Professional Documents
Culture Documents
Chuong 1 - Kiem Dinh Thang Do Va Phan Tich Nhan To
Chuong 1 - Kiem Dinh Thang Do Va Phan Tich Nhan To
1
Xây dựng và kiểm định thang đo dùng trong
nghiên cứu
Mô hình nghiên cứu & khái niệm
Trong nghiên cứu định lượng cần đo lường
các khái niệm dùng trong nghiên cứu
(construct).
Ví dụ: Một mô hình nghiên cứu đơn giản bên
dưới có 3 khái niệm: Giá trị dịch vụ, chất lượng
dịch vụ và sự hài lòng. Việc đo 3 khái niệm này
không đơn giản.
2
Giá trị Chaát löôïng
dịch vụ dòch vuï
H1 (+)
H2 (+)
3
Khái niệm và Đo lường
Một số khái niệm có thể việc đo lường không
phức tạp về phương pháp, ví dụ như: Mức thu
nhập, mức chi tiêu, thời gian xem truyền hình,…
Một số khái niệm phức tạp, trừu tượng đòi hỏi
cần có quá trình chi tiết hóa khái niệm (construct
operationalization), thiết kế đo lường (measurement
design) và kiểm tra kỹ lưỡng.
4
Ví dụ:
* Lòng trung thành của khách hàng đối với sản
phẩm/dịch vụ/thương hiệu (customer loyalty);
* Chất lượng sản phẩm/dịch vụ theo cảm nhận
của khách hàng (perceived quality)
* Hài lòng của nhân viên (employee
satisfaction)
5
Chi tiết hóa khái niệm: Lòng trung thành của khách
hàng đối với sản phẩm/dịch vụ/thương hiệu (customer
loyalty) bao gồm những khía cạnh sau:
- Tiếp tục mua (mua rồi mua nữa có thể vì thiếu tiền, thiếu
hàng,… vẫn chờ đợi mua hàng này)
- Không nghĩ đến những thứ khác (có tiền, có hàng cạnh
tranh vẫn mua hàng này)
- Không có ý định mua thử những thứ khác (có những người
dùng hàng tốt, hài lòng nhưng họ vẫn có ý thử những thương
hiệu khác)
- Nói tốt về sp/dịch vụ/thương hiệu với người khác (hài lòng
nên gặp ai cũng kể)
- Giới thiệu sp/dịch vụ/thương hiệu với người khác
6
Khái niệm đơn giản chỉ cần thang đo đơn giản [thang
đo 1 chỉ báo (item)]
Khái niệm trừu tượng cần thang đo phức tạp (thang
đo nhiều chỉ báo - multi-indicator scale).
Thang đo nhiều chỉ báo được sử dụng phổ biến nhất là
Likert 5 - 7 mức độ.
Thang Likert đặc trưng bởi cấu trúc như sau:
“Xin vui lòng đọc kỹ những phát biểu sau. Sau mỗi
câu phát biểu, hãy khoanh tròn trả lời thể hiện đúng nhất
quan điểm của bạn. Xin bạn cho biết rằng bạn rất đồng ý,
đồng ý, thấy bình thường, không đồng ý hay rất không
đồng ý với mỗi phát biểu?”
7
Thang đo Likert
8
Thang đo đơn hướng và đa hướng
BAÛ
NG 3.3 Keá
t quaûphaâ
n tích nhaâ
n toáEFA cuû
a khaù
i nieä
m “ chaá
t löôïng dòch vuïñaø
o taïo ”
Bieán Caù
c nhaâ
n toáchính Troïng % bieán Cron
quan soá thieâ
n giaû
i bach
saù
t thích ñöôïc α
F1 Hoïat ñoä
ng ñaøo taïo 33.849 0.726
CL_1 Chöông trình ñaø o taïo phuøhôïp toá
t vôù
i yeâu caàu cuûa thöïc tieã
n. 0.600
CL_2 Noäi dung moâ n hoïc ñöôïc ñoåi môùi, ñaù
p öùng toát yeâ
u caà u ñaøo taïo. 0.620
CL_3 Phöông phaù p giaû
ng cuû a GV phuøhôïp vôùi yeâ
u caàu cuû
a töøng moâ n hoïc. 0.652
CL_4 Giaûng vieâ
n coùkieá n thöùc saâ
u veàmoâ n hoïc ñaû m traùch. 0.673
CL_5 Caù
ch ñaùnh giaùvaøcho ñieå m sinh vieân coâng baè ng. 0.583
CL_6 Toåchöùc thi cöû
, giaùm thò coi thi nghieâm tuù c. 0.565
F2 Cô sôûvaät chaát 7.377 0.746
CL_8 Cô sôûvaät chaát tröôø
ng ñaùp öùng toát nhu caà u ñaø
o taïo vaøhoïc taä
p. 0.639
CL_9 Phoøng maù y tính ñaùp öùng toá
t nhu caà u thöïc haø
nh cuû a sinh vieân. 0.680
CL_10 Cô sôûvaä
t chaát thö vieä
n toá
t. 0.798
CL_11 Nhaân vieân thö vieän phuïc vuïtoát. 0.698
F3 Dòch vuïhoãtrôïvaøphuïc vuï 9.166 0.811
CL_13 Dòch vuïy teáñaù p öù
ng toá t sinh vieân coùnhu caà u. 0.645
CL_14 Tö vaán ñaù
p öùng toát nhu caà u choïn löïa vaøhoïc taäp cuû
a sinh vieâ
n. 0.718
CL_15 Dòch vuïtaøi chính hoãtrôïtoá t sinh vieâ n coùnhu caàu. 0.782
CL_17 Dòch vuïaên uoáng giaû i khaùt phuøhôïp vôù i nhu caàu sinh vieâ
n. 0.638
CL_19 Nhaân vieâ
n giaùo vuï, thanh tra nhieä t tình phuïc vuïsinh vieân. 0.567
CL_20 Nhaøtröôøng vaøkhoa thöôø ng xuyeâ n laéng nghe yùkieá n sinh vieâ
n. 0.579
9
Ghi chú:
1/ Khái niệm hoạt động đào tạo là 1 khái niệm
đơn hướng (các biến quan sát thành 1 nhân tố).
Tương tự khái niệm chất lượng cơ sở vật chất, khái
niệm chất lượng cơ sở vật chất cũng là 1 khái niệm
đơn hướng.
2/ Chất lượng dịch vụ đào tạo là một khái niệm đa
hướng, cụ thể nó gồm chất lượng hoạt động đào
tạo, chất lượng cơ sở vật chất và chất lượng các
hoạt động hỗ trợ. Đa hướng cũng giống đa khía
cạnh.
10
Các bước xây dựng thang đo Likert
1. Nhận diện và đặt tên biến muốn đo lường: kinh nghiệm, quan sát,
và thăm dò.
2. Lập ra một danh sách các phát biểu hoặc câu hỏi mang tính biểu
thị. Có thể lấy từ lý thuyết có liên quan, đọc sách báo, ý kiến
chuyên gia, thực nghiệm.
3. Xác định loại trả lời: đồng ý – không đồng ý; ủng hộ -- phản đối;
hữu ích -- vô ích; nhiều – không có; giống tôi – không giống tôi;
phù hợp –không phù hợp; luôn luôn – không bao giờ; đúng –
không đúng
4. Số lượng mức độ: 3, 5 hay 7 mức độ.
5. Kiểm tra toàn bộ các mục hỏi bằng cách khảo sát thử 100 – 200
người.
6. Phân tích mục hỏi trong danh sách để tìm ra một tập hợp các mục
hỏi giúp đo lường được một khía cạnh của khái niệm/biến muốn
nghiên cứu trong mô hình. 11
Phân tích các mục hỏi
12
Ví dụ dưới đây về lợi ích của việc đánh răng
hàng ngày. Từ 1: Rất không quan trọng đến 5: Rất
quan trọng.
Biến 1 2 3 4 5
V1 Ngừa sâu răng
V2 Làm trắng răng
V3 Làm khỏe nướu răng
V4 Làm hơi thở thơm tho
V5 Làm sạch cáu răng
V6 Làm răng bóng
13
Những câu trả lời thông dụng
(thang đo Likert từ 1 – 5):
1 2 3 4 5
Rất không Không quan Trung lập Khá quan Rất quan
quan trọng trọng trọng trọng
Rất không Không đồng Bình thường Đồng ý Rất đồng ý
đồng ý ý
Rất không Không quan Trung lập Quan tâm Rất quan
quan tâm tâm tâm
Rất không Không an Trung lập Khá an toàn Rất an toàn
an toàn toàn
V.V V.V V.V V.V V.V
14
Đánh giá thang đo
15
Giá trị
Giá trị nói lên khả năng đo lường của thang đo.
Có 5 loại giá trị thang đo là:
(1) Giá trị nội dung
(2) Giá trị hội tụ (EFA) giúp chúng ta đánh giá.
(3) Giá trị phân biệt (EFA) giúp chúng ta đánh giá.
(4) Giá trị liên hệ lý thuyết
(5) Giá trị tiêu chuẩn.
Giá trị của một thang đo đạt yêu cầu khi thỏa
mãn được tất cả giá trị trên cùng với tính đơn
hướng và độ tin cậy.
16
Tính đơn hướng
Nói lên tập hợp các biến đo lường chỉ đo lường
một yếu tố tiềm ẩn (khái niệm nghiên cứu) mà thôi.
17
Độ tin cậy (reliability): Nói lên khả năng cung cấp
dịch vụ phù hợp và đúng thời hạn.
18
Sự đáp ứng (Responsiness): Nói lên mức độ đáp
ứng yêu cầu của khách hàng từ nhân viên của
doanh nghiệp.
6/ Nhân viên cho bạn biết khi nào thực hiện dịch vụ.
7/ Nhân viên nhanh chóng thực hiện dịch vụ cho bạn
(khách hàng)
8/ Nhân viên luôn sẳn sàng giúp bạn.
9/ Nhân viên luôn đáp ứng yêu cầu của bạn.
19
Sự đảm bảo (Assurance): Nói lên sự tin tưởng,
khả năng đảm bảo an toàn cho khách hàng (về vật
chất, tài chính, bảo mật thông tin v.v.
20
Sự cảm thông (Ampathy): Nói lên sự quan tâm
đến yêu cầu và chăm sóc đến từng cá nhân khách
hàng thông qua tìm hiểu những đòi hỏi của khách
hàng
21
Phương tiện hữu hình (Tangibility): Thông qua
trang phục của nhân viên, trang thiết bị, cơ sở vật chất để
phục vụ.
22
Ví dụ đề tài nghiên cứu: “ Đánh giá mức độ hài lòng
của khách quốc tế sử dụng dịch vụ khách sạn trên địa
bàn thành phố HCM”.
23
Mô hình Parasuraman đánh giá chất lượng và cảm nhận dịch vụ
Độ tin cậy
k ( xi )
2
1 2
k 1 x
α = Cronbach’s Alpha
k = số lượng biến trong thang đo
∑σ2(xi)= Tổng phương sai các biến (gồm k biến q/sát).
σ2x = Phương sai tổng của các biến này của thang
n
đo
2
(x x )
i
2
i
( xi ) i 1
n 1
26
Tính hệ số Cronbach’s Alpha trên SPSS
Bảng 1. Kết quả phân tích Cronbach alpha cho thang đo khái niệm
thuận tiện (Thang đo đơn hương)
31
Cột thứ 2 biểu diễn trung bình thang đo, đó là trung bình
của tất cả biến đo còn lại, nếu bỏ đi biến đang quan sát.
Cột thứ ba là phương sai của thang đo nếu loại bỏ
biến đang quan sát.
Hệ số tương quan biến tổng: 0,472 cho biết tương quan
giữa TT1 với tổng phần còn lại (TT2TT4).
32
PHÂN TÍCH NHÂN TỐ (Factor Analysis)
Khái niệm và ứng dụng
Phân tích nhân tố là tên chung của một nhóm các thủ tục được
sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu.
Trong nghiên cứu, ta có thể thu thập được một số lượng biến
khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng
của chúng phải được giảm bớt xuống đến một số lượng mà
chúng ta có thể sử dụng được. Như vậy, EFA dùng để rút gọn
một tập k biến quan sát thành F các nhân tố (F < k) có ý nghĩa
hơn.
Phương pháp phân tích nhân tố (EFA) giúp chúng ta
đánh giá hai giá trị quan trọng của thang đo là giá trị hội
tụ và giá trị phân biệt. 33
Mục đích chủ yếu của phân tích nhân tố là
xác định số lượng và bản chất của biến tiềm
ẩn (Latent variables).
Biến tiềm ẩn là biến không thể trực tiếp
quan sát được nhưng lại có ảnh hưởng đến
một nhóm biến quan sát nào đó và có thể giải
thích cho mối liên hệ tương quan giữa các
biến quan sát này.
34
Ví dụ, khi đo lường chất lượng dịch vụ khách sạn,
thành phần (yếu tố) phòng nghỉ:
R1 Phòng nghỉ yên tỉnh
35
Ví dụ, nhân tố tác động đến lòng trung
thành của nhân viên, yếu tố công việc:
CV1 Công việc cho phép sử dụng tốt năng lực cá
nhân
39
Các đối tượng của phân tích nhân tố
+ Trong phân khúc thị trường (nhận diện các biến
quan trọng dùng để phân nhóm người tiêu dùng)
+ Trong nghiên cứu sản phẩm (xác định các yếu
tố ảnh hưởng đến sự chọn lựa của người tiêu
dùng)
+ Trong nghiên cứu quảng cáo (xác định thói
quen sử dụng phương tiện truyền thông).
40
+ Trong nghiên cứu định giá (để nhận diện
các đặc trưng của những người nhạy cảm với
giá)
+ V.v…
41
Phân tích nhân tố có 2 dạng:
1/ Phân tích nhân tố khám phá (Exploratory
Factor Analyses, viết tắt: EFA).
2/ Phân tích nhân tố khẳng định (Confirmatory
Factor Analyses, CFA).
Tổng
phương
Phần chung sai
Communality =1 Phần chung
biến
Communality <1
=100%
43
Trong PCA, phần communality đưa vào cho các
biến đo lường bằng 1, nghĩa là đưa toàn bộ (100%)
phương sai của biến đo lường Xi vào phân tích.
Trong CFA, ban đầu chúng ta chỉ chọn phần
Communality để đưa vào và nó luôn nhỏ hơn 1 và
cô lập phần riêng và sai số.
Mục tiêu của PCA là làm sao trích được nhiều
nhất phương sai các biến Xi còn mục tiêu của CFA
là giải thích tốt nhất hiệp phương sai giữa các biến
X i.
Xem một ví dụ dưới đây:
44
Từ file: thuchanhphtichnhanto.sav
Bảng 2. Communality
Khi ta sử dụng
phương pháp PCA
trong phân tích EFA,
phần chung ban đầu
(Initial) luôn bằng 1
và phần trích cuối
cùng (extraction)
nhỏ hơn 1 (xem
bảng bên cạnh).
45
Phân tích nhân tố khám phá EFA dùng
để xác định cấu trúc nhân tố, trong khi đó
phân tích nhân tố khẳng định CFA dùng để
kiểm tra cấu trúc nhân tố.
46
QUY TRÌNH PHÂN TÍCH NHÂN TỐ
49
Từ File: thuchanhphticnto.sav
Correlation Matrix trong thang đo đơn hướng 1 nhân tố Thuận tiện khi mua sắm
online với thang đo bao gồm 4 biến đo lường (xem bảng).
Bảng 3. Correlation Matrix
50
51
52
Từ bảng Communalities:
Chỉ có biến TT1 (tôi có thể
mua sắm tại nhà và bất cứ
nơi đâu) hơi nhỏ hơn 50%,
theo nguyên tắc có thể loại
ra, tùy nghiên cứu cụ thể).
53
Bảng Total Variance Explained: Ta thấy có 1 nhân tố
trích được với tổng phương sai trích là 71,064%, có nghĩa
là nhân tố này lấy được 71,064% phương sai của 4 biến
quan sát đo lường khái niệm sự thuận tiện (khi mua sắm
online). Phần còn lại là phần riêng của các biến đo lường
(TT1->TT4).
54
Communality = Tổng bình phương các hệ số
tải nhân tố. Có thể xem communality như là
R2 của mô hình hồi quy với biến phụ thuộc
là biến quan sát và các biến độc lập là các
nhân tố (xem giải thích ở các slide trước).
55
Total Variance Explained: Tổng phương sai (biến
thiên) giải thích được bởi từng nhân tố.
Thông thường phải lớn hơn 50%
58
Component matrix (ma trận thành phần hay còn
gọi là ma trận nhân tố): Ma trận chứa các hệ số
tải nhân tố của tất cả các biến quan sát với các
nhân tố được rút trích.
59
Từ File: thuchanhphtichnto.sav
Bảng 5. Component Matrix (Ma trận thành phần)
60
Rotated component matrix: chứa các hệ số tải
nhân tố của tất cả các biến với các nhân tố được
rút trích sau khi thực hiện phép xoay
61
□ Đối với các nhân tố không xoay các trục
nhân tố có thể không sắp xếp tốt với các kiểu
biến khác nhau và các hệ số tải không nói lên
kiểu biến rõ ràng.
□ Các trục nhân tố có thể được xoay để đáp
ứng chặt chẽ hơn, tương ứng các biến. Vì vậy,
việc xoay có ý nghĩa hơn.
62
Nhân tố 2
Nhân tố 2
● V1
● V2
Nhân tố 1
● V3
● V4
Nhân tố 1
● V1 Nhân tố 2
● V2
● V3
● V4
Nhân tố 1
Các trục đã xoay 63
Giả định trong phân tích nhân tố
64
Kích thước mẫu:
The common rule: At least 10 – 15 participants
per variable.
Kass and Tinsley (1979) recommended having
between 5 and 10 participants per variable up to a
total of 300.
Comrey and Lee (1992) cho là:
300 as a good sample size
100 as poor and 1000 as excelent.
65
Xác định kích thước mẫu
Kích thước mẫu cần cho nghiên cứu phụ thuộc
vào nhiều yếu tố như phương pháp xử lý (hồi quy,
phân tich nhân tố khám phá EFA, mô hình cấu trúc
tuyến tính SEM, v.v.), độ tin cậy cần thiết.
Hiện nay, các nhà nghiên cứu xác định kích thước
mẫu cần thiết thông qua các công thức kinh nghiệm
cho từng phương pháp xử lý.
66
Hair & ctg (2006) cho rằng để sử dụng EFA,
kích thước mẫu tối thiểu phải là 50, tốt hơn là 100
và tỷ lệ quan sát (observations/biến đo lường
(items) là 5:1, nghĩa là 1 biến đo lường cần tối
thiểu là 5 quan sát, tốt nhất là 10:1 trở lên.
Ví dụ, ta có 9 biến đưa vào phân tích, nếu lấy tỉ
lệ 5:1, kích thước mẫu là 9*5=45 nhỏ hơn kích
thước tối thiểu. Vì vậy,chúng ta cần mẫu là 50
(100 thì tốt hơn).
67
Trong một nghiên cứu khoa học ta thường
dùng nhiều phương pháp xử lý khác nhau. Ví dụ,
ta vừa sử dụng phân tích EFA và vừa phân tích hồi
qui, giả sử EFA đòi hỏi kích thước mẫu là 300 và
hồi qui đòi hỏi kích thước mẫu là 150, ta phải chọn
kích thước mẫu là 300.
Phương pháp chọn mẫu
Có nhiều phương pháp chọn mẫu khác nhau, có
thể chia chúng là 2 nhóm:
1/ Phương pháp chọn mẫu theo xác suất.
2/ Phương pháp chọn mẫu phi xác suất.
68
Khi mẫu được chọn theo phương pháp xác
suất thì các tham số thống kê mẫu có thể dùng để
ước lượng hoặc kiểm định các tham số của tổng
thể (đám đông) (Scheaffer & ctg 1990).
69
Trong nghiên cứu kiểm định lý thuyết khoa
học, để quyết định chọn mẫu theo phương pháp
nào nhà nghiên cứu phải xem xét nhiều yếu tố như
mục tiêu nghiên cứu, tính tổng quát hóa của kết
quả nghiên cứu, thời gian và chi phí, v.v..
Chọn mẫu phi xác suất thường được sử dụng
trong nghiên cứu khám phá sơ bộ, đặc biệt trong
nghiên cứu để đánh giá sơ bộ thang đo, và chọn
mẫu theo phương pháp xác suất được sử dụng cho
nghiên cứu chính thức [nếu có thể thực hiện được
–Nguyễn Đình Thọ (2013) – Phương pháp nghiên
cứu khoa học trong kinh doanh, tr.221].
70
Thiết kế phân tích nhân tố
71
Ma trận tương quan: Phân tích nhân tố dựa trên
các sự tương quan giữa các biến đo được.
→ Nếu hệ số tương quan giữa các biến nhỏ,
phân tích nhân tố có thể không thích hợp (Dựa vào
Bartlett’s test of sphericity để kiểm định giả thuyết
H0 cho rằng giữa các biến không có liên quan
với nhau).
(Từ bảng 3): Thang đo tính thuận tiện của việc mua sắm online
72
Số lượng nhân tố
→ Từ các thông tin chứa đựng trong các biến
gốc, ta cần rút ra một số lượng nhân tố
(component) ít hơn số biến gốc.
→ Thông thường phân tích nhân tố với mục tiêu
giảm dữ liệu, phương pháp thành phần chính
(principal component) thường được sử dụng.
→ Có vài phương pháp nhằm xác định số
lượng nhân tố gồm:
○ Xác định từ trước (priori determination),
○ Dựa vào giá trị riêng (eigenvalue),
○ Biểu đồ đường gãy khúc (scree plot),
○ Phần trăm biến thiên giải thích được (percentage of
variance), v.v.. 73
Phương pháp xác định từ trước: Khi triển khai
nghiên cứu, thông qua tổng quan lý thuyết hoặc từ
các nghiên cứu trước, ta xác định K nhân tố được
rút trích và dùng phần mềm SPSS hình thành số
lượng nhân tố như đã xác định.
Phương pháp dựa vào eigenvalue: Với tiêu chí
này, số lượng nhân tố được xác định ở nhân tố
dừng có Eigenvalue lớn hơn 1 (≥ 1) mới được
xem có ý nghĩa và được giữ lại trong mô hình phân
tích. Xem bảng 4, Total variance Explained cho
thấy có ba nhân tố trích được tại eigenvalue là
1,835.
74
Đại lượng eigenvalue là tỷ lệ giữa phương sai
được giải thích bởi một biến đơn và phương sai
được giải thích bởi một nhân tố cụ thể được rút
trích.
76
Phần trăm biến thiên giải thích được
□ Mục đích phương pháp này nhằm đảm bảo ý
nghĩa nghiên cứu của nhân tố gốc bởi chúng giải
thích mức tối thiểu sự khác biệt xác định được.
Trong khoa học xã hội khi thông tin ít rõ ràng,
phần trăm phương sai giải thích thường không nhỏ
hơn 0.6 hay 60%.
77
Xoay nhân tố
Trong bảng kết quả phân tích nhân tố là ma
trận nhân tố (Component Matrix), ma trận này
chứa các hệ số tải nhân tố (factor loading) biểu
diễn tương quan giữa các nhân tố và các biến.
□ Hệ số này lớn cho biết nhân tố và biến có
liên hệ chặt chẽ với nhau.
□ Có thể thông qua xoay các nhân tố, ma trận
nhân tố sẽ trở nên đơn giản và dễ giải thích hơn.
□ Mục đích xoay nhân tố là muốn mỗi nhân tố
có quan hệ có ý nghĩa với vài biến mà thôi.
78
Từ bảng 5 ở slide trước, 3 nhân tố được rút trích chưa
xoay.
79
3 nhân tố được rút trích sau khi xoay
Bảng 6. Ma trận xoay nhân tố
80
Output bảng 6 except (không ngoại lệ) that it is
calculated after rotation. There are several things to
consider about the format of this matrix. Factor loadings
less than 0.4 have not been displayed because we asked for
these loadings to be suppressed (chặn) ta sử dụng option
(thực hành trên lớp). Nếu this option was not selected
output will look different.
81
82
Có các phương pháp xoay nhân tố
Orthogonal rotation: Xoay các nhân tố trong đó
vẫn giữ nguyên góc ban đầu giữa các nhân tố
(thường sử dụng với mục đích giảm dữ liệu)
Có 3 phương pháp chính của Orthogonal
rotation là:
Varimax procedure (phép quay varimax): Xoay
nguyên góc các nhân tố để tối thiểu số lượng các
biến có hệ số lớn tại cùng một nhân tố, điều này
giúp cho việc dễ dàng giải thích các biến quan sát
có quan hệ chặt chẽ với một nhân tố.
83
Quartimax: xoay nguyên góc các nhân tố để tối
thiểu hóa số nhân tố có hệ số lớn tại cùng một
biến, giúp khả năng giải thích các biến.
84
Oblique: Xoay các nhân tố mà không giữ
nguyên gốc ban đầu giữa các nhân tố (tức là có
tương quan giữa các nhân tố với nhau).
Phương pháp này nên được sử dụng chỉ khi nào
các nhân tố trong tổng thể có khả năng tương
quan mạnh với nhau.
Khi sử dụng phép xoay không vuông góc ma
trận nhân tố sau khi xoay có 2 dạng: Pattern
matrix là ma trận các trọng số nhân tố và
Structure matrix là ma trận hệ số tương quan
giữa biến Xi và nhân tố Fi.
85
Mức ý nghĩa của hệ số tải nhân tố (factor
loading) dựa trên độ lớn của mẫu:
Hệ số tải nhân tố thể hiện sự tương quan giữa
các biến ban đầu (items) và nhân tố. Theo Hair
&ctg (1998), factor loading là chỉ tiêu đảm bảo
mức ý nghĩa thiết thực của EFA.
Theo Hair và cộng sự (2009) cho rằng hệ số tải
nhân tố được xác định theo kích cỡ mẫu, nếu hệ tải
nhân tố càng nhỏ thì kích thước mẫu nghiên cứu
càng lớn. Thường sử dụng hệ số tải nhân tố lớn
hơn ±0.3 đến ±0.4 là chấp nhận được (được xem là
đạt được mức tối thiểu). 86
Hair @ctg (1998,111) cũng khuyên:
89
Từ bảng: Rotated Component Matrix
Component
1 2 3
DV khach hang1 .803
DV khach hang2 .826
DV khach hang3 .750
DV khach hang4 .745
DV khach hang5 .771
Thuan tien1 .589
Thuan tien2 .844
Thuan tien3 .912
Thuan tien4 .915
Hang hoa1 .463
Hang hoa2 .889
Hang hoa3 .771
Hang hoa4 .950
90
Từ bảng trên có 3 nhân tố được rút ra
91
Nhân số (factor score)
Giả sử có n biến quan sát tham gia vào quá trình
phân tích nhân tố, từ ma trận xoay nhân tố rút trích
được i nhân tố (factor), ta có:
92
Từ một xử lý ta thu được:
94
Đưa các biến vào Variables:
95
Chọn Descriptives Chọn
96
Kết quả thống kê mô tả
97
Tiếp tục vào Extraction (rút trích)
98
Kết quả
Kết
quả
99
Bảng dưới cho biết eigenvalue lớn hơn 1 có 3
nhân tố được rút trích. Cumulatives cho biết 3 nhân
tố trên giải thích được 66,5% biến thiên của dữ liệu.
100
101
102
Từ bảng Component Matrix rất khó giải thích kết quả, bằng
cách xoay các nhân tố việc giải thích kết quả được rõ ràng hơn.
103
104
105
Từ bảng Rotated Component Matrixa, ta xác
định được 3 nhân tố và đặt tên
Nhân tố 1: Đặt tên là dịch vụ khách hàng gồm 5 items:
Dv khách hàng1:
Dv khách hàng2:
Dv khách hàng3:
Dv khách hàng4:
Dv khách hàng5:
106
Nhân tố 2: Đặt tên là thuận tiên, gồm 4 biến:
Thuận tiện1:
Thuận tiện2:
Thuận tiện3:
Thuận tiện4:
hàng hóa1:
hàng hóa2:
hàng hoa3:
hàng hóa4:
107
Component
1 2 3
DV khach hang1 -803
DV khach hang2 .826
108
Nhân số (Factor score)
111
Sau khi chạy SPSS trở về DATA VIEW, ta
thấy xuất hiện: fac1_1; fac2_1, fac3_1
fac1_1; fac2_1, fac3_1 : Trị số nhân tố đã
chuẩn hóa được lưu lại tự động nhờ lệnh
save trong phân tích nhân tố.
f1: Trị số nhân tố chưa chuẩn hóa (dùng
lệnh compute).
112
Từ dữ liệu:
thuchanhphticnto.sav
(kèm theo bài giảng)
113
Bảng Correlations cho biết tương quan từng cặp biến
114
Có 63,1% (Hay 63,6% tính theo R2) biến thiên của
biến kết quả được giải thích bởi 3 nguyên nhân.
115
Từ bảng Anova, phương sai của biến đánh giá
chung lòng trung thành của nhân viên do 3 biến
thành phần x1, x2, x3 giải thích được là 6,479.
116
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta Tolerance VIF
(Constant) .105 .177
.596 .552
1 thuan tien .298 .033 .379 9.152 .000 .840 1.190
hang hoa .222 .023 .369 9.712 .000 1.000 1.000
dich vu khach hang .379 .034 .460 11.103 .000 .840 1.191
a. Dependent Variable: y
Với độ tin cậy 95%, mẫu quan sát lớn, đại lượng kiểm
định t xấp xỉ chuẩn (giá trị tới hạn của đại lượng kiểm định
là 1,96), ta thấy từng biến nguyên nhân trong phương trình
hồi quy đều có ý nghĩa thống kê (các t kiểm định đều lớn
hơn 1,96)
Trong 3 biến trên, có biến dv khách hàng có ảnh hưởng
mạnh nhất đến sự hài lòng của khách hàng mua sắm 0nline.
117
Ta có thể sử dụng kết quả phân tích nhân tố
để xem có sự khác biệt giữa nam và nữ hay
không về tầm quan trọng của lợi ích đánh
răng bằng một kiểm định t đối với mẫu độc
lập (từ ví dụ phan tich nhan to ht1 trong bài
giảng)
Group Statistics
Equal variances
assumed
5.726 .023 -1.632 33 .112 -.53896204
loi ich suc khoe
Equal variances
not assumed
-1.614 27.663 .118 -.53896204
120
Từ dữ liệu phân tích nhân tố (fifle: thuchanhphaticnto.sav)
121
122
123
Sv nhận xét:
124
Qua kiểm tra
phần dư, nhìn
biểu đồ nhận
thấy phần dư
có phân phối
chuẩn.
125
Biểu đồ
trên dùng
để kiểm
tra phương
sai thay
đổi (Biểu
đồ cho
thấy
phương
sai không
đổi)
126
Qui trình tổng quát chạy SPSS
Analyze Data reduction Factor
Đưa các biến vào Variables
DESCRIPTIVE:
Univariate descriptives
Initial Solution
Coefficients
KMO and Bartlett’S test of sphericity
CONTINUE
127
EXTRACTION:
Mặc nhiên: Principal Components
Correlation Matrix
Eigenvalues over: 1
Unrotated factor Solution
Scree plots
Continue
128
ROTATION:
Varimax
Rotated Solution
Loading plot(s)
Continue
SCORES:
Save as Variables
Regression
Display factor Scores coefficient matrix
129
Click OPTIONS
Từ Coefficient Display format
√ Sorted value size
√ Suppress small coefficients: Absolute
value below .4
Continue và OK
130
Sử dụng kết quả phân tích nhân tố
Sau khi rút trích được các nhân tố và lưu
lại các biến mới, chúng ta sẽ sử dụng các
biến mới này thay cho tập hợp biến gốc để
đưa vào phân tích tiếp theo như kiểm định
trung bình, ANOVA, tương quan & hồi quy,
…
Chú ý: Giá trị của từng nhân tố là giá trị
trung bình của các biến quan sát thành phần
thuộc nhân tố đó.
131
Để tính giá trị trung bình của từng nhân tố
với các thành phần sau khi thực hiện phân
tích nhân tố, lệnh:
Transform Compute Target
Variable (đặt biến) Functions Mean
(chọn các biến cần tính trung bình) OK
Tiếp theo chạy tương quan và hồi quy đã
học ở phần trước.
132
MỘT SỐ GỢI Ý NGHIÊN CỨU ĐIỂN HÌNH
ĐỀ TÀI: PHÂN TÍCH CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN
ĐỘNG LỰC LÀM VIỆC CỦA NHÂN VIÊN TẠI TỔNG CÔNG
TY X
Đặt vấn đề
Mục tiêu nghiên cứu (Thúc đẩy nhân viên phát
huy năng lực làm việc, tích cực làm việc, tạo
động lực làm việc,…)
Đối tượng và phạm vi nghiên cứu
133
Cơ sở lý thuyết và mô hình nghiên cứu
• Khái niệm về động lực làm việc
• Các học thuyết về động lực làm việc (Lý thuyết về động
lực thúc đẩy làm việc bao gồm thuyết X và Y của
Douglas McGregor (1960), thuyết nhu cầu của Abraham
Maslow (1954),….
• Tình hình nghiên cứu trên thế giới
• Tình hình nghiên cứu trong nước
• Mô hình nghiên cứu gợi ý
134
Mô hình nghiên cứu
139