nhận chỉnh data làm sạch dữ liệu EFA nhân tố khám phá

efa FILEminimizer - nhận chỉnh data làm sạch dữ liệu EFA nhân tố khám phá

Nhận chỉnh data làm sạch dữ liệu EFA nhân tố khám phá,  trong mô hình nhân tố khám phá chúng ta thường xuyên bắt gặp những vấn đề về data như: Hệ số kiểm tra chất lượng thang đo Cronback’s Alpha < 0.7, Hệ số đánh giá tổng quát chất lượng mô hình Phương sai trích  < 0.5, xoay các nhân tố trong ma trận xoay không hội tụ, quan trọng hơn hết là kết quả hồi quy không có ý nghĩa thống kê … Nếu các bạn gặp những vấn đề như trên, thì đừng ngần ngại hãy liên hệ ngay với chúng tôi, để được khắc phục triệt để.

LÀM SẠCH DATA EFA

Mô hình EFA: Nhân tố khám phá là gì ?

Trong thống kê đa biến , phân tích nhân tố khám phá ( Exploratory Factor Analysis  EFA ) là một phương pháp thống kê được sử dụng để khám phá cấu trúc cơ bản của một tập hợp các biến tương đối lớn . EFA là một kỹ thuật trong phân tích nhân tố có mục tiêu bao quát là xác định các mối quan hệ cơ bản giữa các biến được đo lường.  Nó thường được các nhà nghiên cứu sử dụng khi phát triển thang đo ( thang đo là một tập hợp các câu hỏi được sử dụng để đo lường một chủ đề nghiên cứu cụ thể) và dùng để xác định một tập hợp các cấu trúc tiềm ẩn bên dưới một loạt các biến được đo lường.

Nó nên được sử dụng khi nhà nghiên cứu không có tiên nghiệm giả thuyết về các yếu tố hoặc mô hình của các biến đo lường.  Các biến đo lường là bất kỳ một trong số các thuộc tính của con người có thể được quan sát và đo lường. Ví dụ về các biến đo lường có thể là chiều cao thể chất, cân nặng và nhịp tim của một con người. Thông thường, các nhà nghiên cứu sẽ có một số lượng lớn các biến được đo lường, được giả định là có liên quan đến một số lượng nhỏ hơn các yếu tố “không được quan sát”. Các nhà nghiên cứu phải xem xét cẩn thận số lượng các biến được đo lường để đưa vào phân tích.  Thủ tục EFA chính xác hơn khi mỗi nhân tố được đại diện bởi nhiều biến đo lường trong phân tích.

ĐỌC:  sau đại học Hỗ trợ tư vấn

EFA dựa trên mô hình nhân tố chung. Trong mô hình này, các biến biểu hiện được biểu thị dưới dạng một hàm của các yếu tố chung, yếu tố duy nhất và sai số đo lường. Mỗi nhân tố duy nhất chỉ ảnh hưởng đến một biến biểu hiện và không giải thích mối tương quan giữa các biến biểu hiện. Các yếu tố chung ảnh hưởng đến nhiều hơn một biến biểu hiện và “tải nhân tố” là các thước đo mức độ ảnh hưởng của một yếu tố chung đến một biến biểu hiện.  Đối với quy trình EFA, chúng tôi quan tâm nhiều hơn đến việc xác định các yếu tố chung và các biến biểu hiện liên quan.

EFA giả định rằng bất kỳ chỉ số / biến đo lường nào có thể được kết hợp với bất kỳ yếu tố nào. Khi phát triển thang đo, các nhà nghiên cứu nên sử dụng EFA trước khi chuyển sang phân tích nhân tố khẳng định (CFA). EFA là điều c,ần thiết để xác định các yếu tố / cấu trúc cơ bản cho một tập hợp các biến được đo lường; trong khi CFA cho phép nhà nghiên cứu kiểm tra giả thuyết rằng có tồn tại mối quan hệ giữa các biến quan sát và (các) yếu tố / cấu trúc tiềm ẩn cơ bản của chúng.  EFA yêu cầu nhà nghiên cứu đưa ra một số quyết định quan trọng về cách tiến hành phân tích vì không có một phương pháp nào được thiết lập.

Chỉnh sửa data hệ số chất lượng thang đo Alpha

Kiểm định Cronbach’s alpha để xem liệu các cuộc khảo sát thang đo Likert nhiều câu hỏi có đáng tin cậy hay không. Những câu hỏi này đo lường các biến tiềm ẩn — các biến ẩn hoặc không thể quan sát được như: sự tận tâm, loạn thần kinh hoặc cởi mở của một người. Đây là những điều rất khó đo lường trong cuộc sống thực. Cronbach’s alpha sẽ cho bạn biết tập hợp các mục kiểm tra có liên quan mật thiết như thế nào với tư cách là một nhóm.

Cronbach’s alpha là thước đo tính nhất quán bên trong, tức là mức độ liên quan chặt chẽ giữa một tập hợp các mục như một nhóm. Nó được coi là thước đo độ tin cậy của thang đo. Giá trị “cao” cho alpha không có nghĩa là số đo là đơn chiều. Nếu, ngoài việc đo lường tính nhất quán bên trong, bạn muốn cung cấp bằng chứng cho thấy thang đo được đề cập là đơn chiều, các phân tích bổ sung có thể được thực hiện. Phân tích nhân tố khám phá là một trong những phương pháp kiểm tra tính thứ nguyên. Về mặt kỹ thuật, Cronbach’s alpha không phải là một phép thử thống kê – nó là một hệ số tin cậy (hay tính nhất quán).

  • Alpha > 0.9 = > Tuyệt với
  • Alpha > 0.8 = > Tốt
  • Alpha > 0.7 => Chấp nhận được
  • Alpha > 0.6 => tạm chấp nhận được
  • Alpha > 0.5 => quá tệ
  • Alpha < 0.5 => Ko chấp nhận
ĐỌC:  Chỉ số H sức mạnh của người công bố

Ma trận xoay trong nhân tố khám phá

Đây là một trong những nguyên nhân đau đầu của nghiên cứu khoa tại tại sao chúng ta xoay ma trận không hội tự được

Các ma trận thành phần xoay , đôi khi được gọi là tải trọng , là sản phẩm chủ chốt của phép phân tích thành phần chính. Nó chứa các ước lượng về mối tương quan giữa mỗi biến và các thành phần ước lượng. Trong ví dụ này:

Có mối tương quan từ trung bình đến mạnh giữa năm chương trình thể thao và thành phần 1.

Mối tương quan giữa các chương trình thời sự và thành phần thứ nhất là rất thấp. Thông thường, khi xử lý data như một ma trận thành phần ,.

các mối tương quan nhỏ hơn 0,3 hoặc 0,4 được coi là không đáng kể. (Các mối tương quan này thường được gọi là tải ; các mối tương quan cũng có thể âm và trong trường hợp như vậy, các mối tương quan giữa -0,4 hoặc -0,3 và 0,0 được coi là rất nhỏ.)

Do đó, thành phần đầu tiên dường như đo lường xu hướng xem các chương trình thể thao.’Có mối tương quan từ trung bình đến mạnh giữa năm chương trình thời sự và thành phần thứ hai và mối tương quan thấp giữa các chương trình thể thao và thành phần này. Do đó, thành phần thứ hai dường như đo lường xu hướng xem các chương trình thời sự.

Hệ số tải nhân tố Factor loading

  • obs < 50 = > 0.75
  • obs < 60 => 0.7
  • obs < 70 => 0.65
  • obs < 85 = > 0.6
  • obs < 100 = > 0.55
  • obs < 120 => 0.5
  • obs < 150 => 0.45
  • obs < 200 = > 0.4
  • obs < 250 => 0.35
  • obs < 300 = > 0.3

Hồi quy không ý nghĩa thống kê

Đây là nguyên nhân rất lớn trong nghiên cứu EFA, khi chúng ta hồi quy sau khi đã khám phá nhân tố thì không có ý nghĩa thống kê, tác là biến độc lập không có tác động gì đến biến phục thuộc, đây là một sai phạm rất nghiêm trọng, chú còn việc chứ còn việc khám phá ra nhân tố mới sau khi xoay ma trận thì bình thường, nó cũng không đóng góp nhiều vào nghiên cứu của EFA.

ĐỌC:  Hướng dẫn phân biệt biến rời rạc với biến liên tục

Kiểm định KMO và Bartlett’s Test

Bảng này hiển thị hai bài kiểm tra cho biết mức độ phù hợp của dữ liệu của bạn để phát hiện cấu trúc. Phép đo Kaiser-Meyer-Olkin về mức độ thích hợp của việc lấy mẫu là một thống kê cho biết tỷ lệ phương sai trong các biến của bạn có thể do các yếu tố cơ bản gây ra. Các giá trị cao (gần bằng 1,0) thường chỉ ra rằng phân tích nhân tố có thể hữu ích với dữ liệu của bạn. Nếu Pvalue < 0,50, kết quả phân tích nhân tố có thể không hữu ích lắm.

Kiểm tra tính hình cầu của Bartlett kiểm tra giả thuyết rằng ma trận tương quan của bạn là ma trận nhận dạng, điều này sẽ chỉ ra rằng các biến của bạn không liên quan và do đó không phù hợp để phát hiện cấu trúc. Các giá trị nhỏ (Pvalue < 0,05) của mức ý nghĩa cho thấy rằng phân tích nhân tố có thể hữu ích với dữ liệu của bạn.

Hai kiểm định này không phải thường xuyên bị sai phạm, nếu nó sai phạm có nghĩ là mô hình nghiên cứu của ban không đủ độ tin cậy.

Phương sai trích

Total variance explained phải  > 50%

Vì nó tượng trưng các yếu tốt  đầu vào được giải thích cho mô hình nghiên cứu phải nhiều hơn 50%.

Cái kiểm định này thì cũng ít gặp sai phạm nhất trong 5 kiểm định quan trọng của mô hình nhân tố khám phá này.

Trong mô hình EFA nhân tố khám phá bạn không thể bị sai phạm dù chỉ 1 trong 5 kiểm định quan trọng này, nếu có thì mô hình nghiên cứu của bạn không đủ tin cậy.

Nhận chỉnh data – Làm sạch dữ liệu

Nếu bạn gặp bất kỳ khó khăn nào trong 5 kiểm định trên thì đừng ngần ngại hãy liên hệ ngay với chúng tôi, chúng tôi có thể giúp bạn.

Ngoài mô hình EFA này ra, nếu bạn còn gặp khó khăn nào với bất kỳ mô hình định lượng khác, các bạn đừng ngần ngại hãy liên hệ ngay với chúng tôi để được giúp đỡ.

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *