Trong phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) bằng phần mềm SPSS, hai tiêu chuẩn trích nhân tố thường được sử dụng để xác định số lượng nhân tố cần giữ lại gồm: tiêu chuẩn dựa trên hệ số Eigenvalue lớn hơn 1 (Extract Based on Eigenvalue > 1) và tiêu chuẩn trích cố định số lượng nhân tố mong muốn (Fixed Number of Factors). Mỗi tiêu chuẩn có những điểm mạnh và hạn chế nhất định, việc lựa chọn phụ thuộc vào mục tiêu nghiên cứu cũng như đặc điểm của bộ dữ liệu.
Trong mục Extraction của EFA trên SPSS, phần Extract cho phép người nghiên cứu lựa chọn một trong hai tiêu chuẩn trích nhân tố nêu trên, được hiển thị trong giao diện tùy chọn của phần mềm.
1. Tiêu chuẩn hệ số Eigenvalue lớn hơn 1 (Extract Based on Eigenvalue > 1)
Theo Hair và cộng sự (2009), chỉ những nhân tố có hệ số eigenvalue (còn gọi là latent roots) lớn hơn 1 mới được xem là có ý nghĩa thống kê và đủ điều kiện để giữ lại trong mô hình EFA.
Trong SPSS, hệ số eigenvalue được trình bày trong bảng Total Variance Explained. Số lượng dòng ở cột Component tương ứng với số biến quan sát được đưa vào phân tích EFA. Cột Initial Eigenvalues thể hiện giá trị eigenvalue ban đầu của từng nhân tố trước khi tiến hành trích nhân tố. Khi quá trình trích hoàn tất, kết quả được thể hiện tại cột Extraction Sums of Squared Loadings. Sau khi thực hiện xoay nhân tố, các chỉ số tương ứng được trình bày trong cột Rotation Sums of Squared Loadings.
Trong ví dụ minh họa, từ 12 biến quan sát ban đầu, kết quả EFA cho thấy quá trình trích nhân tố thu được 4 nhân tố. Cụ thể, giá trị eigenvalue của nhân tố thứ tư đạt 1.215, lớn hơn 1, trong khi nhân tố thứ năm chỉ đạt 0.723, nhỏ hơn 1. Theo tiêu chuẩn eigenvalue > 1, việc trích nhân tố sẽ dừng lại tại nhân tố thứ tư, do đó số lượng nhân tố được giữ lại là 4.
Tóm lại, đối với tiêu chuẩn trích dựa trên hệ số Eigenvalue > 1:
Nguyên tắc hoạt động:
-
Chỉ giữ lại những nhân tố có giá trị riêng (eigenvalue) lớn hơn 1.
-
Giá trị eigenvalue phản ánh mức độ biến thiên của dữ liệu được giải thích bởi từng nhân tố.
Ưu điểm:
-
Cách tiếp cận đơn giản, mang tính tự động, không yêu cầu xác định trước số lượng nhân tố.
-
Là tiêu chuẩn trích mặc định trong SPSS và được sử dụng phổ biến trong các phần mềm phân tích EFA khác.
Nhược điểm:
-
Có khả năng giữ lại quá nhiều nhân tố khi dữ liệu chứa nhiều biến nhiễu.
-
Trong trường hợp số lượng biến quan sát lớn, tiêu chuẩn này có thể kém chính xác do vẫn giữ lại những nhân tố không thực sự có ý nghĩa về mặt lý thuyết.
Ứng dụng:
Tiêu chuẩn eigenvalue > 1 phù hợp khi nghiên cứu chưa có nền tảng lý thuyết vững chắc để xác định trước số lượng nhân tố. Đây là phương pháp trích nhân tố được sử dụng rộng rãi vì phản ánh cấu trúc tiềm ẩn của dữ liệu dựa trên đặc điểm thống kê nội tại của bộ dữ liệu.
2. Phương pháp xác định số nhân tố kỳ vọng (Fixed Number of Factors)
Trong trường hợp nghiên cứu được xây dựng trên cơ sở lý thuyết nền tảng vững chắc và các nghiên cứu trước đó đã chỉ ra rằng mô hình chỉ bao gồm một số lượng nhân tố nhất định, nhà nghiên cứu có thể áp dụng phương pháp xác định số nhân tố kỳ vọng. Phương pháp này cho phép người nghiên cứu chủ động quy định trước số lượng nhân tố cần được trích bằng cách yêu cầu phần mềm phân tích nhân tố giữ lại đúng số nhân tố theo giả định ban đầu.
Theo Hair và cộng sự (2009), cách tiếp cận này đặc biệt hữu ích trong việc kiểm định lại mô hình lý thuyết hoặc các giả thuyết nghiên cứu liên quan đến số lượng nhân tố trong các nghiên cứu lặp lại. Điều này thường xảy ra khi đề tài nghiên cứu đã được triển khai trong nhiều bối cảnh khác nhau trước đó, và nghiên cứu hiện tại chỉ thay đổi về môi trường khảo sát hoặc thực hiện một số điều chỉnh nhỏ, với điều kiện các điều chỉnh này không làm thay đổi cấu trúc thang đo và mô hình lý thuyết cốt lõi. Trong những trường hợp như vậy, việc áp dụng phương pháp Fixed Number of Factors giúp nhà nghiên cứu đạt được cấu trúc nhân tố phù hợp với khuôn khổ lý thuyết đã được thiết lập.
Tóm lại, đối với tiêu chuẩn trích Fixed Number of Factors
Cơ chế hoạt động được thể hiện như sau:
Nhà nghiên cứu xác định trước số lượng nhân tố cần giữ lại dựa trên lý thuyết nghiên cứu hoặc các giả thuyết đã được đề xuất.
Ưu điểm
- Phương pháp này có ưu điểm là giúp hạn chế nguy cơ giữ lại các nhân tố không thực sự quan trọng
- Và cho phép kiểm soát tốt hơn số lượng nhân tố khi đã có cơ sở lý thuyết hoặc bằng chứng thực nghiệm hỗ trợ.
Nhược điểm
- Mức độ phụ thuộc cao vào quyết định chủ quan của nhà nghiên cứu,
- Đồng thời có khả năng bỏ sót các nhân tố quan trọng nếu số lượng nhân tố được cố định không phản ánh đúng bản chất của dữ liệu.
Về mặt ứng dụng
Phương pháp Fixed Number of Factors phù hợp trong các nghiên cứu đã có nền tảng lý thuyết rõ ràng, đã dự kiến trước số lượng nhân tố, hoặc khi nhà nghiên cứu mong muốn kiểm tra mức độ phù hợp của dữ liệu thực nghiệm đối với mô hình lý thuyết đề xuất.
Trong quá trình thực hiện đề tài nghiên cứu hoặc luận văn, nhà nghiên cứu cần cân nhắc kỹ lưỡng việc sử dụng tiêu chuẩn trích này, bởi tính chủ quan trong việc xác định số nhân tố có thể dẫn đến những tranh luận học thuật và làm sai lệch bản chất thực của cấu trúc dữ liệu.
Kết luận
Tiêu chuẩn trích nhân tố dựa trên Eigenvalue lớn hơn 1 phù hợp trong trường hợp nhà nghiên cứu mong muốn khám phá cấu trúc dữ liệu một cách tự động mà không đưa ra giả định cụ thể về số lượng nhân tố.
Ngược lại, phương pháp Fixed Number of Factors được xem là phù hợp hơn khi nghiên cứu có sự hỗ trợ vững chắc từ lý thuyết hoặc khi mục tiêu nghiên cứu đã xác định rõ số lượng nhân tố cần kiểm định.
