội dung đo lường không;
- kết quả sau khi chạy lại EFA thay đổi như thế nào.
Nếu quyết định loại biến, cần chạy EFA lại với tập biến còn lại và đánh giá toàn bộ kết quả mới. Không nên lấy KMO của lần đầu, Total Variance Explained của lần hai và ma trận nhân tố của lần ba để ghép thành một kết quả cuối cùng.
6. Một số tình huống thường gặp khi chạy EFA
6.1 SPSS chỉ trích được một nhân tố
Nếu đưa một thang đo gồm bốn biến vào EFA và SPSS chỉ trích một nhân tố, phần mềm có thể thông báo rằng giải pháp không thể xoay.
Đây không nhất thiết là lỗi.
Rotation chỉ có ý nghĩa khi có nhiều nhân tố cần xoay để đạt cấu trúc dễ diễn giải hơn. Nếu chỉ có một nhân tố được giữ lại, không có nhân tố thứ hai để thực hiện phép xoay.
Khi đó có thể đọc loading từ ma trận chưa xoay tương ứng và đánh giá cấu trúc một nhân tố.
6.2 Ma trận nhân tố không tách đúng thang đo lý thuyết
Ví dụ mô hình lý thuyết có bốn thang đo nhưng EFA chỉ tạo ba nhân tố hoặc biến của hai thang đo lại tập trung chung một nhân tố.
Không nên ép SPSS phải cho ra đúng số nhóm bằng cách loại biến liên tục chỉ để kết quả giống mô hình kỳ vọng.
EFA là kỹ thuật khám phá. Cấu trúc thực nghiệm khác lý thuyết có thể là thông tin quan trọng. Cần kiểm tra lại chất lượng câu hỏi, tương quan giữa các thang đo, mẫu nghiên cứu, phương pháp trích và rotation trước khi đưa ra quyết định.
6.3 Có nên chạy EFA độc lập và phụ thuộc riêng?
Không tồn tại quy tắc thống kê phổ quát rằng cứ gọi một biến là “độc lập” hoặc “phụ thuộc” thì bắt buộc phải tách EFA.
EFA quan tâm đến cấu trúc đo lường của tập biến quan sát, trong khi độc lập/phụ thuộc mô tả vai trò của biến trong mô hình quan hệ.
Trong nhiều luận văn Việt Nam, các thang đo độc lập được chạy chung và thang đo phụ thuộc được chạy riêng như một quy ước phân tích. Cách làm này có thể được sử dụng khi phù hợp với thiết kế nghiên cứu, nhưng cần tránh trình bày nó như một định luật bắt buộc của EFA.
7. Cách trình bày kết quả EFA trong luận văn
Một đoạn báo cáo EFA nên thể hiện ít nhất phương pháp phân tích, mức độ phù hợp của dữ liệu, số nhân tố được giữ lại, phương sai giải thích và kết quả loading.
Ví dụ:
“Kết quả phân tích nhân tố khám phá cho thấy KMO đạt 0.846 và kiểm định Bartlett có ý nghĩa thống kê (p < 0.001), cho thấy dữ liệu phù hợp để tiếp tục phân tích nhân tố. Kết quả trích thu được bốn nhân tố với tổng phương sai giải thích đạt 65.37%. Sau phép xoay, các biến quan sát tập trung vào các nhân tố tương ứng và hệ số tải của các biến được giữ lại đều đạt tiêu chuẩn được xác định trong nghiên cứu.”
Nếu có loại biến, nên trình bày rõ biến nào bị loại, căn cứ loại và EFA đã được chạy lại bao nhiêu lần.
Điều quan trọng là các tiêu chuẩn phải thống nhất giữa chương phương pháp nghiên cứu và chương kết quả. Không nên nhìn thấy kết quả rồi mới lựa chọn ngưỡng thuận lợi để giữ hoặc loại biến.
8. Kết luận
Phân tích EFA trong SPSS không khó ở thao tác phần mềm mà nằm ở việc đưa ra các quyết định phân tích hợp lý. Một quy trình thực hành nên bắt đầu từ việc kiểm tra dữ liệu, đánh giá KMO và Bartlett, lựa chọn extraction và rotation phù hợp, xác định số nhân tố, đọc Factor Loading và cuối cùng đánh giá lại cấu trúc sau mỗi lần điều chỉnh biến.
Các mức như KMO 0.50, Factor Loading 0.50 hay Eigenvalue > 1 rất hữu ích trong thực hành nhưng không nên được sử dụng như những quy tắc tách rời bối cảnh. Người nghiên cứu cần kết hợp tiêu chuẩn thống kê với mục tiêu nghiên cứu, cỡ mẫu, đặc điểm thang đo và nền tảng lý thuyết.
Nếu bạn muốn tìm hiểu thêm về quy trình phân tích dữ liệu định lượng, có thể tham khảo các hướng dẫn SPSS tại Phạm Lộc Blog. Trường hợp cần hỗ trợ xử lý dữ liệu từ kiểm định độ tin cậy, EFA đến tương quan, hồi quy và các kiểm định tiếp theo, bạn có thể tham khảo dịch vụ xử lý SPSS để lựa chọn nội dung phù hợp với nghiên cứu.
9. FAQ mới
EFA có bắt buộc phải chạy sau Cronbach’s Alpha không?
Không tồn tại một quy tắc thống kê tuyệt đối yêu cầu EFA luôn phải đứng sau Cronbach’s Alpha. Tuy nhiên, trong quy trình nghiên cứu ứng dụng phổ biến, kiểm tra độ tin cậy trước có thể giúp sàng lọc những biến có vấn đề trước khi khám phá cấu trúc nhân tố. Trình tự cuối cùng cần phù hợp với thiết kế phương pháp của nghiên cứu.
KMO cao nhưng Factor Loading không đạt thì EFA có đạt không?
Không thể kết luận EFA đạt chỉ dựa vào KMO. KMO đánh giá mức độ thích hợp chung của dữ liệu đối với phân tích nhân tố, còn Factor Loading phản ánh mối liên hệ của từng biến với nhân tố. Vì vậy cần đánh giá nhiều kết quả đồng thời.
Có thể dùng Factor Loading 0.50 cho mọi nghiên cứu không?
Không. Hair et al. nhấn mạnh loading cần được xem xét cùng cỡ mẫu và ý nghĩa thực tiễn. Mức 0.50 thường được sử dụng trong nhiều nghiên cứu ứng dụng như một ngưỡng thực hành, nhưng không phải tiêu chuẩn bắt buộc cho mọi bộ dữ liệu.
Tại sao chạy EFA không xuất hiện Rotated Component Matrix?
Một nguyên nhân thường gặp là SPSS chỉ trích được một component. Khi chỉ có một component, không tồn tại cấu trúc nhiều component để xoay nên SPSS không xuất Rotated Component Matrix.
EFA ra số nhân tố khác mô hình nghiên cứu thì phải làm gì?
Không nên lập tức ép số nhân tố về đúng mô hình lý thuyết. Cần kiểm tra phương pháp trích, tiêu chuẩn giữ nhân tố, Scree Plot, loading, cross-loading, nội dung thang đo và chất lượng dữ liệu. EFA có chức năng khám phá nên kết quả khác kỳ vọng lý thuyết là tình huống có thể xảy ra.
Có nhất thiết phải dùng Eigenvalue > 1 không?
Không. Eigenvalue > 1 là tiêu chuẩn phổ biến nhưng không phải phương pháp duy nhất. Có thể kết hợp Scree Plot, Parallel Analysis và cơ sở lý thuyết để quyết định số nhân tố. Nghiên cứu phương pháp đã chỉ ra rằng chỉ dựa vào Eigenvalue > 1 có thể dẫn đến giữ quá nhiều nhân tố trong một số trường hợp.
Tài liệu tham khảo học thuật
Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage.
Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205.
Kaiser, H. F. (1970). A second generation Little Jiffy. Psychometrika, 35, 401–415.
Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39, 31–36.
Nunnally, J. C. (1978). Psychometric Theory (2nd ed.). McGraw-Hill.
DeVellis, R. F. (2016). Scale Development: Theory and Applications (4th ed.). Sage.