Những Lý Do Khiến Kết Quả EFA Trong SPSS Bị “Xấu”

Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một kỹ thuật thống kê mạnh mẽ trong **SPSS** giúp các nhà nghiên cứu xác định cấu trúc tiềm ẩn của các thang đo, rút gọn dữ liệu và kiểm định lý thuyết. Tuy nhiên, không ít lần, người thực hiện EFA gặp phải tình trạng kết quả “xấu” – tức là ma trận xoay lộn xộn, các chỉ số không đạt yêu cầu, gây khó khăn trong việc diễn giải và kết luận. Vậy, những lý do phổ biến nào dẫn đến kết quả EFA không như mong muốn? Hiểu rõ các nguyên nhân này sẽ giúp bạn khắc phục hiệu quả và nâng cao chất lượng nghiên cứu của mình.

1. Chất Lượng Dữ Liệu Không Đảm Bảo

Chất lượng dữ liệu là yếu tố tiên quyết cho mọi phân tích thống kê, và EFA không phải là ngoại lệ. Dữ liệu kém chất lượng có thể dẫn đến các kết quả EFA sai lệch hoặc không có ý nghĩa.

⚡

BÁO GIÁ SIÊU TỐC TRONG 5-15 PHÚT

Nếu bạn cần dịch vụ hỗ trợ về dữ liệu, chỉ cần nhắn Zalo và cung cấp thông tin bài. Bạn sẽ nhận được báo giá chi tiết chỉ sau 5-15 phút.

* Lưu ý: Mọi báo giá trên website chỉ là tham khảo do tính chất các bài hoàn toàn khác nhau:

• Cùng các bước chạy nhưng 3 giả thuyết độ khó khác bài 10 giả thuyết.
• Sửa dữ liệu đã đạt 5/6 bước sẽ khác bộ chỉ mới đạt 3/6 bước.
• Cùng một mô hình nhưng trình tự và yêu cầu khác nhau tạo ra độ khó khác nhau.

NHẮN ZALO BÁO GIÁ NGAY: 086 978 6862

1.1. Cỡ mẫu không đủ lớn

EFA rất nhạy cảm với kích thước mẫu. Một quy tắc chung là cần tối thiểu 5-10 quan sát cho mỗi biến được đưa vào phân tích EFA. Ngoài ra, nhiều tài liệu khuyến nghị cỡ mẫu tối thiểu là 100-200 quan sát. Nếu cỡ mẫu quá nhỏ so với số lượng biến, kết quả EFA có thể không ổn định và không đáng tin cậy.

1.2. Dữ liệu thiếu (Missing Data)

Việc xử lý dữ liệu thiếu không phù hợp có thể ảnh hưởng nghiêm trọng đến các mối tương quan giữa các biến, từ đó làm sai lệch cấu trúc nhân tố. Nếu tỷ lệ dữ liệu thiếu quá cao, hoặc phương pháp thay thế dữ liệu thiếu không phù hợp, kết quả EFA sẽ bị ảnh hưởng.

1.3. Giá trị ngoại lai (Outliers)

Các giá trị ngoại lai là những điểm dữ liệu có giá trị quá khác biệt so với phần còn lại của tập dữ liệu. Chúng có thể kéo lệch các mối tương quan, làm tăng phương sai và dẫn đến kết quả EFA không ổn định hoặc các biến tải chéo.

1.4. Phân phối dữ liệu không chuẩn

Mặc dù EFA khá mạnh mẽ với dữ liệu không chuẩn, nhưng nếu các biến có phân phối quá lệch hoặc có nhiều đỉnh, nó vẫn có thể ảnh hưởng đến các mối tương quan và khả năng trích xuất nhân tố.

2. Thiết Kế Bảng Hỏi và Thang Đo Chưa Tốt

EFA được sử dụng để kiểm định cấu trúc của thang đo. Nếu thang đo được thiết kế kém, EFA khó có thể cho ra kết quả đẹp.

2.1. Các câu hỏi không rõ ràng hoặc mơ hồ

Nếu các câu hỏi trong bảng khảo sát không rõ nghĩa, khiến người trả lời hiểu sai hoặc đánh giá không nhất quán, dữ liệu thu được sẽ nhiễu loạn và các mối tương quan không phản ánh đúng bản chất. Điều này dẫn đến các biến tải chéo hoặc tải thấp.

2.2. Thang đo không đáng tin cậy

Trước khi chạy EFA, các thang đo nên được kiểm định độ tin cậy bằng **Cronbach’s Alpha**. Nếu hệ số Alpha của một thang đo thấp (<0.7), cho thấy các mục hỏi trong thang đo đó không có sự nhất quán nội tại. Khi đưa vào EFA, chúng sẽ không nhóm lại với nhau một cách rõ ràng thành một nhân tố.

2.3. Sự chồng chéo giữa các khái niệm

Nếu các khái niệm lý thuyết mà bạn muốn đo lường quá gần nhau, hoặc các câu hỏi được thiết kế không đủ để phân biệt rõ ràng giữa các khái niệm đó, EFA có thể nhóm chúng lại thành một nhân tố hoặc gây ra tình trạng tải chéo giữa các nhân tố.

2.4. Không đủ số lượng câu hỏi cho mỗi nhân tố

Mỗi nhân tố tiềm ẩn nên được đo lường bởi ít nhất 3-5 biến quan sát để đảm bảo tính ổn định và khả năng xác định của nhân tố. Nếu một nhân tố chỉ có 1-2 biến, kết quả có thể không đáng tin cậy hoặc nhân tố đó sẽ bị loại bỏ.

3. Lựa Chọn Tùy Chọn Phân Tích EFA Không Phù Hợp

SPSS cung cấp nhiều tùy chọn trong phân tích EFA. Lựa chọn sai phương pháp hoặc thiết lập không phù hợp cũng có thể là nguyên nhân khiến kết quả “xấu”.

3.1. Phương pháp trích xuất nhân tố (Extraction Method)

• Các phương pháp như **Principal Components Analysis (PCA)**, **Principal Axis Factoring**, **Maximum Likelihood** có những giả định và cách hoạt động khác nhau. PCA là mặc định và phổ biến, nhưng có thể không phải lúc nào cũng tối ưu, đặc biệt khi mục tiêu là khám phá cấu trúc nhân tố thực sự. Nếu bạn nghi ngờ có lỗi đo lường, Principal Axis Factoring có thể phù hợp hơn.

3.2. Phương pháp xoay nhân tố (Rotation Method)

Đây là yếu tố ảnh hưởng trực tiếp đến ma trận xoay.

• **Varimax (xoay trực giao):** Giả định các nhân tố không tương quan với nhau. Nếu trên thực tế các nhân tố có tương quan, sử dụng Varimax có thể dẫn đến tải chéo.
• **Promax hoặc Oblimin (xoay xiên):** Các phương pháp này cho phép các nhân tố tương quan với nhau và thường cho ma trận xoay “sạch” hơn (mỗi biến tải rõ ràng lên một nhân tố duy nhất) khi các nhân tố thực sự có mối liên hệ. Việc không sử dụng xoay xiên khi các nhân tố có tương quan là một lý do phổ biến gây ra ma trận xoay lộn xộn.

3.3. Số lượng nhân tố được trích

Việc quyết định số lượng nhân tố cần trích là rất quan trọng. Mặc dù SPSS gợi ý số nhân tố có Eigenvalue > 1, nhưng đây chỉ là một quy tắc kinh nghiệm. Nếu bạn trích quá nhiều hoặc quá ít nhân tố so với cấu trúc thực sự của dữ liệu, kết quả sẽ lộn xộn.

• Trích quá nhiều nhân tố: Có thể dẫn đến các nhân tố chỉ có ít biến, hoặc các biến tải chéo do phần mềm cố gắng phân tách quá mức.
• Trích quá ít nhân tố: Có thể khiến các nhân tố bị gộp lại, các biến đo lường các khía cạnh khác nhau nhưng bị ép vào cùng một nhân tố, dẫn đến tải chéo.

3.4. Cỡ tải nhân tố tối thiểu (Minimum Factor Loading)

Khi diễn giải, chúng ta thường loại bỏ các biến có hệ số tải nhân tố thấp (ví dụ: <0.4 hoặc <0.5). Nếu ban đầu bạn không thiết lập các tiêu chí rõ ràng cho tải nhân tố, ma trận có thể trông “bẩn” với nhiều số nhỏ.

Chạy EFA ra kết quả “xấu” là một trải nghiệm phổ biến nhưng hoàn toàn có thể khắc phục được. Bằng cách kiểm tra kỹ lưỡng chất lượng dữ liệu, đánh giá lại thiết kế thang đo, và lựa chọn các tùy chọn phân tích phù hợp trong SPSS, bạn có thể biến một ma trận xoay lộn xộn thành một cấu trúc nhân tố rõ ràng, có ý nghĩa khoa học, góp phần củng cố độ tin cậy và giá trị cho nghiên cứu của mình.