Trong nghiên cứu định lượng, đặc biệt đối với các đề tài sử dụng thang đo Likert, phân tích nhân tố khám phá (EFA) được xem là bước then chốt nhằm kiểm định cấu trúc thang đo trước khi triển khai các kỹ thuật phân tích nâng cao như CFA hoặc SEM. Tuy nhiên, không phải toàn bộ các biến quan sát ban đầu đều đáp ứng được các tiêu chuẩn thống kê cần thiết. Do đó, việc hiểu rõ và thực hiện đúng quy trình loại bỏ biến không đạt yêu cầu trong EFA là kỹ năng thiết yếu đối với bạn trong vai trò sinh viên, học viên cao học hoặc nhà nghiên cứu. Nếu bước này bị xử lý sai, toàn bộ mô hình đo lường có thể bị sai lệch ngay từ nền tảng.
1. Các loại biến không đạt yêu cầu trong EFA
Một biến quan sát không đạt yêu cầu có thể ảnh hưởng tiêu cực đến độ tin cậy, giá trị hội tụ và đồng thời làm sai lệch cấu trúc nhân tố so với nền tảng lý thuyết ban đầu. Việc nhận diện và loại bỏ các biến này giúp kết quả EFA phản ánh các nhân tố rõ ràng, có ý nghĩa và phù hợp với giả thuyết nghiên cứu.
Trước khi áp dụng các phương pháp loại biến trong EFA, bạn cần phân biệt những dạng biến không đạt yêu cầu phổ biến. Trên thực tế, không tồn tại một bộ tiêu chuẩn cố định áp dụng cho mọi nghiên cứu khi xử lý EFA. Vì vậy, các tiêu chí dưới đây mang tính định hướng tham khảo, hỗ trợ bạn trong việc nhận diện và cân nhắc loại bỏ các biến quan sát có chất lượng thấp khỏi mô hình nghiên cứu. Ba dạng biến không đạt yêu cầu thường gặp được trình bày dưới đây, minh họa thông qua ma trận xoay.
Biến không đạt yêu cầu 1: Biến quan sát không đạt ngưỡng hệ số tải nhân tố
Hệ số tải nhân tố phản ánh mức độ liên hệ giữa biến quan sát và nhân tố mà nó đại diện, đồng thời thể hiện mức đóng góp của biến vào việc hình thành và giải thích nhân tố. Khi hệ số tải ở mức thấp hơn ngưỡng chấp nhận, điều này cho thấy biến quan sát không phản ánh đầy đủ khái niệm lý thuyết cần đo lường và làm suy giảm giá trị hội tụ của thang đo.
Trong nhiều nghiên cứu, ngưỡng 0.5 thường được sử dụng; trong một số trường hợp có thể chấp nhận mức 0.4 khi cỡ mẫu đủ lớn, tuy nhiên 0.5 vẫn là tiêu chuẩn phổ biến. Trong ví dụ minh họa, biến TL2 có hệ số tải nhỏ hơn 0.5. Do thiết lập chỉ hiển thị các hệ số từ 0.5 trở lên, TL2 không xuất hiện trong bảng ma trận xoay. Điều này cho thấy biến này có hệ số tải thấp trên tất cả các nhân tố và không đóng góp đáng kể vào bất kỳ cấu trúc nào, do đó nên được loại bỏ để đảm bảo chất lượng thang đo.
Biến không đạt yêu cầu 2: Biến quan sát tồn tại đơn lẻ trong một nhân tố
Trong EFA, mỗi nhân tố đại diện cho một khái niệm tiềm ẩn và thường được đo lường bởi nhiều biến quan sát. Khi một biến đứng riêng lẻ và hình thành một nhân tố độc lập trong ma trận xoay, điều này cho thấy biến đó không hội tụ với các biến khác theo cấu trúc lý thuyết ban đầu.
Về phương diện lý thuyết, một nhân tố chỉ bao gồm một biến quan sát thường không đảm bảo độ tin cậy và tính ổn định. Mặc dù trong một số trường hợp, bạn có thể cân nhắc giữ lại và phát triển thành nhân tố mới nếu có cơ sở lý thuyết phù hợp, nhưng đa số tình huống đây được xem là dấu hiệu của biến có chất lượng kém.
Trong ví dụ minh họa, biến DN4 xuất hiện riêng lẻ trong nhân tố thứ năm. Điều này cho thấy biến này không hội tụ với các biến còn lại trong cùng khái niệm và cần được xem xét loại bỏ khỏi mô hình.
Biến không đạt yêu cầu 3: Biến có tải chéo với chênh lệch hệ số tải nhỏ hơn 0.2
Một biến quan sát đạt yêu cầu lý tưởng chỉ nên có tải cao trên một nhân tố duy nhất. Khi biến đồng thời tải lên nhiều nhân tố với mức độ tương đương, hiện tượng tải chéo xảy ra, phản ánh việc biến mang đặc điểm của nhiều khái niệm khác nhau. Điều này làm giảm giá trị phân biệt của thang đo và khiến cấu trúc nhân tố trở nên kém rõ ràng.
Theo một số nghiên cứu phương pháp luận, nếu chênh lệch giữa các hệ số tải nhỏ hơn 0.2 thì biến quan sát nên được loại bỏ.
Trong ví dụ, biến DT3 có hệ số tải 0.640 trên nhân tố 1 và 0.523 trên nhân tố 2, với chênh lệch là 0.117, nhỏ hơn 0.2. Điều này cho thấy biến không đại diện rõ ràng cho một nhân tố cụ thể và nên được loại khỏi phân tích.
Trong trường hợp biến tải lên nhiều nhân tố nhưng chênh lệch lớn hơn 0.2, bạn có thể giữ lại biến và gán vào nhân tố có hệ số tải cao hơn, vì khi đó biến vẫn thể hiện sự ưu tiên tương đối rõ ràng cho một khái niệm.
Khi có nhiều biến cùng xuất hiện tải chéo trên nhiều nhân tố và bạn áp dụng phương pháp loại biến theo từng bước, cần xác định mức độ không đạt yêu cầu của từng biến để ưu tiên loại bỏ theo thứ tự phù hợp.
Trong ví dụ trên, hai biến DK2 và CV2 đồng thời có hệ số tải trên hai nhân tố khác nhau, phản ánh hiện tượng tải chéo trong phân tích nhân tố khám phá (EFA).
– Dựa trên tiêu chí chênh lệch hệ số tải, biến có mức chênh lệch nhỏ hơn giữa các hệ số tải sẽ được ưu tiên loại bỏ trước. Cụ thể, DK2 có chênh lệch là 0.690 – 0.595 = 0.095, trong khi CV2 có chênh lệch là 0.669 – 0.634 = 0.035. Do đó, CV2 là biến có mức phân biệt kém hơn giữa các nhân tố và được xem xét loại bỏ trước.
– Xét theo tiêu chí hệ số tải tối đa, biến có giá trị tải cao nhất thấp hơn cũng là đối tượng nên loại trước. Trong trường hợp này, hệ số tải lớn nhất của DK2 là 0.690, còn CV2 là 0.669, cho thấy CV2 có mức đóng góp yếu hơn vào nhân tố đại diện. Vì vậy, việc loại CV2 trước là phù hợp theo cả hai tiêu chí đánh giá.
Các tiêu chí nhận diện biến không đạt yêu cầu trong EFA không mang tính cứng nhắc mà đóng vai trò như các định hướng phương pháp luận giúp bạn đánh giá chất lượng biến quan sát. Việc xem xét loại biến cần dựa trên mức độ đóng góp của biến vào thang đo, khả năng đảm bảo giá trị hội tụ và giá trị phân biệt, cũng như mức độ phù hợp với nền tảng lý thuyết. Quá trình này đòi hỏi sự thận trọng và kết hợp giữa bằng chứng thống kê với lập luận học thuật, nhằm hướng đến một cấu trúc nhân tố rõ ràng, ổn định và có ý nghĩa nghiên cứu.
2. Cách loại biến không đạt yêu cầu trong EFA
Có nhiều cách tiếp cận trong việc loại bỏ các biến không phù hợp khi thực hiện EFA, tùy thuộc vào quan điểm phương pháp và chiến lược phân tích của bạn. Một số nghiên cứu lựa chọn loại toàn bộ các biến không đạt tiêu chuẩn ngay trong một lần phân tích, trong khi các nghiên cứu khác lại ưu tiên loại bỏ từng biến theo trình tự và đánh giá lại sự thay đổi của ma trận xoay sau mỗi lần điều chỉnh. Mỗi phương pháp đều có những ưu điểm nhất định và không có cách tiếp cận nào mang tính bắt buộc cho mọi bối cảnh nghiên cứu.
Cách 1: Loại lần lượt từng biến không đạt yêu cầu trong EFA
Phương pháp này mang tính thận trọng cao, do sau mỗi lần loại biến, bạn sẽ thực hiện lại EFA để theo dõi sự thay đổi trong cấu trúc nhân tố.
- Bước 1: Xác định các biến không đạt yêu cầu ở lần phân tích EFA ban đầu.
- Bước 2: Phân loại các biến này thành ba nhóm: (1) biến có hệ số tải thấp; (2) biến hình thành nhân tố đơn lẻ; (3) biến có hiện tượng tải chéo với chênh lệch nhỏ hơn 0.2.
- Bước 3: Ưu tiên loại bỏ toàn bộ các biến thuộc nhóm (1), do đây là các biến thể hiện mức độ không phù hợp rõ ràng nhất, sau đó tiến hành phân tích lại EFA.
- Bước 4: Nếu vẫn còn xuất hiện các biến thuộc nhóm (1), tiếp tục loại bỏ và chạy lại EFA cho đến khi không còn. Sau khi xử lý xong nhóm này, chuyển sang loại các biến thuộc nhóm (2) và tiếp tục phân tích lại.
- Bước 5: Tương tự, nếu vẫn còn biến thuộc nhóm (2), tiếp tục loại bỏ. Khi không còn nhóm (2), tiến hành xử lý nhóm (3) và lặp lại EFA cho đến khi đạt được cấu trúc nhân tố phù hợp.
Ưu điểm của phương pháp này là giúp bạn kiểm soát chặt chẽ sự biến đổi của mô hình qua từng bước, hạn chế việc loại bỏ đồng thời quá nhiều biến và làm ảnh hưởng đến cấu trúc thang đo ban đầu.
Cách 2: Loại đồng thời các biến không đạt yêu cầu trong một lần phân tích EFA
Phương pháp này có ưu điểm về mặt thời gian và thường phù hợp khi cấu trúc thang đo ban đầu đã tương đối rõ ràng.
- Bước 1: Xác định toàn bộ các biến không đạt yêu cầu trong lần phân tích EFA đầu tiên.
- Bước 2: Loại bỏ tất cả các biến này cùng lúc, không phân biệt nhóm, và tiến hành chạy lại EFA.
- Bước 3: Nếu ở các lần phân tích tiếp theo vẫn xuất hiện biến không đạt yêu cầu, tiếp tục loại toàn bộ các biến đó và lặp lại quy trình cho đến khi thu được ma trận xoay đáp ứng tiêu chuẩn.
Phương pháp này giúp rút ngắn thời gian xử lý dữ liệu, tuy nhiên bạn cần cân nhắc kỹ vì việc loại bỏ nhiều biến cùng lúc có thể dẫn đến sự thay đổi đáng kể trong cấu trúc nhân tố.
Tương tự như quá trình nhận diện biến không đạt yêu cầu, hai phương pháp loại biến nêu trên chỉ mang tính định hướng tham khảo. Trong thực tiễn nghiên cứu, bạn có thể linh hoạt kết hợp cả hai cách tiếp cận, tùy theo đặc điểm dữ liệu và cơ sở lý thuyết. Mục tiêu cốt lõi không phải là tuân thủ một quy trình cứng nhắc, mà là đạt được ma trận xoay rõ ràng, cấu trúc nhân tố hợp lý, đồng thời duy trì tối đa các biến quan sát có giá trị nghiên cứu.