Phân tích nhân tố khám phá EFA trong SPSS: 7 bước chạy và đọc kết quả chuẩn

Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là bước không thể thiếu khi bạn dùng thang đo Likert trong luận văn, khóa luận hay bài nghiên cứu định lượng. EFA giúp kiểm tra xem các biến quan sát có thật sự nhóm lại thành những nhân tố như mô hình lý thuyết đề xuất hay không. Bài viết này hướng dẫn bạn chạy phân tích nhân tố khám phá EFA trong SPSS qua 7 bước, đọc từng bảng kết quả và xử lý những tình huống hay gặp - một cách chính xác và minh bạch.

Nếu bạn chưa đánh giá độ tin cậy thang đo, hãy đọc trước bài Phân tích độ tin cậy Cronbach's Alpha trong SPSS, vì Cronbach's Alpha thường được thực hiện trước EFA.

1. Phân tích nhân tố khám phá EFA là gì?

Phân tích nhân tố khám phá EFA là một kỹ thuật thống kê đa biến dùng để rút gọn một tập nhiều biến quan sát thành một số ít nhân tố (biến tiềm ẩn) có ý nghĩa hơn. Mỗi nhân tố đại diện cho một khái niệm mà ta không đo trực tiếp được, ví dụ "sự hài lòng", "động lực làm việc" hay "chất lượng dịch vụ".

Ý tưởng cốt lõi: nếu nhiều câu hỏi cùng đo một khái niệm, câu trả lời của người tham gia cho các câu đó sẽ tương quan chặt với nhau. EFA tìm ra cấu trúc tương quan này và cho biết mỗi biến quan sát "thuộc về" nhân tố nào thông qua hệ số tải nhân tố (factor loading).

Khi nào cần dùng EFA?

• Bạn dùng thang đo kế thừa từ nghiên cứu nước ngoài và cần kiểm tra lại cấu trúc trong bối cảnh Việt Nam.
• Bạn tự xây dựng hoặc điều chỉnh thang đo và chưa chắc các biến sẽ nhóm như thế nào.
• Bạn cần đánh giá giá trị hội tụ và giá trị phân biệt sơ bộ trước khi chạy CFA, SEM hoặc hồi quy.
• Bạn muốn rút gọn dữ liệu để dùng điểm nhân tố trong các phân tích tiếp theo.

EFA khác gì CFA?

EFA mang tính khám phá: dữ liệu "tự nói" có bao nhiêu nhân tố và biến nào thuộc nhân tố nào. CFA (Confirmatory Factor Analysis) mang tính khẳng định: bạn chỉ định trước cấu trúc rồi kiểm tra mức độ phù hợp với dữ liệu, thường chạy trên AMOS hoặc SmartPLS. Trong nhiều luận văn thạc sĩ, quy trình phổ biến là Cronbach's Alpha → EFA → CFA → SEM.

2. Điều kiện dữ liệu trước khi chạy EFA

Trước khi thực hiện phân tích nhân tố khám phá EFA, hãy kiểm tra ba điều kiện quan trọng dưới đây. Nếu bỏ qua, kết quả có thể thiếu ổn định và khó bảo vệ trước hội đồng.

Cỡ mẫu tối thiểu

Theo Hair và cộng sự (2019), cỡ mẫu tối thiểu cho EFA là 50, tốt hơn là từ 100 trở lên, và tỷ lệ quan sát trên mỗi biến đo lường nên đạt ít nhất 5:1 (lý tưởng 10:1). Ví dụ, thang đo có 25 biến quan sát cần tối thiểu 125 phiếu hợp lệ. Lưu ý: cỡ mẫu phải được tính trước khi thu thập dữ liệu, không phải sau khi thấy kết quả.

Thang đo phù hợp

EFA phù hợp với biến định lượng hoặc thang đo Likert từ 5 mức trở lên. Nếu chưa rõ thang đo của mình thuộc loại nào, xem bài Thang đo thống kê: phân loại trong 3 giây.

Dữ liệu đã được làm sạch

Kiểm tra giá trị thiếu, giá trị ngoài khoảng (ví dụ nhập 6 trong thang 5 mức), phiếu trả lời một kiểu cho tất cả câu hỏi. Quy tắc loại phiếu nên được viết ra trước và ghi lại số phiếu bị loại ở từng bước. Bạn có thể dùng thống kê mô tả trên SPSS (min, max, trung bình) để phát hiện lỗi nhập liệu nhanh.

3. Các tiêu chí đánh giá kết quả phân tích nhân tố khám phá EFA

Bảng dưới tổng hợp các tiêu chí thường dùng. Hãy ghi rõ tiêu chí và nguồn trích dẫn trong chương Phương pháp nghiên cứu của bạn.

Tiêu chí	Ngưỡng thường dùng	Nguồn tham khảo
Hệ số KMO	≥ 0,5 (chấp nhận được); ≥ 0,8 (tốt)	Kaiser (1974)
Kiểm định Bartlett	Sig. < 0,05	Hair và cộng sự (2019)
Eigenvalue	≥ 1 (kết hợp biểu đồ Scree)	Kaiser (1960); Hair và cộng sự (2019)
Tổng phương sai trích	≥ 50% (khoa học xã hội thường kỳ vọng khoảng 60%)	Hair và cộng sự (2019)
Hệ số tải nhân tố	≥ 0,5 là có ý nghĩa thực tiễn; ngưỡng cụ thể phụ thuộc cỡ mẫu	Hair và cộng sự (2019)
Hệ số Communality	Nên ≥ 0,5; biến thấp hơn cần xem xét	Hair và cộng sự (2019)

Ngưỡng hệ số tải nhân tố theo cỡ mẫu

Hair và cộng sự đề xuất ngưỡng hệ số tải có ý nghĩa thống kê (mức 0,05, power 80%) theo cỡ mẫu như sau: 0,30 với mẫu từ 350; 0,40 với mẫu 200; 0,50 với mẫu 120; 0,55 với mẫu 100; 0,60 với mẫu 85; 0,70 với mẫu 60. Vì vậy, nếu mẫu của bạn chỉ khoảng 100, dùng ngưỡng 0,3 là quá thấp.

4. Hướng dẫn 7 bước chạy phân tích nhân tố khám phá EFA trong SPSS

Ví dụ minh họa: nghiên cứu sự hài lòng của sinh viên với 5 nhân tố độc lập (Giảng viên GV, Cơ sở vật chất CS, Chương trình CT, Hỗ trợ HT, Học phí HP), tổng cộng 20 biến quan sát, cỡ mẫu 250. Bạn có thể tải bộ dữ liệu thực hành tại trang Data thực hành - Dữ liệu mẫu.

Bước 1: Mở hộp thoại Factor Analysis

Vào menu Analyze → Dimension Reduction → Factor…. Đưa toàn bộ biến quan sát của các nhân tố độc lập vào ô Variables. Biến phụ thuộc thường được chạy EFA riêng.

Bước 2: Chọn Descriptives

Nhấn Descriptives…, tích KMO and Bartlett's test of sphericity. Có thể tích thêm Anti-image để xem chỉ số MSA của từng biến. Nhấn Continue.

Bước 3: Chọn phương pháp trích (Extraction)

Nhấn Extraction…. Hai lựa chọn phổ biến:

• Principal components (thành phần chính) - mục tiêu rút gọn dữ liệu, rất phổ biến trong luận văn tại Việt Nam.
• Principal axis factoring (trục chính) - phản ánh cấu trúc biến tiềm ẩn tốt hơn, nên dùng khi định chạy CFA/SEM sau đó (Gerbing & Anderson, 1988).

Giữ Based on Eigenvalue: Eigenvalues greater than 1 và tích Scree plot. Nhấn Continue.

Bước 4: Chọn phép xoay (Rotation)

Nhấn Rotation…. Chọn Varimax (xoay vuông góc) khi đi cùng Principal components, hoặc Promax (xoay không vuông góc) khi đi cùng Principal axis factoring - vì trong thực tế các nhân tố hành vi thường có tương quan với nhau. Nhấn Continue.

Bước 5: Thiết lập Options

Nhấn Options…, tích Sorted by size để sắp xếp hệ số tải, và Suppress small coefficients với giá trị phù hợp cỡ mẫu (ví dụ 0,5 với mẫu 120-250). Việc ẩn hệ số nhỏ chỉ giúp bảng dễ đọc, không làm thay đổi kết quả. Nhấn Continue rồi OK.

Bước 6: Đọc kết quả KMO, Bartlett và phương sai trích

Trong bảng KMO and Bartlett's Test: nếu KMO = 0,862 và Sig. Bartlett = 0,000 thì dữ liệu phù hợp để phân tích nhân tố, vì các biến có tương quan đủ mạnh với nhau.

Trong bảng Total Variance Explained: xem cột Initial Eigenvalues để biết có bao nhiêu nhân tố có Eigenvalue ≥ 1, và cột Cumulative % để biết tổng phương sai trích. Ví dụ: 5 nhân tố được trích, tổng phương sai trích 68,4%, nghĩa là 5 nhân tố này giải thích 68,4% biến thiên của 20 biến quan sát.

Bước 7: Đọc ma trận xoay

Với Varimax, đọc bảng Rotated Component Matrix; với Promax, đọc bảng Pattern Matrix. Kiểm tra:

1. Mỗi biến quan sát tải mạnh (≥ ngưỡng đã chọn) lên đúng một nhân tố.
2. Các biến của cùng một khái niệm lý thuyết hội tụ về cùng một cột (giá trị hội tụ).
3. Biến không tải chéo đáng kể lên nhân tố khác (giá trị phân biệt).

5. Xử lý biến không đạt trong EFA một cách minh bạch

Đây là phần nhiều người làm sai nhất. Loại biến không phải là thử xóa đến khi ra kết quả "đẹp", mà là áp dụng nhất quán tiêu chí đã nêu trong chương phương pháp.

Biến có hệ số tải thấp

Nếu một biến có hệ số tải dưới ngưỡng ở mọi nhân tố, hãy xem xét loại biến đó. Mỗi lần chỉ loại một biến (biến kém nhất), chạy lại EFA, rồi đánh giá lại. Loại nhiều biến cùng lúc có thể làm mất những biến đáng giữ.

Biến tải chéo

Một biến tải đồng thời lên hai nhân tố với hệ số gần nhau cho thấy câu hỏi đó chưa phân biệt rõ hai khái niệm. Trước khi loại, hãy đọc lại nội dung câu hỏi: có thể nó được dịch chưa chuẩn hoặc diễn đạt mơ hồ. Nhiều tài liệu đề nghị chênh lệch hệ số tải giữa hai nhân tố nên từ 0,2-0,3 trở lên; nếu áp dụng tiêu chí này, hãy trích dẫn nguồn.

Nhân tố bị gộp hoặc tách khác lý thuyết

Nếu hai khái niệm gộp thành một nhân tố, đừng cố "ép" bằng cách chỉ định số nhân tố cho đúng mô hình mà không giải thích. Hãy báo cáo trung thực, thảo luận nguyên nhân (đặc điểm mẫu, bối cảnh văn hóa, nội dung câu hỏi) và điều chỉnh mô hình có cơ sở lý thuyết.

Chạy EFA riêng cho biến phụ thuộc

Với biến phụ thuộc (ví dụ Sự hài lòng gồm 3-4 biến quan sát), hãy thực hiện phân tích nhân tố khám phá EFA riêng. Kết quả kỳ vọng là chỉ một nhân tố được trích, KMO ≥ 0,5, Sig. Bartlett < 0,05 và các hệ số tải đạt ngưỡng. Vì chỉ có một nhân tố nên SPSS sẽ không xoay ma trận - đây là điều bình thường.

Ghi lại toàn bộ quá trình

Trong luận văn, hãy trình bày: lần chạy thứ mấy, biến nào bị loại, vì sao, và kết quả cuối cùng. Cách làm này giúp người đọc tái lập được phân tích và là yêu cầu cơ bản của liêm chính khoa học.

6. Trình bày kết quả phân tích nhân tố khám phá EFA trong luận văn

Một đoạn trình bày mẫu (số liệu minh họa):

Phân tích nhân tố khám phá EFA với phép trích Principal axis factoring và phép xoay Promax được thực hiện trên 20 biến quan sát của 5 nhân tố độc lập (n = 250). Hệ số KMO = 0,862 và kiểm định Bartlett có ý nghĩa thống kê (χ² = 2.914,6; df = 190; p < 0,001), cho thấy dữ liệu phù hợp để phân tích nhân tố. Năm nhân tố có Eigenvalue lớn hơn 1 được trích, giải thích 68,4% tổng phương sai. Biến CS4 bị loại do hệ số tải nhỏ hơn 0,5 ở tất cả các nhân tố. Sau khi loại, 19 biến còn lại đều có hệ số tải từ 0,58 đến 0,87 trên đúng nhân tố lý thuyết.

Bảng nên có: KMO và Bartlett, Eigenvalue và phương sai trích của từng nhân tố, ma trận xoay cuối cùng (hiển thị hệ số tải, làm tròn 2-3 chữ số thập phân), danh sách biến bị loại kèm lý do.

7. Những lỗi thường gặp khi chạy EFA

• Đưa cả biến phụ thuộc và biến độc lập vào một lần chạy mà không có cơ sở - dễ làm nhân tố bị gộp.
• Dùng ngưỡng hệ số tải 0,3 cho mẫu nhỏ - không phù hợp với khuyến nghị của Hair và cộng sự.
• Chỉ báo cáo lần chạy cuối, giấu các biến đã loại - thiếu minh bạch.
• Loại biến chỉ để tăng phương sai trích - làm mất giá trị nội dung của thang đo.
• Nhầm Rotated Component Matrix với Component Matrix (ma trận chưa xoay).
• Không chạy lại Cronbach's Alpha sau khi EFA loại biến.

Sau EFA, bước tiếp theo thường là phân tích tương quan và hồi quy tuyến tính bội trong SPSS, hoặc CFA/SEM trên AMOS/SmartPLS. Nếu cần thống nhất thuật ngữ khi viết, xem bài Một số thuật ngữ thống kê cần biết.

8. Câu hỏi thường gặp về phân tích nhân tố khám phá EFA

KMO nhỏ hơn 0,5 thì phải làm sao?

KMO thấp cho thấy các biến tương quan yếu với nhau. Kiểm tra bảng Anti-image để tìm biến có MSA thấp, xem lại dữ liệu nhập và nội dung câu hỏi. Không nên tự ý thêm hay sửa quan sát để tăng KMO.

Có bắt buộc chạy Cronbach's Alpha trước EFA không?

Không bắt buộc tuyệt đối, nhưng đây là trình tự phổ biến tại Việt Nam. Điều quan trọng là bạn trình bày nhất quán và chạy lại Cronbach's Alpha cho thang đo cuối cùng sau EFA.

Nên chọn Varimax hay Promax?

Varimax giả định các nhân tố không tương quan; Promax cho phép nhân tố tương quan. Với các khái niệm hành vi, thái độ, Promax thường phản ánh thực tế tốt hơn. Dù chọn cách nào, hãy giải thích lý do trong luận văn.

Tổng phương sai trích dưới 50% có được không?

Kết quả này cho thấy các nhân tố giải thích chưa nhiều biến thiên của dữ liệu. Bạn nên báo cáo trung thực và thảo luận hạn chế, thay vì loại biến hàng loạt chỉ để vượt ngưỡng.

EFA có chạy được trên phần mềm miễn phí không?

Có. JASP, jamovi và R (gói psych) đều chạy được EFA với KMO, Bartlett và các phép xoay. Xem cách có phần mềm SPSS hợp pháp và các lựa chọn miễn phí.

Kết luận

Phân tích nhân tố khám phá EFA giúp bạn kiểm tra cấu trúc thang đo trước khi đi vào các phân tích chính. Chìa khóa là chọn đúng phương pháp trích và phép xoay, dùng ngưỡng phù hợp cỡ mẫu, loại biến từng bước có lý do, và trình bày minh bạch toàn bộ quá trình. Làm đúng ngay từ EFA sẽ giúp phần hồi quy, CFA hay SEM phía sau vững chắc hơn.

Nếu bạn muốn được hướng dẫn trực tiếp trên dữ liệu của mình - kèm file syntax để tự tái lập kết quả - hãy tham khảo tư vấn & hỗ trợ SPSS tại Kaas.vn. Kaas.vn tuân thủ Cam kết liêm chính học thuật.

Tài liệu tham khảo

• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
• Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31-36.
• Gerbing, D. W., & Anderson, J. C. (1988). An updated paradigm for scale development incorporating unidimensionality and its assessment. Journal of Marketing Research, 25(2), 186-192.
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE.
• IBM. IBM SPSS Statistics documentation.