CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC 4

CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC . HỆ THỐNG KIẾN THỨC CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC , LÝ THUYẾT VỀ CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC . TỔNG QUÁT VỀ CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC

NHP 1

Mô hình EFA: Kiểm định giá trị

thang đo

Nguyen Hung Phong

Mô hình EFA

• EFA là phương pháp giúp chúng ta đánh

giá được giá trị hội tụ và giá trị phân biệt

của đo lường

• EFA giúp chúng ta rút gọn một tập hợp k

biến quan sát thành một tập hợp f biến

các yếu tố có ý nghĩa hơn (f < k)

• Dịch chuyển các items đo lường một biến

này sang biến khác

I Mô hình EFA một nhân tố

(Phương sai của biến đo lường)

• Tìm mối quan hệ giữa 3 đại lượng trong

mô hình

– Phương sai của biến đo lường: var(Xi)

– Hiệp phương sai giữa nhân tố Fivà biến đo

lường Xi: Cov(Fi, Xi)

– Hiệp phương sai giữa hai biến đo lường Xivà

Xj: Cov (Xi, Xj)

NHP 4

I Mô hình EFA một nhân tố

F

X 1

X 2

X k

.

U 1

U 2

U k

1

λ

2

λ

3

λ

1

δ

2

δ

3

δ

I Mô hình EFA một nhân tố

(Phương sai của biến đo lường)

• Giả định 1: biến đo

lường Xibao gồm hai

thành phần: phần

chung F (common

factor) và phần riêng

U (unique factor)

• Giả định 2: F và U

độc lập với nhau; Ui

độc lập với Uj

Cov(F,Ui)=cov(F,Uj) = cov(Ui,Uj) = 0

I Mô hình EFA một nhân tố

(phương sai của biến đo lường)

• Quan hệ giữa biến Xivới phần chung và

riêng được tính như sau

1 1 1 1

X =λF+δU

X =λF+δU

…………

X =λF+δU

NHP 7

I Mô hình EFA một nhân tố

(Phương sai của biến đo lường)

• Phương sai của biến

đo lường

• Do Xiđược chuyển về

N(0, 1) nên μxi=0

2

var( ) [( ) ]

i

2

var( Xi) = E X ( i)

2

var( Xi) = E [( λiF + δiUi)]

var( Xi) = E ( λiF + δiUi + 2 λ δi iFUi)

var( Xi) = λiE F ( ) + δi E U ( i ) 2 + λ δi iE FU ( i)

var( Xi) = λi var( ) F + δi var( Ui) 2 + λ δi iCo v( , F Ui)

I Mô hình EFA một nhân tố

(phương sai của biến đo lường)

• Vì các biến Xi, F, và Uiđược

đưa về N(0, 1) nên phương sai

của chúng bằng 0, và do cov

(F,U i )= 0 cho nên

var(X i)=λi var( )F +δi var(U i)

2 2 var(X i)=λi +δi =1 2

i

λ

Phần là phần chung (community) và được

ký hiệu là H 2

i

Hi2nói lên phần phương sai của biến quan

sát Xiđược giải thích bởi F, và Hi2càng lớn

thì phần riêng sẽ càng nhỏ cho nên biến Xi

càng đóng góp nhiều cho biến F

I Mô hình EFA một nhân tố

(Hiệp phương sai giữa F và Xi)

Cov F X =E F−µ X −µ =E FX

Do trung bình các biến nhận giá trị bằng 0, nên

2

Cov F X =E F λF+δU =EλF +δFU

2

( , i) i ( ) i ( i) ivar( ) icov( , i)

Cov F X =λE F +δE FU =λ F +δ F U

Do Cov(F, U i )= 0, và phương sai các biến bằng 1, nên

( , i) i ar( ) i ( , i)

Cov F X =λv F =λ=corr F X

Như vậy: trong EFA một nhân tố, trọng số nhân tố chính là hệ số

NHP 10

I Mô hình EFA một nhân tố

(Hiệp phương sai giữa Xi và Xj)

Cov X X =E X −µ X −µ =E X X

( i, j) [( i i i)( j j j)]

Cov X X =E λF+δU λF+δU

2 ( i, j) (i j i j i j i i i j)

Cov X X =Eλ λF +λ δFU +δ λU F+δ δU U

2 ( i, j) i j ( ) i ( j) i j ( i ) i ( i j)

Cov X X =λ λE F +λ δE FU +δ λE U F +δ δE U U

( i, j) i r( ) i ( , j) i ( i, ) i ov( i, j)

( i, j) i j r( ) i ( i, j)

Cov X X =λ λVa F =λ λ =corr X X

Như vậy: nếu hệ số tương quan giữa hai biến đó lường X i , X j càng lớn

thì trọng số nhân tố của hai biến này càng lớn Do đó hai biến này đo

lường tốt cho yếu tố F (factor)

II Mô hình EFA hai nhân tố độc lập

X 1

X 2

X k

.

U 1

U 2

U 3

11

λ

21

λ

1

k

λ

1

δ

2

δ

3

δ

F 1

F 2

12

λ

22

λ

2

λ

II Mô hình EFA hai nhân tố độc lập

• Khái quát về mô hình:gồm

phần chung cho F 1 và F 2 và

phần riêng U 1 của X i

• Giả định: F1và F2độc lập, và

chúng cũng độc lập với các

phần riêng của các biến X i

• Các biến có phân phối chuẩn

một đơn vị N(0,1)

i1 1 i2 2 1

( ,i j) ( ,i i) ( ,i j) ( i, j)

Cov F F =Cov F U =Cov F U =Cov U U

NHP 13

II Mô hình EFA hai nhân tố độc lập

(phương sai của biến Xi)

i1 1 i2 2

i

Var X =E X −µ =E X =E λF+λ F +δU

i1 1 i2 2 i1 i2 1 i1 1 i2 2

Var X =EλF +EλF +EδU + λ λE F F + λ δE FU + λ δE F U

Var X =λVar F +λVar F +δVar U

2 2 2

i1 i2

Var X =λ +λ +δ

Tương tự như mô hình một nhân tố, chỉ số phần chung

i

II Mô hình EFA hai nhân tố độc lập

(hiệp phương sai của Fivà Xi)

1 1 i1 1 i2 2

Cov F X = Cov F λ F + λ F + δ U

Cov F X = λ Cov F F + λ Cov F F + δ Cov F U

Cov F X = λ Var F

Nếu F 1 và X i là các biến thuộc N(0,1), chúng ta có

Cov(F 1 ,X i )=Corr(F 1 ,X i ) và Var(F 1 )=1, do đó

Cov F X = Corr F X = λ

II Mô hình EFA hai nhân tố độc lập

(hiệp phương sai của Fivà Xi)

• Tổng quát, ta có

Cov F X =Corr F X =λ

Cov F X =Corr F X =λ

………

Cov F X =Corr F X =λ

Cov F X =Corr F X =λ

Như vậy trong mô hình EFA với hai yếu tố độc lập thì trọng số

nhân tố giữa F i và X i vẫn là hệ số tương quan giữa F i và X i

NHP 16

II Mô hình EFA hai nhân tố độc lập

(hiệp phương sai của Xivà Xj)

i1 1 i2 2 j1 1 j2 2

i1 1 1 1 i1 2 1 2 i1 1

i2 1 2 1 i2 2 2 2 i2 2

Căn cứ vào các giả định ban đầu, chúng ta có:

Cov(F i ,F j )=Cov(F i ,U j )=Cov(U i ,U j )=o; và var(F 1 )=var(F 2 )=1,

cov(X i ,X j )=corr(X i ,X j ) Vì vậy:

i1 1 1 i2 2 2

( i, j) j ( ) j ( )

i1 1 i2 2

( i, j) ( i, j) j j

II Mô hình EFA hai nhân tố độc lập

(hiệp phương sai của Xivà Xj)

• Tổng quát

1 2 1 2 11 21 12 22

1 3 1 3 11 31 12 32

2 3 2 3 21 31 22 32

………

Tương tự như mô hình EFA một nhân tố, trong mô hình hai

nhân tố độc lập, hệ số tương quan giữa hai biến X i , X j là

tổng của tích hai trọng số λ i1 và λ ji của X i và X j trên từng

nhân tố

III Mô hình EFA hai nhân tương

quan

X 1

X 2

X k

.

U 1

U 2

U 3

11

λ

21

λ

1

k

λ

1

δ

2

δ

3

δ

F 1

F 2

12

λ

22

λ

2

λ

1 2

F F

r

NHP 19

III Mô hình hai nhân tố có tương

quan

i1 1 i2 2

X =λF+λ F +δU

1 2

Cov F F ≠

Biến đo lường:

Các giả định:

( ,i i) ( ,i j) ( i, j) 0

Các biến X i , U i , F i là những biến thuộc

N(0,1)

III Mô hình hai nhân tố có tương quan

(Phương sai của Xi)

i1 1 i2 2

i

Var X =E X −µ =E X =E λ F+λ F+δU

i1 1 i2 2

i1 i2 1 2 i1 1 i2 2

Var X E F E F E U

E F F E FU E F U

Var X Var F Var F Var U

Cov F F Cov FU Cov F U

i1 i2 1 2

Var X Var F Var F Var U

Cov F F

λ λ

+

III Mô hình hai nhân tố có tương quan

(Phương sai của Xi)

2 2 2 i1 i2 i1 i2 1 2

Var X =λ +λ +δ + λ λ Cov F F

Căn cứ vào giả

định, ta có

This image cannot currently be display ed.

2 2 2 i1 i2 2 i1 i2 ( 1 2)

i

H =λ +λ + λ λ Cov F F

Hệ số phần chung

H 2

i sẽ là

NHP 22

III Mô hình hai nhân tố có tương quan

(Hiệp phương sai của Fi và Xi)

1 1 i1 1 i2 2

Cov F X =Cov F λF+λF +δU

i1 1 1 i2 1 2

Cov F X Cov F F Cov F F Cov F U

Cov F F Cov F F

Vì F i thuộc N(0,1) nên Cov(F i ,F j ) =corr(F i ,F j )= r FiFj và var(F i )=1, cho

nên

1 2

Cov F X =Cor F X =λ +λ r

Như vậy hệ số tương quan của biến X i với F i bao gồm không chỉ

trọng số nhân tố giữa X i và F i mà còn thành phần tương quan của

hai nhân tố (λ i2 r F1F2 )

( , ) ( , ) ( , ) ( , )

( , ) ( , ) ( , )

( , ) ( , ) ( , )

III Mô hình hai nhân tố có tương quan

(Hiệp phương sai của Fi và Xi)

i1 1 1 i2 2 2 i1 2 i2 1 1 2

( i, j) jvar( ) j ( ) ( j j) ( , )

Do F 1 và F 2 thuộc N(0,1) và cov(F i ,F j )=cor(F i ,F j ), chúng ta có

1 2

( i, j) j j ( j j)F F

Tổng kết các mô hình

var( Xi) = λi + δi = 1

Cov X X = λ λ Va F = λ λ = corr X X

Cov F X =λv F =λ =corr F X

i1 i2

i

H = λ + λ

( , i) ( , i)

i1 1 i2 2

Cov X X =Corr X X =λ λ +λ λ

NHP 25

IV Ma trận EFA

• Hai ma trận đánh giá thang đo

– Ma trận các trọng số nhân tố (factor pattern matrix)

– Ma trận các hệ số tương quan (factor structure

matrix)

• Khi các nhân tố (factor) không có quan hệ với

nhau thì trọng số nhân tố giữa một nhân tố (Fi)

và một biến đo lường (Xi) là hệ số tương quan

giữa hai biến đó

• Trọng số nhân tố thể hiện sự tác động của khái

niệm nghiên cứu vào biến đo lường

IV Ma trận EFA

• Biến đo lường biểu diển ở dạng tổ hợp tuyến tính của

phần chung và phần riêng, Giả sử chúng ta có 2 nhân

tố và k biến đo lường

1 11 1 12 2 1 1

2 21 1 22 2 2 2

1 1 2 2

1 1 2 2

IV Ma trận EFA

Biến đo

lường

Trọng số nhân tố Phần chung Phần riêng

F 1 F 2 H i U i

NHP 28

V.Các phép trích nhân tố cơ bản

• Hai mô hình chính: Mô hình nhân tố chung

(CFM-Common factor model) và mô hình thành

phần chính (PCA-principal components

analysis)

• PCA: phần chung (communality) đưa vào ban

đầu cho các biến đo lường bằng 1 (Đưa 100%

phương sai của biến đo lường Xivào phân tích)

Mục tiêu trích được nhiều nhất phương sai các

biến

• CFM: chọn phần chung đưa vào nhỏ hơn 1 và

cô lập phần riêng Mục tiêu giải thích tốt nhất

hiệp phương sai giữa các biến

V.1 Xác định số lượng nhân tố

(factor)

• Ba phương pháp xác định số lượng nhân tố

– Tiêu chí eigenvalue: số lượng nhân tố dừng lại ở

nhân tố có eigenvalue tối thiểu bằng 1

– Tiêu chí điển gãy: dựa vào đường biểu diển số nhân

tố (trục hoành) và giá trị của eigenvalue (trục

tung).Điểm gãy là điểm tại đó đường biểu diển của

eigenvalue (bằng với số nhân tố) thay đổi độ dốc đột

ngột

– Chọn trước số lượng nhân tố: khẳng định số lượng

nhân tố trước dựa vào lý thuyết

V.2 Chọn phép quay nhân tố

• Quay vuông góc (varimax): sau khi quay,

trục của các nhân tố vẫn ở vị trí vuông góc

với nhau

• Quay không vuông góc(Promax): trục của

các nhân tố không còn vuông góc với

nhau.Trọng số nhân tố của các biến đo

lường sẽ tối đa ở trục nhân tố chúng đo

lường và tối thiểu ở trục còn lại

NHP 31

V.3 Điều kiện sử dụng EFA

• Nếu hệ số tương quan giữa các biến đo

lường nhỏ (nhỏ hơn 0.3) sử dụng EFA

không phù hợp (Hair et al, 2006)

• Dùng các phép kiểm định

– Kiểm định Barlett xem xét ma trận tương

quan có phải là ma trận đơn vị hay không(là

ma trận có hệ số tương quan giữa các biến

bằng 0, và đường chéo bằng 1) Nếu giá trị p

nhỏ hơn 5%, chúng ta sẽ bác giả thuyết H0

(ma trận là ma trận đơn vị)

V.3 Điều kiện sử dụng EFA

• Dùng các phép kiểm định

– Kiểm định KMO (Keiser-Meyer-Olkin)

• KMO là chỉ số so sánh độ lớn của hệ số tương

quan của hai biến Xivà Xjso với tổng hệ sô tương

quan (gồm hệ số tương quan giữa hai biến và hệ

số tương quan riêng phần-partial correlation)

• KMO càng gần 1 thì càng tốt.Tối thiểu KMO phải

lớn hơn 0.5, mức chấp nhận nên từ 0.6 trở lên

V.3 Điều kiện sử dụng EFA

2

i

x x

r KMO

=

+

∑ ∑

NHP 34

Phân tích nhân tố (EFA)

• Mục đích

– Làm giãm biến

– Dịch chuyển các yếu tố thành phần/biến quan

sát từ nhân tố này sang nhân tố khác

• Trình tự trên SPSS

– Vào analize

– Chọn data reduction

– Chọn factor analysis

IV Phaân tích nhaân toá (factor

analysis)

• Trình tự

– Đưa tất cả các yếu tố thành phần vào mục biến số

(variables)

– Nhấn vào mục descriptive trên hộp thoại để xác định

các tham số thống kê mô tả Sau đó nhấn continue

– Nhấn vào mục Extraction chọn phương pháp phân

tích là “Principal components” và phần extract với

“eigenvalue” over 1

– Nhấn mục Rotation: Chọn phương pháp “varimax”

– Nhấn mục Score, chọn phương pháp “regression”

• Kết quả sẽ hiển thị trên phần mềm SPSS

IV Phaân tích nhaân toá (factor

analysis)

• Phân tích kết quả:

– Dựa vào biểu “Total Variance explained”: số nhân tố

rút ra phải có giá trị eigenvalue lớn hơn 1

– Biểu “Rotated component matrix” cho biết yếu tố

thành phần nào đo lường được nhân tố nào: những

yếu tố thành phần nào có hệ số tải nhân tố lớn trong

nhân tố nào thì nó sẽ đo lường nhân tố đó

– Hệ số tải nhân tố (factor loading) là hệ số tương quan

đơn giửa các yếu tố thành phần và các nhân tố