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.

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).
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.
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
- Analyze→Dimension Reduction→Factor
- Đưa các biến quan sát vào ô Variables.
- Descriptives: tích KMO and Bartlett’s test of sphericity.
- Extraction: Method Principal components (hồi quy) hoặc Principal axis factoring (chuẩn bị CFA) · Based on Eigenvalue > 1.
- Rotation: Varimax (đi cùng Principal components) hoặc Promax (đi cùng Principal axis factoring).
- Options: Sorted by size · Suppress small coefficients với giá trị 0,3.
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

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
| Biến | 1 | 2 | 3 |
|---|---|---|---|
| SQ2 | 0.842 | ||
| SQ1 | 0.815 | ||
| SQ3 | 0.776 | ||
| PV1 | 0.803 | ||
| PV3 | 0.769 | ||
| PV2 | 0.468 | 0.552 | |
| TR1 | 0.821 | ||
| TR2 | 0.794 | ||
| TR3 | 0.731 |
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.
- Loại một biến tệ nhất (tải chéo nặng nhất hoặc hệ số tải thấp nhất).
- Chạy lại EFA — ma trận thay đổi sau mỗi lần loại.
- Lặp lại đến khi mọi biến tải ≥ 0,5 lên đúng một nhân tố, KMO và phương sai trích đạt.
- Nếu nhân tố còn dưới 3 biến hoặc đã loại biến, chạy lại Cronbach’s Alpha cho nhân tố đó.
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
“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).
- 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.


