MA TRẬN XOAY NHÂN TỐ

Bài viết được đăng tải duy nhất và thuộc bản quyền của Phạm Lộc Blog. Việc chia sẻ lại nội dung lên website khác vui lòng dẫn nguồn link bài viết gốc này. Xin cảm ơn!
Trong phân tích EFA, chúng ta kỳ vọng rằng kết quả cho ra ở ma trận xoay đảm bảo được tính hội tụ và phân biệt ở mức độ khá trở lên. Các nhóm không bị phân tán mạnh và đảo lộn quá nhiều làm mất hoàn toàn tính chất các nhóm biến trên lý thuyết. Tuy nhiên, việc tồn tại các biến quan sát không đạt yêu cầu, dữ liệu chưa làm sạch, đáp viên không hợp tác khi điền bảng câu hỏi... dẫn đến ma trận EFA không tốt, trong tình huống như vậy thì cách xử lý ma trận xoay nhân tố bị xáo trộn lộn xộn, không hội tụ sẽ như thế nào?
*

1. Ma trận xoay lộn xộn là xấu hay bình thường?

Phân tích nhân tố EFA là một bước quan trọng để chúng ta khám phá các nhân tố và so sánh với nhân tố từ mô hình lý thuyết. Việc xuất hiện nhân tố mới, rút gọn số nhân tố hoặc cấu hình lại thang đo... làm thay đổi các thang đo ban đầu điều hoàn toàn bình thường, nó thậm chí còn giúp người nghiên cứu khám phát ra các cấu trúc nhân tố mới ẩn mà các nghiên cứu trước chưa phát hiện ra được. Chính vì vậy mà khi các bạn phân tích nhân tố khám phá biến nhóm này nhảy sang nhóm khác, 2 nhóm gộp vào nhau, 1 nhóm bị loại bỏ hoàn toàn sau nhiều lần chạy lại EFA,... thì điều đó không phải là một dấu hiệu xấu đối với dữ liệu khảo sát.

Bạn đang xem: Ma trận xoay nhân tố


Tuy nhiên, một ma trận xoay nhân tố bị xáo trộn lộn xộn, không hội tụ phần lớn các biến trong các nhóm ban đầu, số nhân tố mới hình thành quá nhiều và thang mới chỉ gồm 2, 3 biến từ nhiều biến ở các nhóm khác hội tụ thành thì thực sự là một vấn đề không ổn.
Việc khám phá nhân tố mới như: tăng/giảm nhân tố hoặc có biến nhóm này nhảy sang nhóm khác nhưng số lượng biến nhảy ít, số nhân tố mới hình thành, số nhân tố cũ mất đi ở tỷ lệ thấp so với tổng số nhóm hiện thang đo ban đầu các nhóm không có sự thay đổi quá lớn hoặc các thang đo mới có thể định nghĩa lại một cách hợp lý có thì các bạn có thể áp dụng các quy tắc loại biến biến xấu trong EFA tại bài viết này quy tắc đặt tên biến mớibài viết này để kết luận các thang đo mới.
Trường hợp các thang đo ban đầu phần lớn bị phá vỡ cấu trúc, chúng ta sẽ cần xem xét kỹ lại dữ liệu. Nghiên cứu của chúng ta thường là kế thừa từ nhiều nghiên cứu uy tín trước đó, đã được nhiều chuyên gia, nhiều tác giả nổi tiếng chấp nhận và sử dụng chúng như một nguồn tham khảo chất lượng. Chính vì vậy một nghiên cứu kế thừa cùng lĩnh vực, cùng mô hình nhưng sự thay đổi cấu trúc nhân tố khi xoay EFA làm mất đi phần lớn nhóm ban đầu chắc chắn dữ liệu đầu vào của chúng ta có vấn đề.
Cách xử lý với trường hợp này các bạn lần lượt làm theo các bước sau đây. Lưu ý rằng, cách làm này không giúp ma trận xoay của các bạn tốt vượt bậc lên mà chỉ cải thiện ít nhiều tùy trường hợp. Cùng với đó, cách làm dưới đây sẽ loại bỏ đi các quan sát, từ đó dẫn đến cỡ mẫu sẽ giảm xuống.
Bước 1: Thực hiện thống kê trung bình để xem có biến nào có giá trị bị lỗi không thuộc đáp án trong thang đo không hoặc biến nào có dấu hiệu bất thường về mean, min, max, độ lệch chuẩn không. Ví dụ như giá trị max là 55 trong khi thang đo chỉ từ 1-5, như vậy là chúng ta đã nhập sai. Hoặc độ lệch chuẩn lên tới 2 trong khi thang đo chỉ từ 1-5, đáp án quá chênh lệch, có khả năng có vấn đề ở biến này. Xem cách chạy tại đây.

Xem thêm: Top 50 Hình Ảnh Bánh Sinh Nhật Đẹp Và Dễ Thương Nhất Thế Giới


Bước 2:
Thực hiệnquy tắc loại biến biến xấu trong EFAtạibài viết nàyđể loại đi các biến không tốt và nên thử việc loại lần lượt + loại từng biến xem trường hợp nào ma trận xoay tốt hơn, cái nào tốt hơn hãy loại biến theo cách đó chứ không cần lúc nào cũng phải loại lần lượt.
Bước 3:
Nếu biến bị loại quá nhiều và thang đo không cải thiện được nhiều, bạn hãy thử thực hiện việc tìm kiếm và loại bỏ các quan sát dị biệt (bản khảo sát không đi theo xu hướng chung của dữ liệu) theobài viết nàybằng biểu đồ boxplot, scatter... Cách chạy biểu đồ boxplot và scatter các bạn tìm các video trên Youtube hay bài viết trên Internet khá nhiều. Sau khi chạy xong, các bạn click đôi vào hình biểu đồ, nhấp nút hiển thị quan sát để xem những quan sát nào đang đi ngoài xu hướng. Ví dụ biểu đồ scatter bên dưới, phần lớn dữ liệu tập trung ở đường 0 thì có 5 quan sát đi ra ngoài xu hướng rất rõ rệt, ta loại bỏ các quan sát này đi sẽ cải thiện được kết quả hơn.
*

Nếu áp dụng các cách xử lý ở trên thang đo ở mức ổn thì bạn hãy sử dụng cấu trúc thang đo đó. Như mình đã đề cập, chúng ta làm nghiên cứu ở một môi trường khảo sát mới sẽ có những điểm khác biệt so với lý thuyết mà chúng ta tham khảo. Do vậy mà việc thang đo các nhóm khác biệt với lý thuyết ban đầu là điều hoàn toàn bình thường. Hãy định nghĩa lại nhân tố mới được tạo ra theo bài viếtĐặt tên nhân tố mới từ nhiều nhóm khác nhau trong EFA rồi đi tới các phần kiểm định tiếp theo.
Nếu bạn gặp khó khăn khi thực hiện phân tích nhân tố EFA như biến bị loại nhiều, không đảm bảo điều kiện hội tụ-phân biệt. Bạn có thể tham khảodịch vụ chạy SPSS thuêcủa Phạm Lộc Blog để tối ưu về kết quả và thời gian xử lý dữ liệu.
Trường hợp mà chúng ta đã nỗ lực loại bỏ điểm dị biệt rồi mà vẫn không có nhiều cải thiện, ma trận xoay nhân tố vẫn bị xáo trộn lộn xộn, không hội tụthì vấn đề khả năng cao xuất phát từ khâu chúng ta lập bảng khảo sát (các câu hỏi không rõ ràng, khó hiểu) hoặc đáp viên không hợp tác khi điều tra khảo sát. Nếu rơi vào tình huống này, bắt buộc chúng ta phải tăng cỡ mẫu lên hoặc khảo sát lại một cách chọn lọc hơn mới có thể cải thiện được kết quả.Từ khóa: ma trận xoay lộn xộn, ma trận xoay xáo trộn, ma trận xoay không hội tụ, khắc phục ma trận xoay lộn xộn, xử lý ma trận xoay lộn xộn