Quy tắc loại biến xấu trong EFA là tập hợp các tiêu chuẩn thống kê nghiêm ngặt dùng để nhận diện và loại bỏ các biến quan sát không đạt yêu cầu về hệ số tải nhân tố, tính hội tụ hoặc tính phân biệt trong quá trình phân tích nhân tố khám phá nhằm bảo đảm thang đo đạt tính đơn hướng và độ giá trị cao. Trong xử lý dữ liệu định lượng trên phần mềm SPSS, việc nắm vững các quy chuẩn này giúp tác giả thanh lọc dữ liệu một cách khoa học, tránh bóp méo cấu trúc thang đo và tạo tiền đề vững chắc cho các bước kiểm định mô hình hồi quy hoặc SEM tiếp theo.
Khái quát về phân tích nhân tố khám phá EFA và mục đích của việc lọc biến
Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một kỹ thuật thống kê đa biến nhằm rút gọn một tập hợp gồm nhiều biến quan sát có tương quan với nhau thành một số lượng nhỏ hơn các nhân tố tiềm ẩn mang tính đại diện. Trong quá trình thu thập số liệu thực tế, do sự diễn đạt câu hỏi chưa rõ ràng, sự hiểu lầm của người trả lời hoặc đặc tính dị biệt của mẫu khảo sát, một số biến quan sát có thể không phản ánh đúng cấu trúc lý thuyết ban đầu.
Mục đích của việc áp dụng quy tắc loại biến xấu trong EFA là loại bỏ những “nhiễu số liệu” này để giữ lại những biến quan sát có độ tin cậy và giá trị hội tụ cao, bảo đảm mô hình đo lường phản ánh chuẩn xác các khái niệm nghiên cứu.
“Thực hiện phân tích nhân tố khám phá là một tiến trình tương tác liên tục giữa lý thuyết và dữ liệu thực nghiệm, trong đó việc thanh lọc các biến quan sát vi phạm tiêu chuẩn tải trọng là điều kiện tiên quyết để đạt được một cấu trúc nhân tố đơn giản, rõ ràng và có ý nghĩa diễn giải.” — Joseph F. Hair et al. (2010, 2014)
Các điều kiện tiên quyết trước khi áp dụng quy tắc loại biến xấu trong EFA
Trước khi xem xét loại bỏ từng biến cụ thể, toàn bộ tập dữ liệu cần phải thỏa mãn 4 tiêu chuẩn kiểm định tổng thể sau:
- Hệ số KMO (Kaiser-Meyer-Olkin): Đo lường sự thích hợp của mẫu nghiên cứu, yêu cầu giá trị $0.5 \le KMO \le 1.0$. Nếu $KMO < 0.5$, dữ liệu không phù hợp để phân tích nhân tố.
- Kiểm định Bartlett (Bartlett’s Test of Sphericity): Kiểm tra giả thuyết ma trận tương quan là ma trận đơn vị, yêu cầu mức ý nghĩa $p$-value $< 0.05$ để khẳng định các biến quan sát có tương quan với nhau.
- Tổng phương sai trích (Total Variance Explained): Yêu cầu $\ge 50\%$, chứng minh rằng các nhân tố được trích giải thích được hơn một nửa sự biến thiên của tập dữ liệu gốc.
- Giá trị đặc trưng (Eigenvalue): Đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố, chỉ giữ lại các nhân tố có Eigenvalue $\ge 1.0$ (Tiêu chuẩn xác định của Kaiser).
4 quy tắc loại biến xấu trong EFA chuẩn mực theo trường phái Hair et al.
Dưới đây là 4 quy chuẩn định lượng cụ thể để nhận diện một biến quan sát vi phạm:
Quy tắc 1: Loại biến có hệ số tải nhân tố (Factor Loading) quá thấp
Hệ số tải nhân tố phản ánh tương quan giữa biến quan sát với nhân tố trích xuất. Theo quy chuẩn của Hair et al. (2014, 2019), đối với cỡ mẫu thực tế từ 200 quan sát trở lên, hệ số tải tối thiểu phải đạt từ $0.50$ trở lên để bảo đảm ý nghĩa thực tiễn. Những biến có hệ số tải $< 0.50$ (hoặc $< 0.40$ trong các mẫu lớn) bị xem là biến yếu và cần được loại bỏ.
Quy tắc 2: Loại biến có hiện tượng tải chéo (Cross-Loading) vi phạm tính phân biệt
Một biến quan sát được gọi là tải chéo khi nó đồng thời tải lên từ hai nhân tố trở lên với hệ số tải đều lớn (ví dụ: tải lên Nhân tố 1 với hệ số 0.65 và tải lên Nhân tố 2 với hệ số 0.55). Tiêu chuẩn chuẩn mực yêu cầu mức chênh lệch giữa hệ số tải lớn và hệ số tải phụ phải $\ge 0.30$. Nếu mức chênh lệch $< 0.30$, biến số này không thể hiện tính phân biệt và phải bị loại bỏ.
Quy tắc 3: Loại biến đứng đơn lẻ không tạo thành nhóm nhân tố
Một nhân tố vững chắc về mặt cấu trúc lý thuyết cần tối thiểu từ 3 biến quan sát trở lên. Nếu sau khi xoay ma trận, một nhân tố chỉ chứa đúng 1 biến quan sát (Single-item factor) hoặc 2 biến quan sát nhưng có hệ số tương quan rất thấp, biến này cần được xem xét loại bỏ vì không đại diện cho một khái niệm đa chiều.
Quy tắc 4: Loại biến làm sai lệch cấu trúc lý thuyết ban đầu
Một biến quan sát thuộc thang đo của khái niệm $A$ nhưng khi xoay lại tải hoàn toàn sang khái niệm $B$ mà không có bất kỳ cơ sở lý luận học thuật nào giải thích được. Trường hợp này cũng cần được loại bỏ để duy trì tính toàn vẹn của thang đo lý thuyết.
Bảng tiêu chuẩn hệ số tải nhân tố tối thiểu theo quy mô mẫu (Hair et al.)
Bảng hướng dẫn dưới đây chỉ ra mức hệ số tải nhân tố tối thiểu bắt buộc tương ứng với từng quy mô mẫu khảo sát để bảo đảm ý nghĩa thống kê ở mức $\alpha = 0.05$ và độ mạnh kiểm định $80\%$:
| Quy mô mẫu khảo sát ($N$) | Hệ số tải nhân tố tối thiểu cần đạt (Factor Loading) | Mức độ đánh giá ý nghĩa |
|---|---|---|
| $N \ge 50$ | Hệ số tải $\ge 0.75$ | Yêu cầu rất cao do cỡ mẫu nhỏ |
| $N \ge 70$ | Hệ số tải $\ge 0.70$ | Mức chấp nhận cho mẫu hạn chế |
| $N \ge 100$ | Hệ số tải $\ge 0.55$ | Mức độ có ý nghĩa thống kê tốt |
| $N \ge 150$ | Hệ số tải $\ge 0.50$ | Tiêu chuẩn phổ biến trong nghiên cứu kinh tế |
| $N \ge 200$ | Hệ số tải $\ge 0.45$ | Mức chuẩn cho các luận văn thạc sĩ |
| $N \ge 350$ | Hệ số tải $\ge 0.35$ | Chấp nhận được đối với mẫu quy mô lớn |
Quy trình từng bước thực hiện loại biến xấu trong SPSS để tránh sai sót
Để thực hiện đúng quy tắc loại biến xấu trong EFA, người phân tích cần tuân thủ nguyên tắc thực thi tuần tự:
- Nguyên tắc loại tuần tự từng biến một: Tuyệt đối không xóa nhiều biến cùng một lúc trong một lần chạy. Mỗi lần chỉ loại bỏ 01 biến vi phạm nghiêm trọng hàng đầu (có hệ số tải ở mức tối thiểu hoặc chênh lệch tải chéo cực tiểu), sau đó tiến hành chạy lại EFA từ đầu.
- Kiểm tra lại ma trận xoay mới: Sau khi loại một biến, toàn bộ ma trận tương quan sẽ được tái cấu trúc, các hệ số tải của các biến còn lại có thể thay đổi tích cực và không còn vi phạm nữa.
- Đánh giá sự thay đổi của KMO và Tổng phương sai trích: Bảo đảm rằng sau mỗi lần loại biến, hệ số KMO và tổng phương sai trích không bị suy giảm nghiêm trọng.
- Đối chiếu độ tin cậy Cronbach’s Alpha: Kiểm tra lại hệ số Alpha của nhóm nhân tố sau khi đã thanh lọc biến trên EFA để bảo đảm sự đồng bộ xuyên suốt.
Các câu hỏi thường gặp về quy tắc loại biến xấu trong EFA (FAQ)
Khi một biến tải lên hai nhân tố với hệ số 0.65 và 0.45 thì có bị coi là biến xấu không?
Có. Mức chênh lệch hệ số tải giữa hai nhân tố là $|0.65 – 0.45| = 0.20 < 0.30$. Do vi phạm tiêu chuẩn chênh lệch tối thiểu 0.30 về tính phân biệt, biến này bị xem là biến xấu và cần được loại bỏ.
Nếu sau khi loại biến, nhân tố chỉ còn lại 2 biến quan sát thì xử lý thế nào?
Nếu 2 biến quan sát này có hệ số tương quan nội tại cao ($r > 0.50$), hệ số Cronbach’s Alpha $\ge 0.70$ và có cơ sở lý thuyết vững chắc, nhân tố 2 biến vẫn có thể được tạm chấp nhận. Tuy nhiên, theo khuyến nghị học thuật, tốt hơn là nên có tối thiểu 3 biến quan sát cho mỗi nhân tố.
Tại sao bắt buộc phải chạy lại EFA sau mỗi lần loại một biến?
Vì thuật toán phân tích nhân tố tính toán dựa trên toàn bộ ma trận hiệp phương sai chung. Khi bớt đi một biến, cấu trúc phương sai trích xuất của tất cả các biến còn lại đều bị tái phân bổ, do đó việc chạy lại là bắt buộc để có kết quả chính xác.
Kết luận và cẩm nang xử lý dữ liệu
Tóm lại, việc áp dụng chuẩn mực các quy tắc loại biến xấu trong EFA là kỹ năng nghiệp vụ then chốt đối với mọi nhà nghiên cứu định lượng. Xử lý dữ liệu một cách cẩn trọng, logic và minh bạch sẽ bảo đảm giá trị khoa học cao cho các bài báo và công trình nghiên cứu chuyên sâu.
Nếu bạn đang cần tư vấn xử lý số liệu, phân tích mô hình định lượng hoặc hỗ trợ đề tài nghiên cứu khoa học chuẩn học thuật, hãy tham khảo các bài viết chuyên sâu và dịch vụ học thuật tại NCS Nguyễn Thanh Phương.
Giảng viên Nguyễn Thanh Phương là chuyên gia chuyên sâu về Nghiên cứu khoa học, Ứng dụng AI, Digital Marketing và Quản trị bản thân. Với kinh nghiệm giảng dạy thực chiến, tác giả trực tiếp hướng dẫn ứng dụng phương pháp luận và phân tích dữ liệu chuyên sâu cho người học nên được sinh viên gọi là Thầy giáo quốc dân. Mọi nội dung chia sẻ đều tuân thủ nguyên tắc khách quan, thực chứng và mang giá trị ứng dụng cao, hướng tới mục tiêu cốt lõi: “Làm bạn tốt hơn!
