BÁo cáo chính sách b̀nh ổn giá
Giới thiệu tổng quan về mô h́nh EFA
tải về 2.32 Mb.
|
- Điều hướng trang này:
- 2.2. Phân tích nhân tố khám phá (EFA)
- 2.2.2. Mục tiêu của EFA
- 2.2.3. Ứng dụng của EFA
- 2.2.4. Mô h́nh của EFA
- 2.2.5. Điều kiện để áp dụng EFA
- 2.2.6. Các bước thực hiện EFA
Giới thiệu tổng quan về mô h́nh EFAMô h́nh phân tích nhân tố (Factor Analysis, FA) là một phương pháp thống kê được sử dụng để thu nhỏ và rút gọn dữ liệu. Nó thường hướng đến việc đơn giản hóa một tập hợp các biến (variables) phức tạp ban đầu thành một tập các biến nhỏ hơn dưới dạng các nhân tố (factors). Phân tích nhân tố khác với phân tích hồi qui bội. Trong phân tích hồi qui bội, một biến được coi là phụ thuộc, và các biến khác được coi là biến độc lập; nhưng trong phân tích nhân tố không có sự phân biệt này, nó không có biến độc lập và biến phụ thuộc, mà nó dựa vào mối tương quan giữa các biến với nhau. V́ vậy, phương pháp phân tích FA được xem xét như là “kỹ thuật phụ thuộc lẫn nhau” (interdependence technique) mà ở đó tất cả các biến được xem xét một cách đồng bộ trong mối tương quan với nhau. Phương pháp phân tích FA thường được sử dụng trong các trường hợp cơ bản sau đây:
Phân tích nhân tố có 2 dạng cơ bản, đó là phân tích nhân tố khám phá (Exploratory factor analysis, EFA) và phân tích nhân tố khẳng định (Confirmatory factor analysis, CFA).
Cả hai phương pháp EFA và CFA đều dựa vào mô h́nh nhân tố chung (Common Factor Model), được minh họa trong h́nh 05 bên dưới. H́nh 07. Mô h́nh nhân tố chung 
Nguồn: DeCoster (1998) Mô h́nh này chỉ ra rằng mỗi biến đo lường từ “Measure 1” đến “Measure 5” bị ảnh hưởng một phần bởi các nhân tố chung cơ bản (“factor 1” và “factor 2”) và cũng đồng thời bị ảnh hưởng một phần bởi các nhân tố duy nhất cơ bản (“E1”, “E2”, “E3”, “E4”, “E5”).
Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ư nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al. 2009).
Hai mục tiêu chính của EFA là phải xác định: i) Số lượng các nhân tố ảnh hướng đến một tập các biến đo lường. ii) Cường độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường.
EFA thường được sử dụng nhiều trong các lĩnh vực quản trị, kinh tế, tâm lư, xă hội học v.v…, khi đă có được mô h́nh khái niệm (Conceptual Framework) từ các lư thuyết hay các nghiên cứu trước. Trong các nghiên cứu về kinh tế, người ta thường sử dụng thang đo (scale) chỉ mục bao gồm rất nhiều câu hỏi (biến đo lường) nhằm đo lường các khái niệm trong mô h́nh khái niệm, và EFA sẽ góp phần rút gọn một tập gồm rất nhiều biến đo lường thành một số nhân tố. Khi có được một số ít các nhân tố, nếu chúng ta sử dụng các nhân tố này với tư cách là các biến độc lập trong hàm hồi quy bội th́ khi đó, mô h́nh sẽ giảm khả năng vi phạm hiện tượng đa cộng tuyến. Ngoài ra, các nhân tố được rút ra sau khi thực hiện EFA sẽ có thể được thực hiện trong phân tích hồi quy đa biến (Multivariate Regression Analysis), mô h́nh Logit, sau đó có thể tiếp tục thực hiện phân tích nhân tố khẳng định (CFA) để đánh giá độ tin cậy của mô h́nh hay thực hiện mô h́nh cấu trúc tuyến tính (Structural Equation Modeling, SEM) để kiểm định về mối quan hệ phức tạp giữa các khái niệm.
Trong EFA, mỗi biến đo lường được biễu diễn như là một tổ hợp tuyến tính của các nhân tố cơ bản, c̣n lượng biến thiên của mỗi biến đo lường được giải thích bởi những nhân tố chung (common factor). Biến thiên chung của các biến đo lường được mô tả bằng một số ít các nhân tố chung cộng với một số nhân tố đặc trưng (unique factor) cho mỗi biến. Nếu các biến đo lường được chuẩn hóa th́ mô h́nh nhân tố được thể hiện bằng phương tŕnh: Xi = Ai1 * F1 + Ai2 * F2 + Ai3 * F3 + . . .+ Aim * Fm + Vi*Ui Trong đó: Xi : biến đo lường thứ i đă được chuẩn hóa Aij: hệ số hồi qui bội đă được chuẩn hóa của nhân tố j đối với biến i F1, F2, . . ., Fm: các nhân tố chung Vi: hệ số hồi qui chuẩn hóa của nhân tố đặc trưng i đối với biến i Ui: nhân tố đặc trưng của biến i Các nhân tố đặc trưng có tương quan với nhau và tương quan với các nhân tố chung; mà bản thân các nhân tố chung cũng có thể được diễn tả như những tổ hợp tuyến tính của các biến đo lường, điều này được thể hiện thông qua mô h́nh sau đây:
Fi: ước lượng trị số của nhân tố i; Wi: quyền số hay trọng số nhân tố (weight or factor scores coefficient); k: số biến.
2.2.5.1. Mức độ tương quan giữa các biến đo lường Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường, v́ vậy, trước khi quyết định sử dụng EFA, chúng ta cần xem xét mối quan hệ giữa các biến đo lường này. Sử dụng ma trận hệ số tương quan (correlation matrix), chúng ta có thể nhận biết được mức độ quan hệ giữa các biến. Nếu các hệ số tương quan nhỏ hơn 0.30, khi đó sử dụng EFA không phù hợp (Hair et al. 2009). Sau đây là một số tiêu chí đánh giá mối quan hệ giữa các biến:
Kiểm định Bartlett dùng để xem xét ma trận tương quan có phải là ma trận đơn vị (identity matrix) hay không? Ma trận đơn vị ở đây được hiểu là ma trận có hệ số tương quan giữa các biến bằng 0, và hệ số tương quan với chính nó bằng 1. Nếu phép kiểm định Bartlett có p<5%, chúng ta có thể từ chối giả thuyết H0 (ma trận tương quan là ma trận đơn vị), có nghĩa là các biến có quan hệ với nhau.
Kiểm định KMO (Kaiser – Meyer - Olkin) là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng phần của chúng. Để sử dụng EFA, th́ KMO phải lớn hơn 0.50. Kaiser (1974) cho rằng: KMO >= 0.90: RẤT TỐT; 0.80 <= KMO < 0.90: TỐT; 0.70 <= KMO <0. 80: ĐƯỢC; 0.60 <= KMO <0. 70: TẠM ĐƯỢC; 0.50 <= KMO <0. 60: XẤU; KMO <0. 50: KHÔNG CHẤP NHẬN ĐƯỢC 2.2.5.2. Kích thước mẫu Để sử dụng EFA, chúng ta cần kích thước mẫu lớn, nhưng vấn đề xác định kích thước mẫu phù hợp là việc phức tạp. Các nhà nghiên cứu thường dựa theo theo kinh nghiệm. Trong EFA, kích thước mẫu thường được xác định dựa vào “kích thước tối thiểu” và “số lượng biến đo lường đưa vào phân tích”, sau đây là một vài ư kiến, đề nghị từ các chuyên gia về phân tích nhân tố, chúng ta có thể xem xét: i) Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), số lượng quan sát (cỡ mẫu) ít nhất phải gấp 4 đến 5 lần số biến trong phân tích nhân tố. ii) Hair et al. (2009) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt hơn nên là 100. Ông Hair đề nghị, cố gắng tối đa hóa tỷ lệ quan sát trên mỗi biến đo lường là 5:1, có nghĩa là cứ 1 biến đo lường th́ cần tối thiếu là 5 quan sát. iii) Stevens (2002, theo Habing 2003) một nhân tố được gọi là tin cậy nếu nhân tố này có từ 3 biến đo lường trở lên.
Quy tŕnh thực hiện EFA, có nhiều nhà nghiên cứu đưa ra các bước (step) khác nhau và được đưa ra dưới dạng mô h́nh như sau:  H́nh 08. Các bước thực hiện EFA
|