Khái niệm, ứng dụng của phân tích nhân tố khẳng định CFA


Phân tích nhân tố khẳng định (Confirmatory Factor Analysis - CFA) là một loại mô hình cấu trúc tuyến tính (SEM) tập trung vào mô hình đo lường (measurement models), cụ thể là mối quan hệ giữa các biến quan sát hoặc chỉ báo (indicators) với các biến tiềm ẩn (latent variables) hoặc còn gọi là nhân tố (factors). 

Phân tích nhân tố khẳng định CFA

Lưu ý, các thuật ngữ, khái niệm được sử dụng trong bài viết này toàn bộ mang tính học thuật được trích dẫn hoàn toàn từ sách nên sẽ hơi khó hiểu. Phần này chủ yếu phục vụ các bạn đang đi vào tìm hiểu sâu bản chất vấn đề. Mình sẽ không giải thích hay hỗ trợ bất cứ thông tin gì về lý thuyết học thuật.

1. CFA sử dụng để khẳng định lý thuyết

Đặc điểm cơ bản của phân tích nhân tố khẳng định CFA liên quan đến nội dung lý thuyết, nền tảng của các nghiên cứu. Khác với phân tích EFA, khi thực hiện phân tích CFA các nhà nghiên cứu phải chỉ ra cả các khía cạnh cụ thể của mô hình lý thuyết. Do đó, nhà nghiên cứu cần căn cứ vào các nghiên cứu trước đó hoặc lý thuyết để quyết định số lượng nhân tố tồn tại trong dữ liệu, biến quan sát nào liên quan đến từng nhân tố. 

2. CFA để đánh giá tính hội tụ và phân biệt cấu trúc biến

CFA là một công cụ phân tích không thể thiếu để xác nhận các cấu trúc trong các ngành khoa học xã hội và hành vi. Các kết quả của phân tích nhân tố khẳng định CFA có thể cung cấp bằng chứng thuyết phục về giá trị hội tụ (convergent validity) và giá trị phân biệt (discriminant validity) của cấu trúc lý thuyết. Giá trị hội tụ được sử dụng để chỉ ra các bằng chứng cho thấy các chỉ báo trong cùng một thang đo của cấu trúc lý thuyết có mối quan hệ mạnh với nhau. Giá trị phân biệt được sử dụng để cho thấy các khái niệm khác nhau trong một cấu trúc lý thuyết là không có mối quan hệ mạnh.

3. CFA cho kết quả đánh giá chính xác hơn so với EFA, tương quan, hồi quy

Một trong những ứng dụng rất hay của CFA trong khẳng định giá trị cấu trúc lý thuyết là khung phân tích đa đặc điểm - đa phương pháp (multitrait-multimethod). Một thế mạnh cơ bản khác của CFA khi thực hiện các phân tích liên quan đến giá trị hội tụ và giá trị phân biệt là nó có khả năng kết hợp với việc điều chỉnh sai số đo lường (measurement error) và sai số lý thuyết (error theory). 

Như vậy, CFA cung cấp một khung phân tích mạnh hơn so với các phương pháp truyền thống; ví dụ, trong phương pháp phân tích hồi quy thông thường (OLS - ordinary least squares), các biến độc lập sử dụng trong phân tích được giả định là không có sai số đo lường, và thường được cho là phi thực tế trong các nghiên cứu ứng dụng.

Một hạn chế cơ bản của phương pháp bình phương nhỏ nhất (hồi quy tuyến tính OLS) là giả định các biến đo lường không có sai số, điều này hàm ý rằng các biến độc lập có độ tin cậy hoàn toàn, phương sai của tất các các biến độc lập là chính xác. 

Thực tế, các giả định này hiếm khi đạt được trong các nghiên cứu thuộc khoa học hành vi và khoa học xã hội, trong các nghiên cứu này các biến số được thu thập dựa trên bảng câu hỏi khảo sát và các quan sát độc lập, hoặc các hình thức tương tự. Do đó, các kết quả thu được từ phương pháp bình phương nhỏ nhất (ví dụ, tương quan Pearson, hồi quy tuyến tính) thường không cho biết mức độ của sai số đo lường ở các biến sử dụng trong phân tích. Trong khi đó, phân tích nhân tố CFAphân tích mô hình cấu trúc SEM cho phép ước lượng mối quan hệ giữa các biến số trong mô hình sau khi đã điều chỉnh sai số đo lường và sai số lý thuyết, do vậy các kết quả đầu ra sẽ mang tính "thực" cao đáng kể.