Phân tích nhân tố khám phá (EFA) và hồi quy bội trong SPSS: Từ kiểm định mô hình đến diễn giải kết quả nghiên cứu khoa học

Trong lĩnh vực nghiên cứu định lượng, đặc biệt là trong các ngành khoa học xã hội, kinh tế và quản trị kinh doanh, các nhà nghiên cứu thường phải làm việc với những khái niệm phức tạp, đa chiều và không thể đo lường trực tiếp (ví dụ: "sự hài lòng của khách hàng", "văn hóa tổ chức", "chất lượng dịch vụ"). Để lượng hóa các khái niệm này, các thang đo bao gồm nhiều biến quan sát (observed variables) thường được sử dụng. Tuy nhiên, việc sử dụng trực tiếp một số lượng lớn các biến này trong các mô hình dự báo có thể dẫn đến các vấn đề về ý nghĩa lý thuyết và sự ổn định thống kê.

Để giải quyết vấn đề này, một quy trình phân tích hai giai đoạn thường được áp dụng: đầu tiên là sử dụng phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) để xác định và thẩm định các cấu trúc nhân tố tiềm ẩn, sau đó sử dụng các nhân tố này làm biến độc lập trong một mô hình hồi quy bội (Multiple Regression Analysis) để kiểm định các giả thuyết về mối quan hệ.

Bài viết này sẽ cung cấp một hướng dẫn có hệ thống về mặt phương pháp luận để thực hiện quy trình phân tích hai giai đoạn này bằng phần mềm SPSS, tập trung vào các bước kiểm định mô hình, các tiêu chí đánh giá và cách diễn giải kết quả một cách chuẩn xác theo yêu cầu của nghiên cứu khoa học.

Xem thêm:

• Các nguyên tắc nền tảng trong lựa chọn màu sắc cho báo cáo: Phương pháp trực quan hoá dữ liệu hiệu quả.

• Phân tích SWOT và TOWS: Phương pháp chuyển hoá từ chẩn đoán tình hình sang xây dựng chiến lược hành động.

• Ứng dụng AI để tự động hoá và tối ưu hiệu suất công việc.

Giai đoạn 1: Phân tích nhân tố khám phá (EFA) – rút gọn dữ liệu và xác định cấu trúc khái niệm

A. Mục đích của EFA trong nghiên cứu phân tích nhân tố khám phá (EFA) 

Đây là một kỹ thuật thống kê đa biến được sử dụng với hai mục tiêu chính:

- Rút gọn dữ liệu (Data Reduction): Giảm một tập hợp lớn các biến quan sát có tương quan với nhau thành một tập hợp các nhân tố nhỏ hơn, dễ quản lý hơn mà vẫn giữ được phần lớn thông tin của bộ dữ liệu gốc.

- Xác định cấu trúc tiềm ẩn (Identifying Latent Structure): Khám phá cấu trúc cơ bản hay các khái niệm tiềm ẩn đại diện cho các biến quan sát. Trong nghiên cứu, đây là bước quan trọng để thẩm định tính hội tụ và phân biệt của các thang đo.

B. Các giả định và kiểm định điều kiện phân tích 

Trước khi tiến hành EFA, bộ dữ liệu cần phải thỏa mãn một số điều kiện để đảm bảo kết quả phân tích có ý nghĩa. Trong SPSS, hai kiểm định quan trọng nhất cần được thực hiện:

- Hệ số KMO (Kaiser-Meyer-Olkin): Đo lường mức độ phù hợp của dữ liệu cho phân tích nhân tố. Giá trị KMO dao động từ 0 đến 1. Theo Hair et al. (2010), một giá trị KMO ≥ 0.5 được xem là chấp nhận được để tiến hành EFA.

- Kiểm định Bartlett (Bartlett's Test of Sphericity): Kiểm định giả thuyết rằng ma trận tương quan giữa các biến là một ma trận đơn vị, tức là các biến không có tương quan với nhau. Kết quả kiểm định có ý nghĩa thống kê (Sig. < 0.05) cho phép bác bỏ giả thuyết này, cho thấy các biến có đủ tương quan với nhau để thực hiện phân tích nhân tố.

C. Quy trình thực hiện và diễn giải kết quả EFA trong SPSS 

Sau khi các điều kiện đã được thỏa mãn, EFA được tiến hành (Analyze → Dimension Reduction → Factor). Quá trình diễn giải kết quả tập trung vào các bảng sau:

Bảng "Total Variance Explained" (Tổng phương sai được giải thích):

- Mục đích: Xác định số lượng nhân tố cần trích xuất.

- Tiêu chí: Sử dụng tiêu chí Eigenvalue > 1. Eigenvalue đại diện cho lượng thông tin hay phương sai được giải thích bởi mỗi nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được giữ lại. Cột % of Variance và Cumulative % cho biết tổng phần trăm phương sai của các biến được giải thích bởi các nhân tố được trích xuất. Một mô hình tốt thường có tổng phương sai trích ≥ 50%.

Bảng "Rotated Component Matrix" (Ma trận nhân tố xoay):

- Mục đích: Xác định các biến quan sát thuộc về nhân tố nào. Để có kết quả dễ diễn giải, phép xoay Varimax (phép xoay trực giao) thường được sử dụng.

- Tiêu chí: Xem xét các hệ số tải nhân tố (Factor Loadings). Hệ số này biểu thị mức độ tương quan giữa một biến quan sát và một nhân tố. Một biến được xem là thuộc về một nhân tố nếu hệ số tải của nó lên nhân tố đó có giá trị tuyệt đối ≥ 0.5 và không có hệ số tải cao tương đương lên các nhân tố khác.

Kiểm định độ tin cậy thang đo (Reliability Test):

- Sau khi xác định được các biến thuộc về từng nhân tố, cần phải kiểm tra độ tin cậy hay tính nhất quán nội tại của mỗi thang đo bằng hệ số Cronbach's Alpha (Analyze → Scale → Reliability Analysis).

- Tiêu chí: Một thang đo được xem là có độ tin cậy tốt khi hệ số Cronbach's Alpha ≥ 0.7.

Kết thúc giai đoạn này, nhà nghiên cứu đã xác định được các nhân tố có ý nghĩa và các thang đo có độ tin cậy, sẵn sàng cho phân tích hồi quy.

Giai đoạn 2: Hồi quy bội (Multiple Regression) – kiểm định mối quan hệ giữa các nhân tố

A. Mục đích của hồi quy bội phân tích hồi quy bội 

Đây là một kỹ thuật thống kê được sử dụng để mô hình hóa và kiểm định mối quan hệ giữa một biến phụ thuộc (dependent variable) và hai hay nhiều biến độc lập (independent variables). Trong bối cảnh này, các nhân tố đã được xác định và thẩm định từ EFA sẽ đóng vai trò là các biến độc lập.

B. Xây dựng mô hình và các giả định 

Phương trình hồi quy bội có dạng: Y = B₀ + B₁X₁ + B₂X₂ + ... + BₙXₙ + εMô hình này cần thỏa mãn một số giả định quan trọng, trong đó có việc không có hiện tượng đa cộng tuyến (multicollinearity) nghiêm trọng giữa các biến độc lập.

C. Quy trình thực hiện và diễn giải kết quả hồi quy bội trong SPSS 

Trước khi chạy hồi quy, cần tính toán giá trị đại diện cho mỗi nhân tố (thường bằng cách lấy giá trị trung bình của các biến quan sát thuộc nhân tố đó). Sau đó, tiến hành phân tích (Analyze → Regression → Linear).

Bảng "Model Summary":

- R Square (R²) và Adjusted R Square (R² hiệu chỉnh): Cho biết bao nhiêu phần trăm sự biến thiên của biến phụ thuộc được giải thích bởi tập hợp các biến độc lập trong mô hình. Giá trị càng cao, mô hình càng phù hợp.

Bảng "ANOVA":

- Mục đích: Kiểm định sự phù hợp của mô hình hồi quy tổng thể.

- Tiêu chí: Dựa vào giá trị Sig. của kiểm định F. Nếu Sig. < 0.05, có thể kết luận rằng mô hình hồi quy là phù hợp về mặt thống kê, tức là ít nhất một biến độc lập có ảnh hưởng đến biến phụ thuộc.

Bảng "Coefficients":

- Mục đích: Đánh giá mức độ và ý nghĩa tác động của từng biến độc lập lên biến phụ thuộc.

- Cột "Unstandardized Coefficients (B)": Các hệ số B được sử dụng để viết phương trình hồi quy. Bᵢ cho biết khi biến Xᵢ tăng một đơn vị, biến Y sẽ thay đổi Bᵢ đơn vị, trong điều kiện các biến khác không đổi.

- Cột "Standardized Coefficients (Beta)": Hệ số Beta đã được chuẩn hóa, cho phép so sánh mức độ ảnh hưởng tương đối của các biến độc lập lên biến phụ thuộc. Biến nào có giá trị tuyệt đối của Beta lớn hơn thì có tác động mạnh hơn.

- Cột "Sig.": Giá trị p-value cho kiểm định t. Nếu Sig. < 0.05, có thể kết luận rằng biến độc lập tương ứng có tác động có ý nghĩa thống kê lên biến phụ thuộc.

- Cột "Collinearity Statistics (VIF - Variance Inflation Factor)": Dùng để kiểm tra hiện tượng đa cộng tuyến. Nếu giá trị VIF của tất cả các biến < 10, có thể kết luận rằng mô hình không có hiện tượng đa cộng tuyến nghiêm trọng.

Xem thêm:

• Tự động hoá công việc với AI - Bí quyết làm việc thông minh thời 4.0

• Tiết kiệm hàng giờ phân tích dữ liệu nhờ AI - Khám phá khoá học ứng dụng thực tiễn

• 4 nguồn Dataset miễn phí mà bạn có thể sử dụng

4. Kết luận

Quy trình phân tích kết hợp giữa phân tích nhân tố khám phá (EFA) và hồi quy bội là một phương pháp luận khoa học và chặt chẽ, được ứng dụng rộng rãi trong các nghiên cứu định lượng. EFA đóng vai trò là một bước tiền xử lý và thẩm định mô hình đo lường, đảm bảo rằng các khái niệm (biến độc lập) được xây dựng một cách vững chắc và có ý nghĩa. Sau đó, Hồi quy Bội được sử dụng để kiểm định mô hình cấu trúc, xác nhận các giả thuyết về mối quan hệ nhân-quả hoặc dự báo.

Việc tuân thủ một cách nghiêm ngặt quy trình này, từ việc kiểm tra các điều kiện phân tích đến việc diễn giải kết quả dựa trên các tiêu chí học thuật, cho phép các nhà nghiên cứu chuyển hóa một bộ dữ liệu thô phức tạp thành những kết luận có giá trị, có độ tin cậy cao và đóng góp một cách ý nghĩa vào tri thức khoa học.