Kiểm định Harman's one-factor bằng EFA trong SPSS

Kiểm định Harman's one-factor hay còn gọi là Harman's single-factor (kiểm định đơn nhân tố Harman) là một công cụ phổ biến để phát hiện hiện tượng sai lệch phương pháp chung CMB (Common Method Bias) hoặc phương sai phương pháp chung CMV (Common Method Variance). 

1. Common Method Variance (CMV), Common Method Bias (CMB) là gì?

CMB hay CMV (sau đây sẽ gọi chung là CMB) là hiện tượng giải thích sự biến thiên trong dữ liệu nghiên cứu do phương pháp đo lường chung, chứ không phải do các biến mà phương pháp đó nhằm đo lường. Nói cách khác, sự biến thiên của dữ liệu trong một nghiên cứu được giải thích:

1. Bởi các biến trong mô hình (tốt).
2. Bởi sai lệch từ việc sử dụng cùng một phương pháp đo lường cho các biến trong mô hình, gọi là CMB (xấu, cần phát hiện và loại bỏ).

Hiện tượng CMB có thể xuất hiện vì các lý do sau:

• Sai lệch từ nguồn thu thập dữ liệu giống nhau cho toàn bộ các biến trong mô hình: Khi dữ liệu của biến độc lập, biến trung gian, biến phụ thuộc... được thu thập từ cùng một nguồn (ví dụ: bảng hỏi thiết kế các biến đều là dữ liệu sơ cấp khảo sát, người được khảo sát trả lời toàn bộ các câu hỏi), người tham gia có thể có xu hướng bị ảnh hưởng đáp án trả lời theo mong muốn hay nhận định của số đông, hoặc bị ảnh hưởng bởi cảm xúc cá nhân với vấn đề khảo sát.
• Đặc tính của công cụ đo lường: Một số đặc tính của công cụ đo lường, như định dạng của câu hỏi, các điểm cuối của thang đo, hoặc từ ngữ, có thể dẫn người tham gia trả lời tương tự hoặc có độ lệch trong các câu trả lời qua các câu hỏi.
• Yếu tố thời gian: Người tham gia có thể nhớ lại các câu trả lời trước đó hoặc bị ảnh hưởng bởi các sự kiện gần đây, dẫn đến câu trả lời không phản ánh đúng.
• Đặc tính của mẫu: Nếu mẫu bao gồm các cá nhân có các đặc tính chung như nhân viên tổ chức, họ có thể có quan điểm hoặc kinh nghiệm tương tự nhau ảnh hưởng đến các câu trả lời.
• Sự không hợp tác của đáp viên: Một số người tham gia có thể có xu hướng đồng ý với các câu trả lời mà không quan tâm đến nội dung của chúng, dẫn đến các mối quan hệ giữa các biến bị phóng đại hoặc không đúng.

Common Method Bias có thể dẫn đến sự sai lệch của các ước lượng tham số về mối quan hệ giữa hai nhân tố trong một mô hình. Loại sai lệch này có thể làm tăng hoặc giảm ước lượng về mối quan hệ giữa hai nhân tố đó (Antonakis và cộng sự, 2010). Theo Podsakoff và cộng sự (2012), tùy thuộc vào việc CMB làm tăng hoặc giảm mối quan hệ, điều này có thể:

(1) ảnh hưởng đến kiểm định giả thuyết các tác động trong mô hình,

(2) dẫn đến đánh giá sai lệch về lượng phương sai của một biến có vai trò phụ thuộc nhận tác động từ một hoặc các biến độc lập,

(3) làm phóng đại hoặc giảm thiểu tính phân biệt giữa các nhân tố với nhau.

2. Kiểm định Harman's one-factor để làm gì?

2.1 Mục đích

Harman's single-factor là một trong những kỹ thuật phổ biến nhất đã được các nhà nghiên cứu sử dụng đến 12% trong các nghiên cứu (Cooper và cộng sự, 2020). Tuy nhiên, cũng có quan điểm khác cho rằng kiểm định Harman trong đánh giá CMB không thực sự chính xác bởi tác giả Harman cũng không hề đề cập tới ngưỡng giá trị phương sai trích được giải thích là bao nhiêu thì kết luận xuất hiện CMB, bao nhiêu thì không xuất hiện CMB (Podsakoff và cộng sự, 2003).

2.2 Cơ chế đánh giá CMB của kiểm định Harman's single-factor 

Podsakoff và cộng sự (2003) giải thích cách thức triển khai kiếm định này bằng phân tích EFA như sau: 

Đưa toàn bộ các biến quan sát của các nhân tố vào phân tích EFA, đánh giá kết quả phân tích nhân tố khi không sử dụng phép xoay để xác định số nhân tố phù hợp giải thích cho phương sai của các biến quan sát tham gia vào EFA. Hiện tượng CMB sẽ xảy ra nếu một trong hai trường hợp sau xuất hiện:

(1) phân tích nhân tố chỉ trích ra duy nhất một nhân tố 

Khi thực hiện EFA, sử dụng phép trích là Principal Components (PCA) - không sử dụng phép xoay - sử dụng tiêu chuẩn trích mặc định là Eigenvalue lớn hơn 1. Sau đó đánh giá số lượng nhân tố được trích.

Ví dụ như ảnh số 1 bên dưới thực hiện EFA trên SPSS, từ 3 nhân tố với tổng 10 biến quan sát tham gia vào EFA, thì chỉ có duy nhất 1 nhân tố được trích, có hiện tượng CMB trong dữ liệu này. Còn đối với ảnh số 2 từ 3 nhân tố với tổng 10 biến quan sát tham gia vào EFA, thì có 3 nhân tố được trích, có thể không có hiện tượng CMB trong dữ liệu này (chỉ kết luận là có thể chứ không chắc chắn, cần kiểm tra qua thêm trường hợp số 2).

Ảnh số 1

Ảnh số 2

(2) phân tích nhân tố với một nhân tố tổng hợp giải thích phần lớn hiệp phương sai giữa các đo lường

Khi thực hiện EFA, sử dụng phép trích là Principal Components (PCA) - không sử dụng phép xoay - sử dụng tiêu chuẩn trích cố định duy nhất 1 nhân tố. Sau đó đánh giá phần trăm phương sai mà nhân tố này giải thích.

Ví dụ như ảnh bên dưới thực hiện EFA trên SPSS, từ 3 nhân tố với tổng 10 biến quan sát tham gia vào EFA, một nhân tố tổng được trích giải thích 58.455% phương sai của các biến quan sát, giá trị này lớn hơn ngưỡng 50%, như vậy có hiện tượng CMB trong dữ liệu này.

3. Cách thực hiện kiểm định Harman's one-factor bằng EFA trong SPSS

Lý thuyết của Podsakoff và cộng sự (2003) đưa ra 2 trường hợp, tuy nhiên trong ứng dụng thực tế trường hợp số 1 ít khi được sử dụng. Chúng ta tập trung vào đánh giá ở trường hợp 2:

Nếu nhân tố được trích giải thích cao hơn 50% phương sai của các biến quan sát, chúng ta kết luận tồn tại CMB. Nếu phương sai trích dưới 50%, chúng ta kết luận không tồn tại CMB (theo Cooper và cộng sự, 2020).

Cách thức triển khai trên phần mềm SPSS:

Bước 1: Thực hiện phân tích nhân tố EFA theo hướng dẫn tại bài viết này. Đưa toàn bộ các biến quan sát thuộc tất cả các nhân tố vào chung một lần EFA.

Bước 2: Tại tùy chọn Descriptives, có thể tích chọn hoặc không tích chọn mục KMO and Barlett’s test of sphericity đều được, do chúng ta sẽ không nhận xét bảng này. 

Bước 3: Tại tùy chọn Extraction, mục Method chọn phép trích Principal components. Ở mục Extract, tích chọn vào hàng Fixed number of factors, tiếp theo nhập 1 ở ô trống.

Bước 4: Tại tùy chọn Rotation mục Method chọn phép xoay None (không xoay).

Bước 5: Xem giá trị Cumulative % của nhân tố tổng hợp trong cột Extraction Sums of Squared Loadings thuộc bảng Total Variance Explained. Nếu phương sai trích này lớn hơn 50% thì dữ liệu có CMB (không tốt), nếu nhỏ hơn 50% thì không có CMB (tốt).

Kết quả ở trên cho thấy phương sai trích là 26.572% < 50%. Như vậy, không có sự hiện diện của CMB.

--------

Nguồn tham khảo:

1. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903.

2. Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. The Leadership Quarterly, 21(6), 1086–1120.

3. Podsakoff, P.M., Mackenzie, S.B. and Podsakoff, N.P. (2012). Sources of Method Bias in Social Science Research and Recommendations on How to Control It. Annual Review of Psychology, 63, 539-569.

4. Cooper, B., Eva, N., Zarea Fazlelahi, F., Newman, A., Lee, A., & Obschonka, M. (2020). Addressing common method variance and endogeneity in vocational behavior research: A review of the literature and suggestions for future research. Journal of Vocational Behavior, 121, Article 103472.