Giải thích ma trận nhân tố

Giải thích ma trận nhân tố
 
Nguồn tham khảo: Hair và cộng sự (2014), Nghiên cứu định lượng
 
Từ khóa: hồi quykiểm định, eview, stataspssluận văn, luận haybảng hỏimô hình
 
Bước 1: xem xét ma trận nhân tố của các hệ số tải
Ma trận hệ số tải nhân tố bao gồm các hệ số tải của mỗi biến trên mỗi nhân tố. Chúng có thể là có hệ số tải xoay (rotated loadings) hoặc hệ số tải không xoay (unrotated loadings) nhưng như đã được thảo luận ở trên thì các hệ số tải xoay sẽ được ưu tiên sử dụng. Thông thường, các nhân tố được sắp xếp theo các cột. Nếu phép xoay xiên được sử dụng thì sẽ có hai ma trận của các nhân tố tải là ma trận mô thức nhân tố (factor pattern matrix) – cho biết mức đóng góp riêng của mỗi biến lên nhân tố và ma trận cấu trúc nhân tố (factor structure matrix) – cho biết sự tương quan giữa các biến và các nhân tố nhưng các hệ số tải bao gồm cả phương sai riêng giữa các biến với nhân tố và sự tương quan giữa các nhân tố. Vì sự tương quan giữa các nhân tố càng lớn thì càng khó phân biệt các biến chỉ tải (giải thích) duy nhất cho mỗi nhân tố trong ma trận cấu trúc nhân tố. Vì vậy, phần lớn các nghiên cứu chỉ thể hiện kết quả của ma trận mô thức nhân tố (Hair và cộng sự, 2014 tr.117).
 
Bước 2: xác định ý nghĩa thống kê của hệ số tải cho mỗi biến
Việc giải thích bắt đầu với biến đầu tiên trên nhân tố đầu tiên và di chuyển dọc từ trái qua phải và xác định hệ số tải cao nhất của biến đó lên nhân tố bất kì. Hệ số tải cao nhất (giá trị tuyệt đối) của biến được xác định sẽ được kiểm tra mức ý nghĩa thống kê theo các tiêu chuẩn đã được đề cập ở trên. Tiếp đến, thực hiện tương tự cho biến thứ hai và tất cả các biến còn lại. Tuy nhiên, phần lớn các giải pháp nhân tố không thể hiện kết quả dưới dạng giản đơn với chỉ một hệ số tải cao nhất của biến cho mỗi nhân tố.
Vì vậy, cần thiết xác định mức ý nghĩa thống kê của tất cả các hệ số tải của một biến cho tất cả các nhân tố. Quá trình giải thích sẽ trở nên đơn giản nếu mỗi biến chỉ có một hệ số tải giải thích có ý nghĩa thống kê lên một nhân tố. Tuy nhiên, trong thực tế nhà nghiên cứu có thể gặp phải một hay nhiều biến có hệ số tải tương đối (có ý nghĩa thống kê) lên nhiều nhân tố và việc giải thích các nhân tố trở nên khó khăn hơn. Khi một biến có hai hay nhiều hệ số tải có ý nghĩa thống kê thì nó được gọi là một biến tải chéo với hệ số tải chéo (cross-loading).
Khó khăn nảy sinh là làm thế nào để tách biệt các nhân tố, cũng như các nhân tố có thể đại diện cho các khái niệm riêng biệt khi chúng chia sẻ cùng các biến. Hơn nữa, mục tiêu của phân tích nhân tố là làm tối thiểu hóa số tải có ý nghĩa thống kê trong mỗi dòng của ma trận nhân tố (chẳng hạn, làm cho mỗi biến chỉ có quan hệ với chỉ một nhân tố). Khi đó, nhà nghiên cứu phải tìm các phép xoay khác để loại bỏ bất kì vấn đề biến tải chéo nào tồn tại và xác định lại một mô thức mới. Nếu một biến vẫn có hệ số tải chéo thì xem xét loại bỏ khỏi phân tích (Hair và cộng sự, 2014 tr.117).

Bước 3: đánh giá phương sai chung của các biến
Khi ý nghĩa thống kê của tất cả các hệ số tải được xác định, nhà nghiên cứu sẽ dò tìm bất kì biến nào không được giải thích phù hợp bởi giải pháp nhân tố. Một cách đơn giản là xác định bất kì biến nào thiếu ít nhất một hệ số tải không có ý nghĩa thống kê, hoặc xét qua phương sai chung của mỗi biến (phần phương sai được giải thích bởi nhân tố cho mỗi biến). Nhà nghiên cứu sẽ đánh xem các phương sai chung này để xác định xem biến nào phù hợp sử dụng trong phân tích theo giá trị ngưỡng mong muốn. Chẳng hạn, nhà nghiên cứu mong muốn mỗi nhân tố phải giải thích tối thiểu được một nửa phương sai của mỗi biến và khi đó, những biến có phương sai chung nhỏ hơn 0.50 sẽ bị loại bỏ trong phân tích.

Bước 4: xác định lại mô hình nhân tố nếu cần thiết
Khi ý nghĩa thống kê của tất cả các hệ số tải đươc xác định và các phương sai chung được xem xét, nhà nghiên cứu có thể gặp một trong số các vấn đề: (i) một biến có các hệ số tải không có ý nghĩa thống kê, (ii) thậm chí là các hệ số tải có ý nghĩa thống kê nhưng phương sai chung của biến khá nhỏ, hoặc (iii) biến có hệ số tải chéo. Trong trường hợp này, Hair và cộng sự (2014, tr.117) đề xuất kết hợp các chiến lược sau (được liệt kê từ nhẹ đến nặng):
·  Bỏ qua các vấn đề trên và giải thích bình thường. Giải pháp này chỉ phù hợp nếu mục tiêu duy nhất chỉ là rút gọn dữ liệu (nhưng vẫn lưu ý các biến trong bảng hỏi là không tốt cho phân tích).
·  Đánh giá lần lượt các biến này với khả năng loại bỏ tùy thuộc vào mức đóng góp chung của biến cho nghiên cứu cũng như giá trị phương sai chung của nó. Nếu biến là không quan trọng cho mục tiêu nghiên cứu hoặc có phương sai chung quá nhỏ thì sẽ được loại bỏ và mô hình nhân tố mới sẽ được xác định lại.
·  Sử dụng một phương pháp xoay khác, chẳng hạn phép xoay xiên nếu phép xoay trực giao đã được sử dụng.
·  Giảm hoặc tăng số lượng nhân tố giữ lại để thấy một cấu trúc nhỏ hoặc lớn hơn thể hiện các ảnh hưởng của các biến có vấn đề.
·  Thay đổi mô hình nhân tố sử dụng (phân tích thành phần và phân tích nhân tố chung) để đánh giá sự thay đổi của các dạng phương sai ảnh hưởng đến cấu trúc nhân tố.

Bước 5: đặt tên các nhân tố
Khi một giải pháp nhân tố được chấp nhận với tất cả các hệ số tải có ý nghĩa thống kê, nhà nghiên cứu cần phải gán một vài ý nghĩa lên mô thức của các hệ số nhân tố. Các biến với hệ số tải cao được xem là quan trọng hơn và có ảnh hưởng nhiều hơn cho việc chọn tên nhân tố.
Ghi chú: các dấu của hệ số tải đươc giải thích tương tự các hệ số tương quan (các biến được xem là mối liên hệ dương/âm lên nhân tố). Trong phép xoay trực giao, các nhân tố là độc lập lẫn nhau nên dấu của hệ số tải chỉ liên hệ với chính nhân tố nó xuất hiện mà không liên hệ với các nhân tố khác.
Quy tắc kinh nghiệm 6:
GIẢI THÍCH MA TRẬN NHÂN TỐ
(Hair và cộng sự, 2014 tr.119)
  • Một cấu trúc tối ưu tồn tại khi tất cả các biến có hệ số tải cao lên chỉ một nhân tố
  • Các biến có hệ số tải chéo (hệ số tải cao lên hai hay nhiều nhân tố) thông thường sẽ được loại bỏ trừ khi có sự điều chỉnh bởi các lý thuyết hoặc mục tiêu chỉ quan tâm đến rút gọn dữ liệu.
  • Thông thường các biến có phương sai chung (phần phương sai được giải thích bởi nhân tố) lớn hơn 0.50 sẽ được giữ lại trong phân tích
  • Sự xác định lại của giải pháp nhân tố kèm theo các tùy chọn như:
    • Loại bỏ biến
    • Thay đổi các phương pháp xoay
    • Tăng hoặc giảm số lượng các nhân tố
Xem thêm lý thuyết về:   Xác định mô hình cấu trúc, Ước lượng các mối quan hệ sử dụng phân tích nhánh, Các thuật ngữ chính trong CFA,  Phân biệt CFA với EFA, Xây dựng mô hình đo lường – CFA, Số biến trên mỗi nhân tố – CFA, Phân biệt khái niệm Reflective với khái niệm Formative, Thiết kế nghiên cứu – CFA,  Đánh giá tính hợp lí mô hình đo lường – CFA, Chẩn đoán mô hình đo lường – CFA  , Biến nội sinh trong các ước lượng OLS, IV, GMMGiới thiệu về vấn đề nội sinhKiểm định Jarque bera Kiểm định tham số - Phi tham số Khái quát về kiểm định phi tham sốGiới thiệu về tương quan biếntự tương quanHausman testXem thêm một số bài nghiên cứu ứng dụng lý thuyết   Tra cứu giá trị thống kê qua bảng tính sẵn giá trị,  hồi quy,  kiểm định, eview, stataspss
 
Để có thêm thông tin chi tiết liên hệ: Luanhay.vn  - 081 800 1762/  097 9696 222 – hoặc email: luanhay@luanhay.com – luanvanhay@gmail.com
  
 
 

Đăng ký tuyển sinh

Hide Buttons