Bài viết này được đăng tải duy nhất và thuộc bản quyền của Phạm Lộc Blog. Việc chia sẻ lại nội dung lên website khác vui lòng dẫn nguồn link bài viết gốc này. Xin cảm ơn!
Thực hiện phân tích EFA chung hay riêng biến độc lập với biến phụ thuộc là vấn đề có khá nhiều các bạn, các anh/chị thắc mắc khi phân tích định lượng với SPSS. Chúng ta sẽ cùng đi vào phân tích lý do tại sao chạy chung hay chạy riêng trong bài viết này.
Để giải thích được vấn đề này, chúng ta cần nắm được 2 dạng mô hình nghiên cứu phổ biến:
- Mô hình 1: Dạng mô hình đã xác định được biến độc lập và biến phụ thuộc
Đây là dạng mô hình phổ biến được sử dụng trong các đề tài nghiên cứu dạng luận văn tốt nghiệp, luận văn thạc sĩ và các nghiên cứu khoa học cấp độ cơ bản. Đặc điểm dạng mô hình này là xác định được các biến độc lập và biến phụ thuộc. Biến phụ thuộc là biến được hướng mũi tên vào (nghĩa là chịu tác động của biến khác), biến độc lập là nơi xuất phát của gốc mũi tên (nghĩa là tác động lên biến khác).
Mũi tên xuất hiện trong mô hình này là mũi tên một chiều hướng từ biến độc lập đến biến phụ thuộc, không có sự xuất hiện mũi tên tác động ngược lại từ phụ thuộc về độc lập. Dạng mô hình này khi phân tích nhân tố EFA chúng ta thường sử dụng phép quay vuông góc Varimax và phép trích PCA - Principal Component Analysis để các nhân tố trích được phản ánh tốt nhất sự biến thiên của dữ liệu.
Chúng ta thường sử dụng hồi quy tuyến tính bội OLS sau đó để kiểm định các giả thuyết nghiên cứu.
- Mô hình 2: Dạng mô hình không xác định biến độc lập và phụ thuộc
Đây là dạng mô hình phức tạp hơn được sử dụng trong các đề tài nghiên cứu dạng nghiên cứu từ cấp độ thạc sĩ trở lên, tên gọi khác là mô hình cấu trúc tuyến tính SEM. Đặc điểm dạng mô hình này là không xác định được biến độc lập và biến phụ thuộc bởi hướng mũi tên phức tạp và một biến có thể vừa đóng vai trò là độc lập, vừa đóng vai trò là phụ thuộc hoặc đóng vai trò là biến trung gian.
Dạng mô hình này khi phân tích EFA chúng ta thường sử dụng phép quay không vuông góc Promax và phép trích PAF - Principal Axis Factoring để đánh giá rõ ràng cấu trúc gốc của các thang đo. Chính vì vậy, tổng phương sai trích có được ở phương pháp chạy EFA này khá thấp bởi mục đích của việc phân tích EFA không phải để trích được số nhân tố giải thích được tốt nhất sự biến thiên của dữ liệu mà là để đánh giá sát sao tính hội tụ và phân biệt của các nhóm nhân tố.
Chúng ta thường phân tích CFA, SEM sau đó để kiểm định các giả thuyết nghiên cứu.
Chúng ta thường phân tích CFA, SEM sau đó để kiểm định các giả thuyết nghiên cứu.
Đó là 2 dạng mô hình phổ biến mà chúng ta gặp trong nghiên cứu. Từ sự khác biệt về tính chất mô hình mà việc phân tích chung hay riêng biến độc lập với biến phụ thuộc trong EFA cũng có sự khác biệt. Dưới đây là một vài quan điểm của các tác giả nổi tiếng:
1. Quan điểm của Nguyễn Đình Thọ (2012)
Trong phân tích nhân tố EFA, khi sử dụng phép quay vuông góc thì không được đưa biến phụ thuộc vào chung với biến độc lập vào cùng lúc để thực hiện EFA. Bởi khi sử dụng phép quay vuông gốc, các nhân tố phải không có mối tương quan với nhau, nghĩa là không có sự định nghĩa độc lập với phụ thuộc.
→ Do vậy, nếu chúng ta sử dụng phép quay Varimax hay bất kỳ phép quay vuông góc nào thì cần phân tích EFA riêng giữa độc lập và phụ thuộc, không được đưa tất cả 2 nhóm biến này vào phân tích chung 1 lần.
2. Quan điểm của Hair và cộng sự (2010)
Trích nguyên bản: "Mixing dependent and independent variables in a single factor analysis and then using the derived factors to support dependence relationships is inappropriate"
Tạm dịch: Việc gộp chạy chung các độc lập và phụ thuộc trong một phân tích nhân tố khám phá và sau đó lại kiểm tra các mối quan hệ phụ thuộc là không phù hợp.
Tạm dịch: Việc gộp chạy chung các độc lập và phụ thuộc trong một phân tích nhân tố khám phá và sau đó lại kiểm tra các mối quan hệ phụ thuộc là không phù hợp.
→ Giải thích chi tiết hơn câu nói này. Nghĩa là khi chúng ta thực hiện phân tích EFA, việc cho chung các biến độc lập và phụ thuộc vào chạy cùng là không hợp lý. Bởi với một đề tài đã xác định được độc lập và phụ thuộc, nghĩa là ngay từ đầu chúng ta đã mặc định xuất hiện mối quan hệ phụ thuộc giữa 2 nhóm biến: một nhóm là tác động lên biến khác và một nhóm là chịu tác động của biến khác.
3. Quan điểm của Hair và cộng sự (2015)
Trích nguyên bản: "When you use exploratory factor analysis the variables are not divided into dependent and independent categories. Instead, all variables are analyzed together to identify underlying patterns or factors. The technique can be used to factor analyze either independent or dependent variables considered separately"
Tạm dịch: Khi bạn sử dụng phân tích nhân tố khám phá, các biến không được chia thành phụ thuộc và độc lập. Thay vào đó, tất cả các biến được phân tích cùng nhau để xác định cấu trúc các nhân tố. Kỹ thuật thực hiện phân tích nhân tố khám phá cần được xem xét chạy riêng giữa các biến độc lập và biến phụ thuộc.
Tạm dịch: Khi bạn sử dụng phân tích nhân tố khám phá, các biến không được chia thành phụ thuộc và độc lập. Thay vào đó, tất cả các biến được phân tích cùng nhau để xác định cấu trúc các nhân tố. Kỹ thuật thực hiện phân tích nhân tố khám phá cần được xem xét chạy riêng giữa các biến độc lập và biến phụ thuộc.
→ Cũng như quan điểm thứ 2. Các biến được đưa cùng nhau vào phân tích EFA phải là cùng một loại độc lập hoặc cùng 1 loại phụ thuộc. Không được gộp chung cả 2 loại biến này vào phân tích EFA một lần.
KẾT LUẬN:
- Nếu mô hình đã xác định được biến độc lập và biến phụ thuộc, chúng ta sẽ phân tích EFA riêng giữa độc lập và phụ thuộc với phép quay Varimax và phương pháp trích Principal Component Analysis.
- Nếu mô hình không phân biệt biến độc lập và biến phụ thuộc như mô hình SEM, chúng ta có thể phân tích EFA chung giữa độc lập và phụ thuộc để kiểm tra cấu trúc của các nhân tố với phép quay Promax và phương pháp trích Principal Axis Factoring.
- Nếu mô hình không phân biệt biến độc lập và biến phụ thuộc như mô hình SEM, chúng ta có thể phân tích EFA chung giữa độc lập và phụ thuộc để kiểm tra cấu trúc của các nhân tố với phép quay Promax và phương pháp trích Principal Axis Factoring.
Nguồn tham khảo:
[1] Nguyễn Đình Thọ (2012), Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài Chính, TP. HCM.
[2] Hair, J. F., Black, B., Babin, B., & Anderson, R. E. (2010), Multivariate Data Analysis 7th Pearson Prentice Hall, Upper Saddle River, NJ.
[3] Hair Jr, J. F., Wolfinbarger, M., Money, A. H., Samouel, P., & Page, M. J. (2015), Essentials of business research methods, Routledge.
Từ khóa: chạy efa chung hay riêng trong SPSS, chạy efa chung hay riêng giữa biến độc lập và phụ thuộc, chạy riêng độc lập với phụ thuộc trong efa hay chạy chung
Từ khóa: chạy efa chung hay riêng trong SPSS, chạy efa chung hay riêng giữa biến độc lập và phụ thuộc, chạy riêng độc lập với phụ thuộc trong efa hay chạy chung
