Ma trận xoay không hội tụ trong phân tích EFA

Ma trận xoay không hội tụ là lỗi thống kê thường gặp trong phân tích nhân tố khám phá EFA khi thuật toán lặp trên các phần mềm như SPSS, Stata hoặc R không thể tìm ra giải pháp xoay tối ưu trong giới hạn số vòng lặp tối đa do dữ liệu bị đa cộng tuyến nghiêm trọng hoặc cấu trúc tương quan không tương thích. Tình trạng này khiến ma trận xoay hiển thị dưới dạng các ô trống hoặc đưa ra cảnh báo lỗi (Warning: Rotation failed to converge in X iterations), gây cản trở lớn cho quá trình đánh giá thang đo và kiểm định mô hình nghiên cứu.

Bản chất toán học của quá trình xoay nhân tố và hiện tượng không hội tụ

Trong phân tích nhân tố khám phá (EFA), mục đích của phép xoay nhân tố (Factor Rotation) là đạt được “cấu trúc đơn giản” (Simple Structure) theo nguyên lý Thurstone, trong đó mỗi biến quan sát chỉ tải mạnh lên một nhân tố và tải yếu lên các nhân tố còn lại. Thuật toán xoay (như Varimax, Quartimax, Promax hay Direct Oblimin) sử dụng phương pháp lặp xấp xỉ liên tiếp để tối đa hóa hàm phương sai của các hệ số tải.

Hiện tượng ma trận xoay không hội tụ xảy ra khi qua nhiều vòng lặp liên tiếp, độ chênh lệch giữa hai ma trận xoay kề nhau không thể thu hẹp về mức sai số cho phép ($10^{-5}$), dẫn đến việc thuật toán rơi vào vòng lặp vô hạn hoặc dừng đột ngột khi chạm trần số vòng lặp mặc định.

“Hiện tượng không hội tụ trong quá trình xoay nhân tố là một chỉ báo rõ ràng cho thấy tập dữ liệu thực nghiệm đang gặp xung đột cấu trúc nội tại, vi phạm giả định thống kê hoặc do việc thiết lập số lượng nhân tố trích xuất không tương thích với ma trận hiệp phương sai gốc.” — Richard L. Gorsuch (1983)

5 nguyên nhân chính dẫn đến hiện tượng ma trận xoay không hội tụ

Dưới đây là 5 nguyên nhân phổ biến được đúc kết từ thực tiễn phân tích số liệu định lượng:

1. Hiện tượng đa cộng tuyến nghiêm trọng (Multicollinearity)

Khi hai hoặc nhiều biến quan sát trong cùng một thang đo có hệ số tương quan tuyến tính quá cao ($r > 0.85$ hoặc $0.90$), ma trận tương quan trở nên gần như suy biến (Singular Matrix), khiến định thức ma trận tiến về 0 và thuật toán đảo ma trận bị lỗi.

2. Kích thước mẫu quá nhỏ so với số lượng biến (Sample Size Deficiency)

Quy mô mẫu không đáp ứng tỷ lệ tối thiểu $5:1$ (5 quan sát cho 1 biến) hoặc $10:1$ theo tiêu chuẩn của Hair et al., dẫn đến phương sai sai số quá lớn làm mất tính ổn định của các ước lượng.

3. Thiết lập số lượng nhân tố trích xuất không phù hợp

Việc trích xuất quá nhiều nhân tố (Over-factoring) hoặc quá ít nhân tố (Under-factoring) so với cấu trúc thực của dữ liệu khiến thuật toán không thể phân bổ các biến quan sát vào các trục tọa độ một cách hài hòa.

4. Tồn tại các biến quan sát “rác” không có tương quan

Một số biến quan sát có hệ số tương quan rất yếu ($r < 0.20$) với toàn bộ các biến còn lại trong tập dữ liệu, tạo ra các vector độc lập không thể gộp vào bất kỳ mặt phẳng xoay nào.

5. Lựa chọn phương pháp xoay không tương thích với bản chất dữ liệu

Áp dụng phép xoay trực vuông (Varimax) – vốn giả định các nhân tố hoàn toàn độc lập với nhau – cho dữ liệu khoa học xã hội và hành vi, nơi mà các khái niệm tâm lý luôn có mối tương quan tự nhiên đan xen.

Bảng tổng hợp nguyên nhân và giải pháp xử lý ma trận xoay không hội tụ

Bảng đối chiếu dưới đây cung cấp hướng dẫn xử lý nhanh tương ứng với từng nguyên nhân gây lỗi:

Nguyên nhân gây lỗi	Dấu hiệu nhận biết trên kết quả EFA	Giải pháp kỹ thuật trên phần mềm
Đa cộng tuyến cao	Tương quan cặp biến $r > 0.85$; định thức ma trận $< 0.00001$.	Kiểm tra bảng Correlation Matrix và loại bỏ 1 trong 2 biến bị trùng lặp nội dung.
Quy mô mẫu hạn chế	Cỡ mẫu $< 100$ hoặc tỷ lệ quan sát/biến $< 5:1$.	Thu thập bổ sung mẫu khảo sát hoặc tinh gọn số lượng biến nghiên cứu.
Trích xuất quá nhiều nhân tố	Nhiều nhân tố chỉ có 1 biến hoặc Eigenvalue xấp xỉ 1.0.	Cố định số lượng nhân tố trích xuất dựa vào khung lý thuyết (Fixed number of factors).
Biến rác không tương quan	Hệ số tương quan biến – tổng $< 0.30$; hệ số KMO riêng phần thấp.	Loại bỏ biến yếu từ bước kiểm định độ tin cậy Cronbach’s Alpha trước khi chạy EFA.
Chọn sai phương pháp xoay	Các nhân tố có tương quan thực tế nhưng ép xoay vuông góc.	Chuyển từ phép xoay Varimax sang phép xoay xiên Promax hoặc Direct Oblimin.

5 bước khắc phục triệt để lỗi ma trận xoay không hội tụ trên SPSS

Khi gặp phải tình trạng ma trận xoay không hội tụ, tác giả tiến hành xử lý theo trình tự 5 bước kỹ thuật sau:

1. Bước 1: Tăng số vòng lặp tối đa (Maximum Iterations for Convergence):
   Trong cửa sổ Factor Analysis $\rightarrow$ Chọn mục Rotation $\rightarrow$ Thay đổi giá trị Maximum Iterations for Convergence từ mặc định 25 lên 50, 100 hoặc 200. Trong nhiều trường hợp dữ liệu phức tạp, thuật toán chỉ cần thêm khoảng 35 – 45 vòng lặp là sẽ đạt điểm hội tụ thành công.
2. Bước 2: Chuyển đổi phương pháp xoay sang Promax hoặc Direct Oblimin:
   Nếu tăng vòng lặp vẫn không hội tụ, hãy thay đổi phương pháp xoay từ Varimax sang Promax (với hệ số Kappa = 4). Phép xoay xiên cho phép các trục nhân tố linh hoạt hơn, giúp thuật toán hội tụ nhanh chóng hơn.
3. Bước 3: Thay đổi phương pháp trích xuất nhân tố (Extraction Method):
   Chuyển từ phương pháp Principal Components (PCA) sang phương pháp Trục chính (Principal Axis Factoring – PAF). PAF chỉ phân tích phương sai chung (Common Variance) thay vì toàn bộ phương sai, giúp loại bỏ ảnh hưởng của phương sai riêng biệt và sai số đo lường.
4. Bước 4: Kiểm tra ma trận tương quan và loại biến đa cộng tuyến:
   Rà soát bảng Correlation Matrix, nếu phát hiện cặp biến nào có hệ số tương quan $r > 0.85$, hãy xem xét loại bỏ một biến có nội dung trùng lặp hơn.
5. Bước 5: Cố định số lượng nhân tố theo khung lý thuyết:
   Thay vì để SPSS tự động trích theo tiêu chuẩn Eigenvalue lớn hơn 1, hãy chọn tùy chọn Fixed number of factors và nhập đúng số lượng nhân tố theo giả thuyết nghiên cứu ban đầu.

Kinh nghiệm phòng tránh lỗi không hội tụ ngay từ khâu thiết kế nghiên cứu

Để ngăn ngừa triệt để lỗi ma trận xoay không hội tụ, các nhà nghiên cứu cần chú trọng chuẩn hóa quy trình ngay từ giai đoạn chuẩn bị:

• Bảo đảm kích thước mẫu khảo sát tối thiểu đạt từ 200 đến 300 quan sát đối với các mô hình có từ 20 đến 30 biến.
• Thực hiện nghiên cứu sơ bộ (Pilot study) trên cỡ mẫu nhỏ (30 – 50 mẫu) để kiểm tra độ rõ ràng của câu hỏi và sàng lọc các biến có tương quan dị biệt.
• Kiểm định độ tin cậy Cronbach’s Alpha chặt chẽ trước khi đưa tập biến vào phân tích EFA, kiên quyết loại bỏ các biến có tương quan biến – tổng $< 0.30$.

Các câu hỏi thường gặp về ma trận xoay không hội tụ (FAQ)

Việc tăng số vòng lặp lên 100 trong SPSS có làm sai lệch dữ liệu không?

Hoàn toàn không. Việc tăng số vòng lặp chỉ đơn thuần là cho phép máy tính có thêm thời gian tính toán các phép lặp để tìm ra giải pháp tối ưu, không làm thay đổi bản chất hay giá trị thực của dữ liệu.

Khi nào nên chuyển từ xoay Varimax sang xoay Promax?

Trong các nghiên cứu kinh tế, xã hội và hành vi, các nhân tố tâm lý hầu như luôn có mối liên hệ mật thiết với nhau. Do đó, phép xoay xiên Promax phản ánh đúng thực tế tự nhiên hơn và được khuyến khích sử dụng rộng rãi.

Nếu đã thử tất cả các giải pháp mà ma trận vẫn không hội tụ thì làm sao?

Nếu tất cả các bước kỹ thuật đều không giải quyết được, điều đó chứng minh dữ liệu khảo sát có chất lượng rất kém (nhiều người trả lời thiếu trung thực hoặc chọn một đáp án xuyên suốt). Khi đó, tác giả bắt buộc phải làm sạch lại toàn bộ dữ liệu mẫu, loại bỏ các phiếu khảo sát không hợp lệ hoặc tiến hành thu thập bổ sung mẫu mới.

Kết luận và khuyến nghị phương pháp

Tóm lại, hiện tượng ma trận xoay không hội tụ là một thách thức kỹ thuật phổ biến nhưng hoàn toàn có thể khắc phục được bằng các giải pháp thống kê có hệ thống. Nắm vững bản chất thuật toán và quy trình xử lý lỗi sẽ giúp các nhà nghiên cứu tự tin làm chủ công cụ phân tích dữ liệu, nâng cao độ tin cậy cho công trình khoa học.

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 Giảng viên Nguyễn Thanh Phương.