Mô Hình EFA Trong SPSS Là Gì? Cách Đọc Kết Quả EFA Trong SPSS

    0
    22

    Bạn đang gặp khó khăn trong việc chạy và đọc kết quả của mô hình EFA trong SPSS? Bài viết này sẽ là sự lựa chọn hoàn hảo để bạn tự giải bài toán khó nhằn đó cho mình, Top10truonghoc sẽ cung cấp cho bạn những kiến thức cơ bản nhất liên quan đến mô hình EFA và cách đọc kết quả chính xác nhất. 

    1. Mô hình Efa trong spss 

    1.1. EFA trong SPSS là gì? 

    Trước hết, chúng tôi sẽ trả lời cho bạn đọc câu hỏi EFA trong SPSS là gì?

    • Mô hình EFA là viết tắt của cụm Exploratory Factor Analysis và là một trong 2 nhân tố phân tích phổ biến được sử dụng trong SPSS. 
    • Theo Hair (2009), EFA là một phương pháp dùng để phân tích định lượng rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau tạo thành một tập biến ít hơn để chúng có ý nghĩa nhưng vẫn đảm bảo giữ lại gần như toàn bộ nội dung thông tin của tập biến ban đầu.

    1.2. 5 lý do nên lựa chọn mô hình EFA thay vì CFA trong phân tích nhân tố?

    1. Khi được áp dụng cho một vấn đề nghiên cứu, phương pháp này có thể được sử dụng để xác nhận các lý thuyết đã được thiết lập trước hoặc xác định các mẫu dữ liệu và các mối quan hệ.
    2. Chúng có tính xác nhận khi kiểm tra các giả thuyết của các lý thuyết và khái niệm hiện có và khám phá khi chúng tìm kiếm các mẫu tiềm ẩn trong dữ liệu trong trường hợp không có hoặc chỉ có ít kiến ​​thức về cách các biến có liên quan.
    3. Khi phân tích nhân tố khám phá được áp dụng cho một tập dữ liệu, phương pháp này sẽ tìm kiếm các mối quan hệ (các biến có mức độ tương quan cao được nhóm lại với nhau) giữa các biến trong nỗ lực giảm một số lượng lớn các biến thành một tập hợp nhỏ hơn các nhân tố tổng hợp (nghĩa là, sự kết hợp của biến).
    4. Tập hợp các yếu tố tổng hợp cuối cùng là kết quả của việc khám phá các mối quan hệ trong dữ liệu và báo cáo các mối quan hệ được tìm thấy (nếu có).
    5. Mô hình EFA là một kỹ thuật khám phá được sử dụng trong nghiên cứu để nhóm một số lượng lớn các biến (biến quan sát) thành các yếu tố đại diện nhỏ hơn (yếu tố tiềm ẩn) trong khi CFA được sử dụng để kiểm tra một tập hợp các mối quan hệ cụ thể dựa trên một số lý thuyết và để đảm bảo dữ liệu phù hợp với mô hình được đề xuất một cách đầy đủ.

    Vậy làm sao để bạn có thể chạy được mô hình EFA? Tham khảo chi tiết hơn về cách chạy efa trong spss từ một đơn vị uy tín là Luận văn 24 để có thể nắm bắt được chính xác từng bước chạy và hướng dẫn minh họa cụ thể. Bạn sẽ dễ dàng tự mình thực hiện được một mô hình EFA hoàn chỉnh.

    1.3. Ứng dụng 

    Mô hình EFA thường được sử dụng nhiều và rộng rãi trong các lĩnh vực khác nhau của đời sống thực. 5 ứng dụng mà mô hình EFA hỗ trợ hiệu quả trong các hoạt động hằng ngày bao gồm:

    5 ứng dụng của mô hình efa trong thực tế
    5 ứng dụng của mô hình efa trong thực tế

    a) Hoạt động tiếp thị 

    • Để thúc đẩy các chiến dịch tiếp thị và đẩy nhanh thành công, về lâu dài, các công ty sử dụng các kỹ thuật Phân tích nhân tố giúp tìm ra mối tương quan giữa các biến số hoặc yếu tố khác nhau của chiến dịch tiếp thị. 
    • Hơn nữa, mô hình EFA cũng giúp thiết lập các kết nối với sự hài lòng của khách hàng và phản hồi hậu quả sau một chiến dịch tiếp thị để kiểm tra tính hiệu quả và tác động của nó đối với đối tượng.

    b) Khai thác dữ liệu

    • Mô hình EFA có thể đóng một vai trò quan trọng như trí tuệ nhân tạo. Nhờ khả năng biến đổi một tập dữ liệu phức tạp và rộng lớn thành một nhóm các biến được lọc ra có liên quan với nhau theo cách này hay cách khác, mô hình EFA giảm bớt quá trình khai thác dữ liệu
    • Đối với các nhà khoa học dữ liệu, việc tìm kiếm các mối quan hệ và thiết lập mối tương quan giữa các biến số khác nhau luôn đầy rẫy những trở ngại và sai sót. Tuy nhiên, với sự trợ giúp của phương pháp thống kê này, việc khai thác dữ liệu đã trở nên tiên tiến hơn nhiều. 

    c) Quá trình học máy

    • Vì mô hình EFA giúp giảm số lượng biến trong một tập dữ liệu nhất định để có được một tập hợp các yếu tố quan sát được nâng cao và chính xác hơn, các thuật toán học máy khác nhau được đưa vào sử dụng để hoạt động tương ứng. 
    • Chúng được đào tạo bài bản với dữ liệu khổng lồ để hoạt động đúng cách để nhường chỗ cho các ứng dụng khác. Một thuật toán học máy không được giám sát, mô hình EFA chủ yếu được sử dụng để giảm kích thước trong học máy. 

    d) Khoa học dinh dưỡng

    • Khoa học dinh dưỡng là một lĩnh vực công việc nổi bật trong bối cảnh hiện đại. Bằng cách tập trung vào thực hành ăn kiêng của một nhóm dân số nhất định, mô hình EFA giúp thiết lập mối quan hệ giữa việc tiêu thụ các chất dinh dưỡng trong chế độ ăn uống của một người trưởng thành và sức khỏe dinh dưỡng của người đó. 
    • Hơn nữa, mô hình EFA có thể giúp các chuyên gia dinh dưỡng tính toán lượng chất dinh dưỡng thích hợp mà một người nên ăn trong một khoảng thời gian nhất định. 
    • Hoạt động kinh doanh: thế giới kinh doanh có thể sử dụng nó để loại bỏ phỏng đoán và đưa ra các quyết định chính xác và đơn giản hơn trong các khía cạnh khác nhau như lập ngân sách, tiếp thị, sản xuất và vận tải. 

    Bạn vẫn còn đang lăn tăn suy nghĩ về số liệu quá khó, đã thực hiện nhiều lần nhưng vẫn không đạt được kết quả như ý khi chạy SPSS. Chúng tôi sẽ giới thiệu cho bạn dịch vụ SPSS của Luận văn 24 – một đơn vị uy tín trên thị trường hỗ trợ bạn một cách tối đa đáp ứng các yêu cầu về mặt chất lượng, nội dung và thời gian. Hãy tham khảo ngay!

    2. Cách đọc kết quả efa trong spss

    Để đọc được kết quả efa trong spss thì bạn cần nắm bắt được chính xác các số liệu và bảng sau khi chạy xong mô hình EFA. Dưới đây là 5 bảng chính mà bạn cần quan tâm và ý nghĩa của các số liệu trong nó:

    Cách đọc kết quả efa trong SPSS thông qua bảng kết quả
    Cách đọc kết quả efa trong SPSS thông qua bảng kết quả

    2.1. KMO and Bartlett’s Test:

    • Nếu Kaiser-Meyer-Olkin đo lường mức độ thích hợp của việc lấy mẫu bằng hoặc lớn hơn 0,60 thì chúng ta nên tiến hành mô hình EFA; mẫu được sử dụng là thích hợp. Nếu kiểm định độ cầu của Bartlett là có ý nghĩa (p <0,05), chúng ta nên tiến hành mô hình EFA.

    2.2. Bảng Total Variance Explained:

    • Chúng ta chỉ nên xem xét các thành phần có Total lớn hơn 1 trong phần Initial Eigenvalues để đưa ra kết luận.
    • Ví dụ một bảng kết quả:
    Bảng Total Variance Explained
    Bảng Total Variance Explained

    Bảng trên có hai thành phần có Tổng giá trị ban đầu lớn hơn 1. Hai thành phần đó cho ra kết quả 63,41% phương sai. Do đó, sẽ kết luận rằng có hai yếu tố. 

    2.3. Report Scree Plot:

    • Bảng sẽ cho thấy số kết quả yếu tố mà bạn cần quan tâm tương tự như bảng Total Variance Explained nhưng sẽ được trình bày theo một cách khác.
    • Ví dụ một bảng kết quả:
    Report Scree Plot
    Report Scree Plot

    Bảng trên cho thấy rõ đang có 2 yếu tố trong bài.

    2.4. Bảng Pattern Matrix:

    • Bảng sẽ đưa ra các thông số cụ thể cho từng biến được phân rõ trong các thành phần cụ thể.
    • Ví dụ một bảng kết quả:
    Bảng Pattern Matrix
    Bảng Pattern Matrix

    Trong thành phần 1, các kết quả là của tất cả những cảm xúc tiêu cực. Thành phần 2 là kết quả của những cảm xúc tích cực.

    Bài viết đã chia sẻ cho bạn đọc khái niệm, ứng dụng của mô hình EFA và cách đọc kết quả từng bảng cụ thể sau khi chạy mô hình. Hy vọng với những kiến thức trên bạn đã có thể hiểu hơn về mô hình EFA và có thể dễ dàng đọc và hiểu đúng các kết quả cho ra.

    >>Xem thêm: Chỉ số IQ là gì ? Chỉ số IQ và EQ khác nhau ở điểm nào?