Quy tắc loại biến xấu trong phân tích nhân tố khám phá EFA

Không có các nguyên tắc cứng nhắc về việc loại biến trong phân tích EFA có thể áp dụng trong mọi tình huống. Do vậy, các quy tắc đề cập dưới đây mang tính chất tham khảo để chúng ta có thêm góc nhìn về việc đánh giá các biến quan sát kém chất lượng nhằm xem xét loại bỏ khỏi nghiên cứu. Dưới dây là ba dạng biến xấu chính trong EFA tương ứng với ví dụ bảng ma trận xoay.

Biến xấu 1: Biến quan sát không đảm bảo hệ số tải tiêu chuẩn

Hệ số tải biểu diễn mức độ đóng góp của biến trong một nhân tố. Một biến quan sát có hệ số tải quá thấp, dưới ngưỡng tiêu chuẩn của nghiên cứu, đồng nghĩa biến quan sát đó đóng góp quá ít vào nghiên cứu, cần được cân nhắc loại bỏ để không ảnh hưởng lên kết quả nghiên cứu.

Trong bảng ma trận xoay ở ví dụ trên, biến TL2 có hệ số tải nhỏ hơn 0.5. Với nghiên cứu này, tác giả chọn ngưỡng hệ số tải là 0.5 và quy định cho ma trận xoay chỉ hiển thị các biến quan sát có hệ số tải từ 0.4 trở lên (các hệ số tải nhỏ hơn 0.4 sẽ bị ẩn đi). Biến TL2 trong bảng Rotated Component Matrix có hệ số tải cao nhất là 0.421 < 0.5 (hệ số tải biến TL2 ở các ô còn lại dưới 0.4 nên đã bị ẩn đi), biến này sẽ được loại bỏ.

Biến xấu 2: Biến quan sát chỉ nằm tách biệt một mình ở một nhân tố

Lý do chúng ta xây dựng thang đo biến quan sát cho một nhân tố là bởi vì khái niệm của nhân tố đó trừu tượng, không thể đo trực tiếp được mà phải đo gián tiếp qua các biến quan sát có thể đo lường trực tiếp. Khi một biến quan sát tách biệt hoàn toàn thành một nhân tố trong bảng ma trận xoay, nghĩa là biến quan sát đó biểu diễn một khái niệm riêng biệt so với lý thuyết nền. Có những trường hợp một số nhà nghiên cứu vẫn quyết định giữ biến quan sát và đánh giá nó là một nhân tố mới. Tuy nhiên, phần lớn các trường hợp còn lại biến quan sát này sẽ được loại bỏ bởi khả năng đại diện cho một khái niệm nhân tố mới của một biến quan sát là rất thấp.

Trong bảng ma trận xoay ở ví dụ trên, biến DN4 nằm tách biệt một mình ở nhân tố số 5. Chúng ta nên loại bỏ biến quan sát này đi.

Biến xấu 3: Tải lên nhiều nhóm nhân tố và chênh lệch hệ số tải nhỏ hơn 0.2

Chúng ta luôn kỳ vọng rằng một biến quan sát chỉ nên tải mạnh ở một nhân tố. Biến quan sát tải mạnh lên hai hay nhiều nhân tố nghĩa là biến đó đang thể hiện đặc điểm của nhiều khái niệm khác nhau. Điều này là không tốt bởi biến quan sát này không rõ ràng, sẽ gây ra một số trở ngại nhất định khi đánh giá tính phân biệt thang đo. Matt C. Howard (2015)  cho rằng, nếu một biến quan sát tải lên ở hai nhân tố nhưng chênh lệch hệ số tải nhỏ hơn 0.2, biến quan sát nên được xem xét loại bỏ.

Trong bảng ma trận xoay ở ví dụ trên, biến DT3 tải lên hai nhân tố số 1 và số 2 với hệ số tải lần lượt ở hai nhân tố là 0.640 và 0.523. Hiệu số hai hệ số tải là 0.640 – 0.523 = 0.117 < 0.2. Do vậy, biến DT3 nên được loại bỏ.

Nếu trường hợp biến quan sát cũng tải lên hai hay nhiều nhân tố nhưng chênh lệch hệ số tải lớn hơn 0.2, khi đó biến quan sát nên được giữ lại và xếp biến vào nhân tố có hệ số tải cao hơn.

Trường hợp có nhiều biến trở lên cùng tải lên hai hay nhiều nhân tố và phương thức loại biến xấu là loại lần lượt (sẽ được đề cập ở mục các phương thức loại biến xấu). Chúng ta cần xác định biến nào xấu hơn để loại trước.

Trong ví dụ ở trên, biến DK2 và CV2 cùng tải lên hai nhân tố. Chúng ta có thể dựa vào chênh lệch hệ số tải của từng biến quan sát, nếu chênh lệch hệ số tải của biến nào nhỏ hơn thì nên loại biến đó trước. Chênh lệch hệ số tải của DK2 và CV2 lần lượt là 0.690 – 0.595 = 0.95 và 0.669 – 0.634 = 0.035, do vậy chúng ta sẽ loại CV2 trước.

Hoặc chúng ta có thể dựa vào hệ số tải tối đa của từng biến quan sát để quyết định loại biến nào trước. Cụ thể ở ví dụ trên, hệ số tải tối đa của DK2 và CV2 lần lượt là 0.690 và 0.669, chúng ta sẽ loại CV2 trước.

Trên đây là một vài nhận định về biến xấu các bạn nên tham khảo, các tiêu chuẩn về biến xấu này tác giả dựa trên hướng phân tích các vấn đề xoay quanh việc một biến quan sát chất lượng sẽ có tính đóng góp vào thang đo, sự thỏa mãn các giá trị hội tụ, phân biệt của thang đo như thế nào. Chúng ta nên tham khảo nhiều nguồn tài liệu và hỏi thêm ý kiến chuyên gia để có được quyết định loại biến phù hợp nhất cho bài nghiên cứu cụ thể. Cần nhớ rằng, việc loại biến mục đích cuối cùng là có được kết quả ma trận xoay tốt nhất chứ không nhất thiết phải tuân theo các quy tắc một cách cứng nhắc.

2. Phương thức loại biến xấu trong EFA

Có nhiều phương thức loại biến xấu tùy theo lập luận của mỗi tác giả, có nhà nghiên cứu sẽ loại cùng lúc những biến xấu xuất hiện trong một lần phân tích EFA, có nhà nghiên cứu lại loại lần lượt từng biến xấu và đánh giá lại sự thay đổi ma trận xoay sau từng lần loại biến.

Cách 1: Loại lần lượt từng biến

– Bước 1: Xác định các biến xấu ở lần phân tích EFA đầu tiên

– Bước 2: Phân loại ba dạng biến xấu 1, 2, 3

– Bước 3: Loại tất cả các biến xấu dạng 1 trước tiên và phân tích lại EFA

– Bước 4: Nếu tiếp tục xuất hiện biến xấu dạng 1, vẫn loại các biến này trước và chạy tiếp EFA. Nếu không còn biến xấu dạng 1, loại biến xấu dạng 2 và phân tích lại EFA

– Bước 5: Nếu tiếp tục xuất hiện biến xấu dạng 2, vẫn loại các biến này trước và chạy tiếp EFA. Nếu không còn biến xấu dạng 2, loại biến xấu dạng 3 và phân tích lại EFA.

Cách 2: Loại một lượt các biến xấu trong một lần phân tích EFA

– Bước 1: Xác định các biến xấu ở lần phân tích EFA đầu tiên

– Bước 2: Loại tất cả các dạng biến xấu cùng lúc và phân tích lại EFA

– Bước 3: Nếu tiếp tục xuất hiện biến xấu, loại tất cả các biến đó và tiếp tục phân tích EFA đến khi có kết quả cuối cùng.

Cũng như việc nhận dạng biến xấu để xem xét loại bỏ, hai phương thức loại biến xấu đề xuất ở trên cũng mang tính chất tham khảo để các bạn có thêm căn cứ đưa ra quyết định loại biến như thế nào. Chúng ta có thể linh động việc loại biến một lượt hay lần lượt, để cuối cùng có được một ma trận xoay tốt nhất và số biến quan sát bị loại bỏ càng ít càng tốt.