Sự Khác Nhau Giữa EFA Và CFA

Sự khác nhau giữa EFA và CFA nằm ở triết lý nghiên cứu, mức độ áp đặt giả định lý thuyết từ trước và mục đích phân tích cấu trúc thang đo trong phương pháp nghiên cứu định lượng. Trong tiến trình phát triển và kiểm định thang đo khoa học, phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) và phân tích nhân tố khẳng định (Confirmatory Factor Analysis – CFA) đóng vai trò là hai bước tiếp nối bổ trợ cho nhau, giúp chuyển hóa các biến quan sát thực nghiệm thành các cấu trúc khái niệm tiềm ẩn vững chắc.

Bản chất triết lý và mục tiêu phương pháp luận của EFA và CFA

Hai phương pháp đại diện cho hai trường phái tư duy khoa học khác biệt:

1. Phân tích nhân tố khám phá (EFA – Exploratory Factor Analysis)

EFA được sử dụng trong giai đoạn đầu của nghiên cứu hoặc khi thang đo chưa được kiểm chứng đầy đủ trong một bối cảnh văn hóa mới. EFA mang tính quy nạp (Data-Driven): Nhà nghiên cứu không áp đặt bất kỳ giả định nào về số lượng nhân tố cũng như mối liên kết giữa các biến quan sát. Mọi biến số đều có cơ hội tải lên tất cả các nhân tố, và dữ liệu thực nghiệm sẽ tự quyết định xem các biến nào gom nhóm lại với nhau để hình thành nên cấu trúc mới.

2. Phân tích nhân tố khẳng định (CFA – Confirmatory Factor Analysis)

CFA là phương pháp suy diễn (Theory-Driven) thuộc khung mô hình cấu trúc tuyến tính SEM. Trước khi chạy phân tích, nhà nghiên cứu đã xác lập sẵn một mô hình lý thuyết cụ thể: Nhân tố A gồm đúng 4 biến quan sát nào, nhân tố B gồm đúng 3 biến quan sát nào, và các biến quan sát của nhân tố A bị ràng buộc tuyệt đối không được tải lên nhân tố B (hệ số tải chéo cố định bằng 0). Mục tiêu của CFA là khẳng định và kiểm chứng xem mô hình lý thuyết định sẵn đó có tương thích với dữ liệu thực nghiệm thu thập được hay không.

“EFA là hành trình thám hiểm để tìm kiếm cấu trúc tiềm ẩn từ biển dữ liệu, trong khi CFA là phiên tòa thẩm định khắt khe nhằm phán quyết xem cấu trúc lý thuyết đã xác lập có thực sự đứng vững trước dữ liệu thực nghiệm hay không.”

Bảng so sánh đối chuẩn toàn diện giữa EFA và CFA

Dưới đây là bảng phân biệt chi tiết qua 8 tiêu chuẩn học thuật cốt cựu:

Tiêu chí so sánh	Phân tích nhân tố khám phá (EFA)	Phân tích nhân tố khẳng định (CFA)
Triết lý nghiên cứu	Quy nạp từ dữ liệu (Data-driven)	Khẳng định lý thuyết định sẵn (Theory-driven)
Ràng buộc hệ số tải	Tất cả các biến tự do tải lên mọi nhân tố	Chỉ tải lên nhân tố chủ quản, tải chéo cố định bằng 0
Xử lý sai số đo lường	Giả định sai số ngẫu nhiên không tương quan	Mô hình hóa rõ sai số và cho phép nối tương quan nếu có căn cứ
Đo lường độ phù hợp mô hình	Không có chỉ số Model Fit tổng thể	Hệ thống chỉ số Fit nghiêm ngặt (CMIN/df, CFI, TLI, RMSEA)
Kiểm định giá trị hội tụ/phân biệt	Dựa trên hệ số tải > 0.5 và chênh lệch tải > 0.3	Dựa trên chỉ số CR > 0.7, AVE > 0.5 và tiêu chuẩn Fornell-Larcker
Phần mềm chuyên dụng phổ biến	SPSS, SAS, Stata	AMOS, LISREL, Mplus, SmartPLS
Vị trí trong quy trình nghiên cứu	Thực hiện ở giai đoạn khám phá thang đo	Thực hiện sau EFA để kiểm chứng trước khi chạy SEM
Mức độ đòi hỏi về cỡ mẫu	Vừa phải (tối thiểu 5 quan sát/biến)	Lớn (thường từ 200 mẫu trở lên để đảm bảo Model Fit)

Khi nào nên sử dụng EFA và khi nào bắt buộc phải dùng CFA?

Việc lựa chọn công cụ phụ thuộc vào mục tiêu và bản chất thang đo của đề tài:

• Chỉ sử dụng EFA: Khi đề tài mang tính chất khám phá, phát triển thang đo mới cho một khái niệm chưa từng được nghiên cứu, hoặc khi quy mô mẫu hạn chế không đủ điều kiện chạy phần mềm SEM. Trong các luận văn đại học hoặc một số đề tài cấp cơ sở, EFA kết hợp hồi quy OLS trên SPSS vẫn được chấp nhận rộng rãi.
• Bắt buộc sử dụng CFA: Khi đề tài sử dụng lại các thang đo chuẩn quốc tế đã có sẵn và mục tiêu là kiểm định mô hình cấu trúc phức hợp (SEM) để công bố trên các tạp chí quốc tế uy tín (Scopus/WoS). CFA là bước bắt buộc để chứng minh tính hợp lệ của mô hình đo lường (Measurement Model).
• Mô hình mẫu tách đôi (Split-sample approach): Khi phát triển thang đo mới cho nghiên cứu quy mô lớn, chuẩn mực khoa học khuyến nghị chia ngẫu nhiên mẫu thành hai nửa: Nửa thứ nhất (Sample 1) dùng để chạy EFA khám phá cấu trúc; Nửa thứ hai (Sample 2) dùng để chạy CFA khẳng định lại cấu trúc đó trên tập dữ liệu độc lập.

Đánh giá giá trị hội tụ và giá trị phân biệt trong CFA

Khác với EFA chỉ nhìn vào hệ số tải và bảng ma trận xoay, CFA cung cấp các thước đo định lượng chuẩn xác:

1. Độ tin cậy tổng hợp (Composite Reliability – CR): Thước đo độ tin cậy nhất quán nội tại vượt trội hơn Cronbach’s Alpha, yêu cầu đạt CR > 0.70.
2. Tổng phương sai trích trung bình (Average Variance Extracted – AVE): Đo lường mức độ hội tụ của các biến quan sát, yêu cầu AVE > 0.50 (nghĩa là nhân tố tiềm ẩn giải thích được hơn 50% phương sai của các biến chỉ báo).
3. Giá trị phân biệt (Discriminant Validity): Theo tiêu chuẩn của Fornell & Larcker (1981), căn bậc hai của AVE của mỗi nhân tố bắt buộc phải lớn hơn hệ số tương quan giữa nhân tố đó với bất kỳ nhân tố nào khác trong mô hình.

Chiến lược phân tích kết hợp EFA và CFA trong quy trình nghiên cứu thực nghiệm

Để tận dụng tối đa thế mạnh của cả hai phương pháp khi hiểu rõ Sự khác nhau giữa EFA và CFA, các nhà nghiên cứu áp dụng chiến lược tích hợp 4 pha chuẩn mực:

1. Pha 1: Sàng lọc sơ bộ bằng Cronbach’s Alpha và EFA trên SPSS: Sau khi thu thập dữ liệu, chạy phân tích độ tin cậy Cronbach’s Alpha để loại các biến có hệ số tương quan biến tổng < 0.30. Tiếp theo, chạy EFA bằng phép trích PAF và phép xoay Promax để kiểm tra sơ bộ xem các biến quan sát có gom nhóm logic hay không.
2. Pha 2: Thẩm định mô hình đo lường bằng CFA trên AMOS: Đưa cấu trúc nhân tố vừa hình thành sang phần mềm AMOS để vẽ sơ đồ CFA. Tại đây, bạn kiểm tra hệ thống chỉ số độ phù hợp mô hình (CMIN/df, CFI, TLI, RMSEA).
3. Pha 3: Kiểm định giá trị hội tụ và giá trị phân biệt: Tính toán các chỉ số độ tin cậy tổng hợp CR (> 0.70) và phương sai trích trung bình AVE (> 0.50). So sánh căn bậc hai của AVE với ma trận tương quan giữa các nhân tố để khẳng định tính độc lập của các khái niệm.
4. Pha 4: Chuyển sang kiểm định mô hình cấu trúc SEM: Khi mô hình đo lường CFA đã hoàn toàn đạt chuẩn, bạn mới tiến hành vẽ các đường mũi tên một chiều thể hiện các giả thuyết nghiên cứu để chạy mô hình cấu trúc SEM chính thức.

Lộ trình 4 pha này bảo đảm công trình nghiên cứu của bạn có kết cấu phương pháp luận vững chắc từ gốc tới ngọn.

Câu hỏi thường gặp về sự khác nhau giữa EFA và CFA (FAQ)

Có cần chạy cả EFA và CFA trong cùng một bài báo nghiên cứu không?

Nếu thang đo được dịch thuật từ nước ngoài sang tiếng Việt, việc chạy EFA trước để sàng lọc sơ bộ cấu trúc ngôn ngữ rồi chuyển sang CFA để khẳng định mô hình đo lường là quy trình chuẩn mực được đánh giá cao.

Tại sao một biến quan sát đạt hệ số tải tốt trong EFA nhưng lại bị loại trong CFA?

CFA kiểm định ma trận hiệp phương sai với các ràng buộc khắt khe và tính toán sai số đo lường chi tiết; một biến có thể bị loại trong CFA nếu có sai số tương quan quá lớn hoặc làm giảm nghiêm trọng chỉ số Model Fit của hệ thống.

Phần mềm SPSS thông thường có chạy được CFA không?

Phần mềm SPSS tiêu chuẩn chỉ hỗ trợ EFA; để chạy CFA bạn bắt buộc phải cài đặt thêm module AMOS hoặc sử dụng các phần mềm chuyên dụng như Mplus, LISREL hay R (gói lavaan).

Kết luận và định hướng phương pháp

Nắm vững Sự khác nhau giữa EFA và CFA giúp nhà nghiên cứu xác lập lộ trình phân tích dữ liệu bài bản, lựa chọn đúng công cụ thống kê tương thích và tự tin bảo vệ tính khoa học của kết quả nghiên cứu. Để tải về các tài liệu hướng dẫn thực hành CFA trên AMOS và bảng tính tự động chỉ số CR và AVE, mời bạn đọc tham khảo tại thầy Phương.