EFA: Nên chạy chung hay riêng biến độc lập với biến phụ thuộc?

Việc thực hiện phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) theo hướng chạy chung hay chạy riêng giữa các biến độc lập và biến phụ thuộc là một vấn đề thường gây nhiều băn khoăn cho người nghiên cứu khi tiến hành phân tích định lượng bằng phần mềm SPSS. Bài viết này nhằm phân tích và làm rõ các cơ sở phương pháp luận để lý giải trong trường hợp nào nên thực hiện EFA chung và trong trường hợp nào cần tách riêng, từ đó giúp người nghiên cứu lựa chọn cách tiếp cận phù hợp.

Trước khi đi sâu vào nội dung phân tích, người đọc cần đặc biệt lưu ý vấn đề sau đây:

Trong phân tích EFA phục vụ các mô hình SEM có cấu trúc quan hệ phức tạp, nguyên tắc ưu tiên hàng đầu là thực hiện EFA chung cho toàn bộ các biến quan sát trong cùng một lần phân tích. Cách tiếp cận này giúp đánh giá đồng thời cấu trúc nhân tố và mối quan hệ tiềm ẩn giữa các biến trong mô hình. Tuy nhiên, trong một số trường hợp, việc chạy EFA chung có thể dẫn đến kết quả ma trận xoay không đảm bảo được giá trị phân biệt giữa các nhân tố, thể hiện qua hiện tượng tải chéo hoặc sự chồng lấn về nội dung đo lường. Khi đó, việc tách riêng EFA theo vai trò của từng nhóm biến, chẳng hạn nhóm biến độc lập và nhóm biến phụ thuộc, được xem là giải pháp cần thiết nhằm hạn chế vi phạm các giả định của phân tích nhân tố.

Do đó, nếu kết quả EFA khi thực hiện chung cho toàn bộ biến quan sát đáp ứng đầy đủ các tiêu chí thống kê và giá trị đo lường, người nghiên cứu nên duy trì phương án chạy chung. Ngược lại, trong trường hợp các điều kiện này không được thỏa mãn, việc tách EFA và phân tích riêng theo vai trò của từng nhóm biến là lựa chọn phù hợp và cần được thực hiện theo đúng quy trình phương pháp luận.

1. Quan điểm của một số nhà nghiên cứu

1.1 Quan điểm của Nguyễn Đình Thọ (2012)

Theo Nguyễn Đình Thọ (2012), trong phân tích nhân tố khám phá (EFA), khi áp dụng các phép quay vuông góc, không nên đưa biến phụ thuộc và biến độc lập vào phân tích đồng thời trong cùng một lần EFA. Nguyên nhân là do đặc điểm của phép quay vuông góc yêu cầu các nhân tố phải độc lập với nhau, tức là giữa các nhân tố không tồn tại mối tương quan. Điều này đồng nghĩa với việc không thể tồn tại mối quan hệ phụ thuộc giữa các nhân tố được trích xuất.

→  Từ đó, tác giả cho rằng khi sử dụng các phép quay vuông góc như Varimax hoặc các phương pháp tương tự, cần tiến hành phân tích EFA riêng biệt cho nhóm biến độc lập và nhóm biến phụ thuộc, thay vì gộp chung hai nhóm biến này trong cùng một mô hình phân tích.

1.2 Quan điểm của Hair và cộng sự (2010)

“Mixing dependent and independent variables in a single factor analysis and then using the derived factors to support dependence relationships is inappropriate”.

Hair và cộng sự (2010) nhấn mạnh rằng việc kết hợp các biến độc lập và biến phụ thuộc trong cùng một phân tích nhân tố, sau đó sử dụng các nhân tố trích xuất để kiểm định các mối quan hệ phụ thuộc là không phù hợp về mặt phương pháp luận.

→ Quan điểm này hàm ý rằng trong phân tích EFA, việc đưa chung các biến độc lập và biến phụ thuộc vào cùng một lần phân tích là thiếu hợp lý. Đối với các nghiên cứu mà mô hình lý thuyết đã xác định rõ vai trò của biến độc lập và biến phụ thuộc, điều đó cho thấy mối quan hệ phụ thuộc đã được giả định ngay từ đầu. Trong trường hợp này, một nhóm biến được xem là nguyên nhân tác động và nhóm biến còn lại là kết quả chịu tác động, do đó không phù hợp để phân tích nhân tố chung.

1.3 Quan điểm của Hair và cộng sự (2015)

“When you use exploratory factor analysis the variables are not divided into dependent and independent categories. Instead, all variables are analyzed together to identify underlying patterns or factors. The technique can be used to factor analyze either independent or dependent variables considered separately”.

Theo Hair và cộng sự (2015), trong phân tích nhân tố khám phá, các biến không được phân loại thành biến độc lập và biến phụ thuộc theo nghĩa truyền thống. Thay vào đó, EFA được sử dụng để phân tích đồng thời các biến nhằm xác định các cấu trúc nhân tố tiềm ẩn. Tuy nhiên, kỹ thuật này cần được áp dụng riêng biệt cho nhóm biến độc lập hoặc nhóm biến phụ thuộc khi xem xét trong bối cảnh mô hình nghiên cứu cụ thể.

→ Tương tự như quan điểm của Hair và cộng sự (2010), các biến được đưa vào cùng một lần phân tích EFA cần thuộc cùng một nhóm, hoặc đều là biến độc lập, hoặc đều là biến phụ thuộc. Việc gộp chung hai loại biến này trong một phân tích EFA duy nhất là không phù hợp với nguyên tắc phương pháp luận.

Từ các quan điểm nêu trên, có thể rút ra một số kết luận như sau:

• Thứ nhất, trong trường hợp mô hình nghiên cứu đã xác định rõ biến độc lập và biến phụ thuộc, phân tích EFA cần được thực hiện riêng biệt cho từng nhóm biến.
• Thứ hai, nếu mô hình nghiên cứu không phân biệt vai trò của biến độc lập và biến phụ thuộc, các biến có thể được đưa vào phân tích EFA chung nhằm khám phá cấu trúc nhân tố tiềm ẩn.

2. Lý giải cơ sở lựa chọn phân tích EFA chung hay phân tích EFA riêng

Trước hết, cần xem xét lại bản chất mối quan hệ giữa biến độc lập và biến phụ thuộc trong mô hình nghiên cứu. Việc xác định biến X là biến độc lập và biến Y là biến phụ thuộc không mang tính tùy ý mà dựa trên các cơ sở lý thuyết nền tảng và các kết quả nghiên cứu thực nghiệm trước đó, trong đó đã chứng minh sự tồn tại của tác động nhân quả từ X đến Y. Khi tồn tại mối quan hệ tác động, giữa X và Y trong đa số trường hợp sẽ xuất hiện mức độ tương quan từ trung bình đến cao. Chính mức độ tương quan này làm suy giảm khả năng phân biệt rõ ràng giữa hai cấu trúc biến.

Trong phân tích nhân tố khám phá (EFA), bất kể sử dụng phương pháp trích nhân tố hay phương pháp xoay nào, một trong những mục tiêu cốt lõi của EFA vẫn là đánh giá tính phân biệt giữa các cấu trúc thang đo. Khi tính phân biệt được đảm bảo, các biến quan sát thuộc cùng một cấu trúc lý thuyết sẽ hội tụ vào cùng một nhân tố và được thể hiện thành các cột riêng biệt trong ma trận xoay. Ngược lại, nếu đưa đồng thời các biến độc lập và biến phụ thuộc vào cùng một phân tích EFA, mức độ tương quan cao giữa hai nhóm biến này sẽ làm gia tăng khả năng các biến quan sát của cấu trúc phụ thuộc bị trộn lẫn với các biến của cấu trúc độc lập. Hệ quả là các thang đo không đạt được tính phân biệt, thể hiện qua hiện tượng ma trận xoay thiếu rõ ràng và khó diễn giải. Do đó, việc tiến hành EFA riêng cho các nhóm biến độc lập và biến phụ thuộc được xem là phương án tối ưu, vừa phù hợp với bản chất tương quan giữa các biến, vừa tương thích với quan điểm của nhiều tác giả nghiên cứu phương pháp luận.

Dựa trên các lập luận nêu trên, mô hình nghiên cứu có thể được phân loại thành hai dạng chính, tương ứng với hai cách tiếp cận trong phân tích EFA. Trước khi phân loại, cần làm rõ vai trò của biến trung gian. Biến trung gian đồng thời đảm nhận hai vai trò: là biến phụ thuộc trong mối quan hệ với biến độc lập, và là biến độc lập trong mối quan hệ với biến phụ thuộc cuối cùng. Do đó, khi đề cập đến số lượng biến độc lập hay biến phụ thuộc, biến trung gian được tính cho cả hai nhóm biến này.

1. Mô hình đơn giản là mô hình trong đó vai trò của các biến được xác định tương đối rõ ràng, số lượng biến phụ thuộc ít, trong khi số lượng biến độc lập nhiều, với nhiều biến độc lập cùng tác động đến một biến phụ thuộc. Đối với dạng mô hình này, phương án phù hợp là tiến hành EFA riêng cho nhóm biến độc lập, nhóm biến trung gian và nhóm biến phụ thuộc.

2. Mô hình phức tạp là mô hình mà vai trò các biến vẫn có thể xác định, tuy nhiên số lượng biến trung gian lớn, các mối quan hệ tác động đan xen, số lượng biến phụ thuộc nhiều và tồn tại nhiều mối quan hệ mà mỗi biến độc lập chỉ tác động đến một biến phụ thuộc. Trong trường hợp này, có thể xem xét phân tích EFA chung cho toàn bộ các biến nếu kết quả đạt yêu cầu. Nếu kết quả EFA chung không đảm bảo, cần quay lại phương án phân tích EFA riêng theo vai trò của biến. Lý do lựa chọn EFA chung trong mô hình phức tạp là nhằm hạn chế số lần thực hiện EFA quá nhiều và tránh tình trạng mỗi lần phân tích chỉ có số lượng biến tham gia quá ít. Tuy nhiên, nếu EFA chung cho kết quả kém, nguyên tắc phân tích EFA riêng theo vai trò biến độc lập – phụ thuộc vẫn cần được ưu tiên áp dụng.

Một quan điểm thường gặp cho rằng đối với các mô hình sử dụng CFA hoặc SEM thì cần thực hiện EFA chung cho tất cả các biến.

→ Nhận định này thiếu cơ sở lý luận vững chắc và chỉ phù hợp trong một số bối cảnh nhất định, do đó không nên áp dụng một cách cứng nhắc cho mọi nghiên cứu. Việc sử dụng hồi quy hay SEM để kiểm định mô hình cấu trúc không phải là tiêu chí quyết định việc phân tích EFA chung hay riêng.

Thực chất, việc lựa chọn phân tích EFA chung hay riêng hoàn toàn phụ thuộc vào mức độ đơn giản hay phức tạp của mô hình nghiên cứu, hay nói cách khác là phụ thuộc vào vai trò và mối quan hệ giữa các biến trong mô hình. Khi mô hình có ít biến trung gian, ít biến phụ thuộc và nhiều biến độc lập, phân tích EFA riêng là lựa chọn phù hợp. Ngược lại, khi mô hình có ít biến độc lập, nhiều biến trung gian và các mối quan hệ giữa các biến phức tạp, nhà nghiên cứu có thể cân nhắc bỏ qua EFA hoặc thực hiện EFA chung.

Nguồn gốc của quan điểm cho rằng mô hình CFA hoặc SEM cần phân tích EFA chung cho tất cả các biến xuất phát từ thực tế rằng các mô hình SEM thường có cấu trúc phức tạp với nhiều biến trung gian.

– Tuy nhiên, không phải mọi mô hình SEM đều mang tính phức tạp. Tồn tại nhiều mô hình SEM có cấu trúc đơn giản, số lượng biến trung gian ít, số lượng biến độc lập nhiều và vai trò các biến được xác định tương đối rõ ràng. Trong những trường hợp này, phân tích EFA riêng cho các nhóm biến vẫn là phương án tối ưu.

– Bên cạnh đó, CFA và SEM không chỉ được sử dụng cho các mô hình phức tạp mà còn được áp dụng rộng rãi cho các mô hình đơn giản. Đây là các phương pháp kiểm định được phát triển nhằm đánh giá mọi dạng mô hình nghiên cứu, không giới hạn ở mức độ phức tạp. Khi mô hình ở dạng đơn giản và vai trò các biến được xác định rõ ràng, nhà nghiên cứu nên tiến hành EFA riêng cho từng nhóm biến, sau đó thực hiện phân tích CFA chung cho toàn bộ mô hình một cách bình thường.

Để minh họa rõ hơn cho các lập luận trên, có thể xem xét hai ví dụ cơ bản tương ứng với hai dạng mô hình đã trình bày.

Trong trường hợp gặp khó khăn khi thực hiện phân tích EFA như tỷ lệ biến bị loại cao, ma trận xoay thiếu rõ ràng hoặc không đảm bảo các điều kiện hội tụ và phân biệt, người nghiên cứu có thể tham khảo các dịch vụ hỗ trợ phân tích SPSS của Phạm Lộc Blog hoặc liên hệ trực tiếp qua email xulydinhluong@gmail.com. để được tư vấn chuyên sâu.