SPSS · EFA

Phân tích nhân tố khám phá EFA trong SPSS: chạy, đọc kết quả và xử lý ma trận xoay

Ma trận xoay “nhảy” nhân tố, biến tải lên hai cột, KMO dưới 0,5? Hướng dẫn EFA từng bước kèm quy trình loại biến để có ma trận xoay sạch.

⏱ ~8 phút đọcNguồn: Hair et al. (2019) · Kaiser (1974)Cập nhật:

Cronbach’s Alpha đã đạt, bạn tự tin chạy EFA — và nhận về một ma trận xoay “loạn”: biến của nhân tố A chạy sang cột nhân tố B, một biến tải lên cả hai cột, số nhân tố trích ra khác hẳn mô hình. Bài viết hướng dẫn phân tích nhân tố khám phá EFA trong SPSS từng bước: điều kiện, thao tác, cách đọc 4 bảng quan trọng và quy trình xử lý ma trận xoay để có kết quả sạch, giải thích được trước hội đồng.

Ma trận xoay với ba nhân tố, biến PV2 tải chéo 0,468 và 0,552 được đánh dấu
Biến PV2 tải lên cả hai nhân tố, chênh lệch chỉ 0,084.

1Phân tích nhân tố khám phá EFA là gì, khi nào cần chạy?

EFA (Exploratory Factor Analysis) gom các biến quan sát có tương quan chặt với nhau thành các nhân tố, qua đó kiểm tra giá trị hội tụ (các câu cùng nhân tố tải mạnh lên nhân tố đó) và giá trị phân biệt (câu của nhân tố này không tải mạnh lên nhân tố khác).

Cronbach’s Alpha→EFA→Tương quan & hồi quy→hoặc CFA / SEM

2Điều kiện trước khi chạy EFA

  • Chỉ đưa vào các biến đã đạt Cronbach’s Alpha.
  • Cỡ mẫu tối thiểu 5 quan sát cho mỗi biến, tốt hơn là 10 (Hair et al., 2019).
  • Biến định lượng hoặc Likert; không đưa biến nhân khẩu học vào.
✦ Chạy chung hay tách?

Với mô hình hồi quy, cách phổ biến là chạy EFA riêng cho nhóm biến độc lập và riêng cho biến phụ thuộc. Khi chuẩn bị cho CFA/SEM, nhiều tác giả chạy chung toàn bộ thang đo.

3Cách chạy EFA trong SPSS

🖱️ Thao tác
  1. Analyze→Dimension Reduction→Factor
  2. Đưa các biến quan sát vào ô Variables.
  3. Descriptives: tích KMO and Bartlett’s test of sphericity.
  4. Extraction: Method Principal components (hồi quy) hoặc Principal axis factoring (chuẩn bị CFA) · Based on Eigenvalue > 1.
  5. Rotation: Varimax (đi cùng Principal components) hoặc Promax (đi cùng Principal axis factoring).
  6. Options: Sorted by size · Suppress small coefficients với giá trị 0,3.
✦ Vì sao Suppress ở 0,3 mà không phải 0,5?

Ẩn ở 0,5 thì bạn sẽ không nhìn thấy các hệ số tải chéo 0,3–0,5 — chính là thứ cần phát hiện. Hãy xem đủ, rồi mới quyết định.

4Đọc 4 bảng kết quả EFA quan trọng

Bốn điều kiện EFA: KMO, Bartlett, Eigenvalue và phương sai trích, hệ số tải
Bốn điều kiện của một kết quả EFA đạt yêu cầu.

① KMO and Bartlett’s Test

  • KMO ≥ 0,8 — Tốt · 0,5 – 0,8 — Chấp nhận (Kaiser, 1974)
  • KMO < 0,5 — Dữ liệu không phù hợp phân tích nhân tố
  • Bartlett Sig. < 0,05 — Các biến có tương quan, đủ điều kiện EFA

② Communalities

Cho biết phần biến thiên của mỗi biến được các nhân tố giải thích. Biến có communality quá thấp (dưới khoảng 0,5) thường cũng là biến có hệ số tải yếu — ứng viên để xem xét.

③ Total Variance Explained

  • Eigenvalue > 1 — Tiêu chí giữ nhân tố
  • Tổng phương sai trích (Cumulative %) ≥ 50% — Các nhân tố giải thích đủ biến thiên dữ liệu

④ Rotated Component Matrix — ma trận xoay

Bảng quan trọng nhất. Mỗi biến phải tải mạnh lên đúng một nhân tố:

  • Hệ số tải ≥ 0,5 — Ngưỡng thông dụng
  • Theo cỡ mẫu (Hair et al., 2019): ≈ 0,30 với n = 350 · 0,50 với n ≈ 120 · 0,75 với n = 50
Ví dụ — ma trận xoay (Varimax)
Biến123
SQ20.842
SQ10.815
SQ30.776
PV10.803
PV30.769
PV20.4680.552
TR10.821
TR20.794
TR30.731

KMO = 0,812; Bartlett Sig. = 0,000; 3 nhân tố có Eigenvalue > 1, tổng phương sai trích 68,4%. Riêng PV2 tải lên cả nhân tố 1 (0,468) và 2 (0,552), chênh lệch chỉ 0,084 → tải chéo, cần xử lý.

5Ma trận xoay “xấu”: 4 tình huống và cách xử lý

Biến tải chéo

Tải lên hai nhân tố với chênh lệch nhỏ (ngưỡng hay được dùng là dưới 0,3). Cân nhắc loại — đặc biệt khi nội dung câu hỏi có thể hiểu theo hai nghĩa.

Hệ số tải thấp

Biến không tải lên nhân tố nào ≥ 0,5. Thường là câu hỏi mơ hồ hoặc lệch khái niệm → ứng viên loại.

Biến “nhảy” nhân tố

Biến của nhân tố A nằm gọn trong nhân tố B. Xem lại nội dung: nếu hợp lý về lý thuyết, có thể đặt lại tên nhân tố; nếu không, loại biến.

Số nhân tố khác mô hình

Hai nhân tố gộp làm một hoặc một nhân tố tách đôi. Xem Eigenvalue, Scree Plot và cơ sở lý thuyết; có thể cố định số nhân tố (Fixed number of factors) để kiểm tra.

🔁 Quy trình loại biến
  1. Loại một biến tệ nhất (tải chéo nặng nhất hoặc hệ số tải thấp nhất).
  2. Chạy lại EFA — ma trận thay đổi sau mỗi lần loại.
  3. Lặp lại đến khi mọi biến tải ≥ 0,5 lên đúng một nhân tố, KMO và phương sai trích đạt.
  4. Nếu nhân tố còn dưới 3 biến hoặc đã loại biến, chạy lại Cronbach’s Alpha cho nhân tố đó.
⚠️ Đừng “loại cho bằng được”

Loại quá nhiều biến có thể làm mất ý nghĩa khái niệm. Mỗi lần loại cần có lý do (thống kê và nội dung), và ghi lại toàn bộ quá trình — đây là phần hội đồng hay chất vấn.

6Viết kết quả EFA vào luận văn

✍️ Đoạn văn mẫu

“Phân tích EFA cho 9 biến quan sát của các biến độc lập bằng phương pháp Principal Components với phép xoay Varimax cho thấy hệ số KMO = 0,812 (> 0,5) và kiểm định Bartlett có Sig. = 0,000 (< 0,05), dữ liệu phù hợp để phân tích nhân tố. Có 3 nhân tố được trích tại Eigenvalue = 1,236 với tổng phương sai trích 68,4% (> 50%). Biến PV2 tải chéo lên hai nhân tố nên bị loại; sau khi loại, các biến còn lại đều có hệ số tải lớn hơn 0,5 và hội tụ đúng nhân tố như mô hình đề xuất.”

Luyện đọc ma trận xoay trên mô hình của chính bạn

Bàn vẽ mô hình của The Light Data tạo bộ bảng SPSS — Cronbach’s Alpha, KMO, ma trận xoay, tương quan, hồi quy — trên dữ liệu mô phỏng theo đúng mô hình bạn vẽ. Rất tiện để làm quen với từng bảng trước khi chạy dữ liệu thật (dữ liệu mô phỏng không dùng để báo cáo).

🎯 Checklist EFA đạt
  • KMO ≥ 0,5 (tốt nhất ≥ 0,8) · Bartlett Sig. < 0,05.
  • Eigenvalue > 1 · tổng phương sai trích ≥ 50%.
  • Mỗi biến tải ≥ 0,5 lên đúng một nhân tố, không tải chéo.
  • Loại từng biến một, chạy lại Alpha nếu đã loại biến.

Câu hỏi thường gặp

KMO bao nhiêu là đạt?

KMO từ 0,5 trở lên là đủ điều kiện phân tích nhân tố, từ 0,8 trở lên là tốt (Kaiser, 1974). Kiểm định Bartlett cần có Sig. nhỏ hơn 0,05.

Hệ số tải nhân tố bao nhiêu là đạt?

Thông dụng là từ 0,5 trở lên. Hair et al. (2019) gợi ý ngưỡng theo cỡ mẫu: khoảng 0,30 với mẫu 350, 0,50 với mẫu khoảng 120 và 0,75 với mẫu 50.

Biến tải chéo xử lý thế nào?

Biến tải lên hai nhân tố với hệ số chênh lệch nhỏ (ngưỡng hay được dùng là dưới 0,3) thường được cân nhắc loại. Loại từng biến một, bắt đầu từ biến tệ nhất, rồi chạy lại EFA.

Chạy EFA chung hay tách biến độc lập và phụ thuộc?

Với mô hình hồi quy, cách phổ biến là chạy EFA riêng cho nhóm biến độc lập và riêng cho biến phụ thuộc. Khi chuẩn bị cho CFA/SEM, nhiều tác giả chạy chung toàn bộ thang đo.

Nên chọn Principal Components + Varimax hay Principal Axis Factoring + Promax?

PCA + Varimax phổ biến trong luận văn dùng hồi quy. Khi chuẩn bị cho CFA/SEM, Principal Axis Factoring + Promax thường được khuyến nghị vì các nhân tố trong thực tế có tương quan với nhau.