Chương 1:

XÂY DỰNG - KIỂM ĐỊNH THANG ĐO

LƯỜNG DÙNG TRONG NGHIÊN CỨU
VÀ PHÂN TÍCH NHÂN TỐ KHÁM PHÁ

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 (+)

Söï haøi loøng

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 caà
u cuûa thöïc tieã
n. 0.600
CL_2 Noäi dung moâ n hoïc ñöôïc ñoåi môùi, ñaù
p öùng toá
t yeâ
u caà u ñaøo taïo. 0.620
CL_3 Phöông phaù p giaû
ng cuû a GV phuøhôïp vôùi yeâ
u caà
u cuû
a töøng moâ n hoïc. 0.652
CL_4 Giaûng vieâ
n coùkieá n thöùc saâ
u veàmoâ n hoïc ñaûm traùch. 0.673
CL_5 Caù
ch ñaùnh giaùvaøcho ñieå m sinh vieân coâng baèng. 0.583
CL_6 Toåchöùc thi cöû
, giaùm thò coi thi nghieâm tuùc. 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
11
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.

12
Phân tích các mục hỏi
Tìm ra và giữ lại những mục hỏi có ý nghĩa
giúp đo lường được một khía cạnh của khái niệm
nghiên cứu từ danh sách các mục hỏi ban đầu ->
kiểm tra tính đơn hướng
Tính điểm các trả lời
Kiểm tra tương quan giữa các mục hỏi và tính
toán Cronbach alpha
Kiểm tra tương quan giữa tổng điểm của từng
người và điểm của từng mục hỏi.
Tiêu chuẩn: α lớn hơn 0,7
13
 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
14
 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

15
 Đánh giá thang đo

Độ tin cậy là công cụ chỉ độ chắc chắn

trong đo lường.
Người ta sử dụng hệ số Alpha (α) để biểu
diễn độ tin cậy của thang đo.
α từ 0,80 – 0,95: được xem là rất tốt.
α từ 0,7 – 0,8: được xem là tốt.
α can reach values around and above 0,7
(0,65 to 0,84) – [Xem Cortina (1993)].

16
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.
17
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.
Ví dụ, chất lượng dịch vụ, Parasuraman đã
xây dựng thang đo SERVQUAL để đánh giá chất
lượng dịch vụ gồm 22 biến thuộc 5 thành phần
(nhân tố) để đo lường kỳ vọng và cảm nhận dịch vụ
bao gồm: Độ tin cậy, Sự đáp ứng, Sự đảm bảo, Sự
cảm thông và Phương tiện hữu hình.

18
Độ tin cậy (reliability): Nói lên khả năng cung
cấp dịch vụ phù hợp và đúng thời hạn.

1/ Khi DN hứa làm điều gì đó và thời gian nào đó thì họ sẽ

làm
2/ Khi bạn gặp trở ngại doanh nghiệp chứng tỏ mối quan
tâm, giúp bạn giải quyết trở ngại đó.
3/ DN cung cấp dịch vụ đúng ngay từ lần đầu.
4/ DN cung cấp DV đúng như thời gian đã hứa
5/ DN không để ra một sai sót nào.

19
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.

20
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.

10/ Cách cư xử của nhân viên gây niềm tin ở bạn

11/ Bạn cảm thấy an toàn khi giao dịch với doanh nghiệp.
12/ Nhân viên luôn niềm nở.
13/ Nhân viên đủ hiểu biết để giải đáp thắc mắc của bạn

21
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

14/ DN luôn đặc biệt chú ý đến bạn

15/ DN có nhân viên biết quan tâm đến bạn
16/ DN lấy lợi ích của khách hàng là điều tâm niệm
của họ
17/ Nhân viên của DN hiểu rõ nhu cầu của bạn
18/ DN làm việc vào những giờ thuận tiện.

22
Phương tiện hữu hình (Tangibility): Thông
qua trang phục của nhân viên, trang thiết bị, c ơ s ở
vật chất để phục vụ.

19/ DN có trang thiết bị hiện đại để phục vụ

20/ Cơ sở vật chất của DN rất đẹp.
21/ Nhân viên ăn mặc lịch sự
22/ Tài liệu quảng cáo, giới thiệu dịch vụ hấp dẫn

23
 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”.

Mục tiêu nghiên cứu

* Đánh giá mức độ hài lòng của khách hàng s ử d ụng
dịch vụ khách sạn trên địa bàn thành phố HCM.
* Xây dựng mô hình hồi quy thể hiện sự tác động
của các nhân tố đến sự hài lòng của khách hàng sử
dụng dịch vụ khách sạn.
* Đề xuất giải pháp nâng cao sự hài lòng của khách
hàng sử dụng dịch vụ khách sạn trên địa bàn
TPHCM.

24
Mô hình Parasuraman đánh giá chất lượng và cảm nhận dịch vụ

Độ tin cậy

Mức đáp ứng

Chất
Sự đảm bảo lượng dịch
vụ
Sự đồng cảm

Phương tiện hữu

hình
Hình ảnh khách sạn Dựa vào điều kiện cụ thể
nhà nghiên cứu thêm 25
Độ tin cậy thang đo (Hệ số Cronbach’s Alpha)
Hệ số Cronbach’s Alpha cho phép nhà nghiên
cứu đánh giá mức độ tin cậy của việc thiết lập một
biến tổng hợp còn được gọi là nhân tố hay khái niệm
nghiên cứu trên cơ sở nhiều biến đơn. Nó cho phép
đánh giá tính nhất quán (Consistency) của các biến
đơn đại diện cho cùng một hiện tượng.
Hệ số Cronbach’s Alpha chỉ đo lường độ tin cậy
của thang đo gồm 3 biến con trở lên và giá trị biến
thiên trong khoảng [0,1].
Tuy nhiên một giá trị âm là có thể, chẳng hạn một
giá trị chỉ ra một thang đo mà trong đó nhiều biến
(items) đo lường ngược lại với các biến khác. 26
 Hệ số Cronbach’s Alpha

k    ( xi ) 
2

 1  
k  1  x
2


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
 (x  x )
2
i i

 2 ( xi )  i 1

n 1
27
 Tính hệ số Cronbach’s Alpha trên
SPSS

Hệ số tin cậy Cronbach alpha cho thang đo đơn hướng:

Analyze  Scale  Reliability Analysis sau đó
đưa các biến đo lường vào ô items  OK. Kết quả ta
nhận được giá trị của α
Hệ số Cronbach’s Alpha từ:
0.8 đến 1.0 thì thang đo là rất tốt,
0.7 đến 0.8 là tốt,
Nói chung: α ≥ 0,6 là thang đo có thể chấp
nhận được về mặt độ tin cậy (Nunnally & Bernstein
1994).
28
 Nếu muốn biết một số tham số thống kê của
thang đo, cần thực hiện:
Analyze  Scale  Reliability Analysis,
đưa các biến vào ô items Statistics  nhấn
chuột trái vào Means, variances,….Nhấn chuột trái
vào Scale if Item Deleted (the one most
important for questionnaire reliability) để biết
các tham số của thang đo khi bỏ đi biến nào đó
trong thang đo,…  OK.

29
The inter-item correlations (liên hệ giữa các
item) and covariances provide us with
correlation coefficients and averages for items on
our scale. If you haven’t already done a factor
analysis then it’s useful to ask for inter-item
correlations because the overall α is affected by
the number of items being analysed, and so you
might want to check back to see whether the
items seem to interrelate well.

30
 Hệ số tương quan biến tổng
(Item-total correlation)
Là hệ số tương quan của một biến đo
lường i nào đó với điểm trung bình của các
biến khác trong cùng thang đo, do đó hệ số
này càng cao thì sự tương quan của biến này
so với các biến khác càng cao. Theo Nunally
& Burnstein (1994) các biến có h ệ s ố t ương
quan biến tổng nhỏ hơn 0.3 là biến rác và sẽ
bị loại khỏi thang đo.

31
 Trong nghiên cứu về hài lòng khi mua sắm online,
một tác giả đo lường khái niệm thuận tiện bằng 3 biến đo
lường với thang đo Likert 5 điểm với 1: hoàn toàn không
đồng ý, và 5: hoàn toàn đồng ý.
Bảng 1. Kết quả phân tích Cronbach alpha cho thang đo khái niệm
thuận tiện (Thang đo đơn hương)

32
 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: 0,757 cho biết tương quan
giữa TT1 với tổng phần còn lại (TT2TT3).
33
 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 h ệ
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.
34
 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.
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.
35
Ví dụ, khi đo lường chất lượng dịch vụ khách sạn,
thành phần (yếu tố) phòng nghỉ:
R1 Phòng nghỉ yên tỉnh
R2 Phòng nghỉ sạch sẽ (vệ sinh)
R3 Giường (nệm,gối) thoải mái
Phòng R4 Có phòng tắm sạch sẽ, thoải mái
nghỉ R5 Thiết bị trong phòng (TV,ĐT, Net) tốt
R6 Thiết bị khác đảm bảo hoạt động tốt

Ví dụ, Biến phòng nghỉ 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.
36
 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

CV2 Công việc rất thú vị

công
việc CV3 Công việc có nhiều thách thức

CV4 Hoàn thành tốt công việc sẽ được công ty

hoan nghênh
37
 - Trong phân tích phương sai, hồi quy bội,…
cần xem xét và phân biệt biến độc lập và biến phụ
thuộc, trong phân tích nhân tố không có sự phân
biệt này nên được xem như là một kỹ thuật phụ
thuộc lẫn nhau trong đó toàn bộ các mối liên hệ
phụ thuộc lẫn nhau sẽ được nghiên cứu.
- Phân tích nhân tố khám phá (EFA) bằng
phương pháp thành phần chính (principle
components) cho phép rút gọn nhiều biến
(variables, indicators hoặc items) ít nhiều có liên
quan với nhau thành những đại lượng được thể hiện
dưới dạng mối tương quan theo đường thẳng gọi
là nhân tố (factors). 38
 Phân tích nhân tố được dùng trong các
trường hợp
+ Nhận diện các khía cạnh hay nhân tố giải
thích được các liên hệ tương quan trong một tập
hợp biến.
□ Ví dụ: Ta sử dụng một tập hợp các phát
biểu về chọn lựa sản phẩm để đo lường hành vi của
người tiêu dùng. Sau đó những phát biểu này được
sử dụng trong phân tích nhân tố để nhận diện các
yếu tố cơ bản tác động đến hành vi chọn lựa sản
phẩm 39
 + Nhận diện một tập hợp gồm một số
lượng biến mới (tương đối ít và không có
tương quan với nhau) để thay thế cho tập
hợp biến quan sát gốc có tương quan với
nhau để thực hiện một phân tích đa biến tiếp
theo sau (như hồi qui, phân tích biệt số,…)
+ Để nhận ra một tập hợp gồm một số ít
các biến nổi trội từ một tập hợp nhiều biến
để sử dụng trong phân tích kế tiếp.

40
 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).

41
 + Trong nghiên cứu định giá (để nhận diện
các đặc trưng của những người nhạy cảm với
giá)
+ v.v…

42
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).

Phân tích nhân tố khám phá có hai loại là:

1/ Phân tích thành phần chính (Principal
Components Analysis, PCA) và
2/ Phân tích nhân tố chung (Common Factors
Analysis hay Factor Analysis, FA)
Cả 2 PCA và FA hầu như đều cho kết quả
phân tích giống nhau. 43
 Điểm khác nhau giữa PCA và FA

Phân tích thành phần chính Phân tích yếu tố chung (FA)
(PCA) Phần riêng và sai số

Tổng
phương
Phần chung
sai
Communality =1 Phần chung
biến
Communality <1
=100%

Hình 1. Communality trong PCA và CFA

44
 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 Xi.
Xem một ví dụ dưới đây:
45
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).

46
 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.

Trong bài này, tác giả chỉ đề cập đến phân

tích thành phần chính PCA của quá trình
phân tích nhân tố khám phá EFA với
Varimax.

47
 QUY TRÌNH PHÂN TÍCH NHÂN TỐ

Xác định các biến đo lường

- Xác định ma trận tương quan

- Hệ số KMO
- Kiểm định Barlett
- Đánh giá kết quả rút trích
- Tính giá trị Eigenvalue
- Tính các hệ số tải nhân tố (trước xoay)
- Xác định số nhân tố
Xoay nhân tố - Tính điểm nhân tố

Hiệu chỉnh nhân tố & Giải thích kết quả

48
Một số tham số trong phân tích nhân tố
Kiểm định Barlett’s test of Sphericity: Kiểm định
dùng xem xét mối liên hệ lẫn nhau giữa các biến
dùng trong phân tích. Giả thuyết H 0 cho rằng
không có mối liên hệ giữa các biến.
Kaiser-Meyer-Olkin (KMO – measure of sampling
adequacy): Dùng để xem xét sự thích hợp của
phân tích nhân tố. 0 ≤ KMO ≤ 1;
Khi KMO ≥ 0.5 thì có thể khẳng định dữ liệu
là thích hợp cho phân tích nhân tố.
Khi KMO ≤ 0.5 thì cần phải lần lượt bỏ items
cho đến khi giá trị này thỏa mãn. 49
Correlation Matrix: Ma trận thể hiện hệ số tương
quan giữa các cặp biến quan sát dùng trong phân
tích.
Communality: Lượng biến thiên của một biến
được giải thích chung với các biến khác được xem
xét trong phân tích (tức là phần biến thiên mà một
biến chia sẻ chung với tất cả biến khác tham gia
trong phân tích) và giá trị này phải lớn hơn hoặc
bằng 0.5 (Hair, Black, Babin & Anderson, 2009)

50
Từ File: MUAS0NLINE.sav
Correlation Matrix trong thang đo đơn hướng
1 nhân tố Thuận tiện khi mua sắm online với
thang đo bao gồm 3 biến đo lường (xem bảng).

Bảng 3. Correlation Matrix

51
52
53
Từ bảng Communalities: Xem Extraction không
có biến nào nhỏ hơn 50%. 54
 Bảng Total Variance Explained: Ta thấy có 1 nhân
tố trích được với tổng phương sai trích là 84,536%, có
nghĩa là nhân tố này lấy được 84,536% phương sai
của 3 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->TT3).
55
Communality = Tổng bình phương các hệ số
tải nhân tố. Có thể xem communality như là R 2
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).

56
Total Variance Explained: Tổng phương sai
(biến thiên) giải thích được bởi từng nhân tố.
Thông thường phải lớn hơn 50%

Eigenvalue: Phần biến thiên được giải thích bởi

mỗi nhân tố.
Eigenvalue của từng nhân tố = Tổng bình phương
các hệ số tải trong từng nhân tố.
Factor loading (hệ số tải nhân tố): Hệ số
tương quan đơn giữa các biến ban đầu (items) và
các nhân tố (factors)
57
Phương sai các thành phần trích được từ 11 biến đo
lường thang đo tính nổi trội (thuận tiện, hàng hóa, dv
khách hàng) của việc mua sắm online là 74,330%
58
Cross-loading: Hệ số tương quan của một biến
(items) với nhân tố thứ 2 trở lên.
□ Hệ số này phải nhỏ hơn hệ số tải nhân tố
tương ứng với mẫu nghiên cứu.
□ Nếu mẫu là 350 thì hệ số này phải nhỏ
hơn 0.3,….

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
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

Factor Rotation (xoay nhân tố):

□ Mỗi biến nằm trong mặt phẳng hình
thành bởi 2 nhân tố.
□ Các hệ số tải của nhân tố được diễn đạt
tương quan giữa nhân tố và biến (cũng có thể xem
là tọa độ của biến trên mặt phẳng này).

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
63
 Nhân tố 2
Nhân tố 2
● V1
● V2
Nhân tố 1
● V3
● V4
Nhân tố 1

Các trục chưa xoay

● V1 Nhân tố 2
● V2

● V3
● V4
Nhân tố 1
Các trục đã xoay 64
Giả định trong phân tích nhân tố

Phân tích nhân tố dựa trên mối liên hệ

tương quan tuyến tính giữa các biến và do đó
đòi hỏi cùng một giả định như phân tích dữ liệu
tham số và các mối quan hệ tuyến tính.
Vì vậy, dữ liệu phải là dữ liệu định lượng
liên tục (thang đo khoảng), được lấy ra từ tổng
thể có phân phối chuẩn.

65
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.

66
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.
67
 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).

68
 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.
69
 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).

Khi mẫu được chọn theo phương pháp phi xác

suất (vd, chọn theo sự thuận tiện) thì các tham số
thống kê mẫu không thể dùng để ước lượng hoặc
kiểm định các tham số của tổng thể (đám đông).

70
 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].
71
Thiết kế phân tích nhân tố

Xác định vấn đề (mục tiêu phân tích nhân tố)

□ Xác định các biến tham gia vào phân tích
nhân tố (căn cứ vào các nghiên cứu trước đó,
phân tích lý thuyết, đánh giá của các nhà nghiên
cứu).
□ Các biến này phải được đo bằng thang đo
khoảng hoặc tỷ lệ.

72
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).
Thang đo tính thuận tiện của việc mua sắm online

73
Từ file: MUASONLINE.SAV

Thang đo tính thuận tiện của việc mua sắm online

74
 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.. 75
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 slide sau, Total variance Explained
cho thấy có ba nhân tố trích được tại eigenvalue là
1,772.
76
Từ bảng dưới đây, Total variance Explained cho thấy có ba
nhân tố trích được tại eigenvalue là 1,772.

77
 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.

Phuong sai duoc giai thich boi 1 bien don

Eigenvalue 
Phuong sai duoc giai thich boi
1 nhan to rut trich

Những nhân tố có eiginvalue < 1 sẽ

không có tác dụng tóm tắt thông tin tốt hơn
một biến gốc. 78
Phương pháp Scree test (điểm gãy): Scree test
nhận được từ biểu đồ của eigenvalue giữa số nhân
tố (trục hoành) và giá trị của eigenvalue (trục tung).
Từ File: MUASONLINE
.sav

79
 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%.

80
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.
81
 Từ
bảng 5 ở
slide
trước, 3
nhân tố
được rút
trích
chưa
xoay.

82
3 nhân tố được
rút trích sau khi
xoay

Bảng 6.
Ma trận
xoay nhân
tố

83
 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.

84
85
 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.
86
 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.

Equimax: xoay các nhân tố để đơn giản hóa

việc giải thích cả biến lẫn nhân tố
Trong 3 phương pháp trên, Varimax được
sử dụng rộng rãi nhất vì nó chỉ ra sự chia cắt rõ
nhất của các nhân tố

87
 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.

88
 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). 89
Hair @ctg (1998,111) cũng khuyên:

Hệ số tải nhân tố Kích thước mẫu

> 0,30 350
> 0.35 250
0.40 200
0.45 150
0.50 120
> 0.55 100
0.60 85
0.65 70
0.70 60
> 0.75 50

Hair và công sự (2009)

90
 Việc giải thích các nhân tố dựa vào các biến
có hệ số tải nhân tố (factor loading) lớn ở
cùng một nhân tố
Đặt
tên Ví dụ: Từ ma trận nhân tố xoay ta thấy nhân tố
và 1 có các hệ số tải nhân tố lớn ở các biến:
diễn v9: dv khach hang1 (có hệ số tải nhân tố: 0,803);
giải v10: dv khach hang2 (có hệ số tải nhân tố: 0,826);
v11: dv khach hang3 (có hệ số tải nhân tố: 0,750);
các v12: dv khach hang4 (có hệ số tải nhân tố: 0,745);
nhân v13: dv khach hang5 (có hệ số tải nhân tố: 0,771);
tố Do đó, nhân tố này có thể đặt tên là “Dịch
vụ khách hàng”
91
Hay các biến:
V1: thuan tien1;
V2: thuan tien2;
V3: thuan tien3;
V4: thuan tien4.
Nhân tố này có thể đặt tên là “Sự thuận tiện
(convenience)”

92
 Từ bảng: Rotated Component Matrix
Component
1 2 3

DV khach hang1 .805

DV khach hang2 .830

DV khach hang3 .755

DV khach hang4 .752
DV khach hang5 .776
Thuan tien1 .859
Thuan tien2 .921
Thuan tien3 .920
Hang hoa1 .895
Hang hoa2 .816
Hang hoa3 .952
93
 Từ bảng trên có 3 nhân tố được rút ra

Nhân tố Đặt tên

1 Dịch vụ khách hàng (gồm 5 biến)

2 Thuận tiện (gồm 3 biến)

3 Hàng hóa (gồm 3 biến)

94
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:

Fi = Wi1X1+Wi2X2 + Wi3X3+…+ WikXk

Fi – là ước lượng trị số của nhân tố thứ i,

Wik – là quyền số hay trọng số nhân tố
(component Score Coefficient Matrix)

95
 Từ một xử lý ta thu được:

F1 = - 0,052 thuan tien1 – 0,080 thuan tien2 - …+ 0,281 dv khach

hang5. 96
Phân tích nhân tố với SPSS (File: thuchanhphticnto.sav)
Từmenu:Analyze→Demension Redution →Factor

97
Đưa các biến vào Variables:

98
Chọn Descriptives Chọn

99
Kết quả thống kê mô tả

100
Tiếp tục vào Extraction (rút trích)

101
Kết quả

102
 Bảng dưới cho biết eigenvalue lớn hơn 1 có 3
nhân tố được rút trích. Cumulatives cho bi ết 3
nhân tố trên giải thích được 74,330% biến thiên c ủa
dữ liệu.

103
104
105
106
 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.

107
108
109
Điều chỉnh mô hình

Dịch vụ khách hàng

Hài lòng khách

Thuận tiện hàng khi mua
sắm online

Hàng hóa

110
 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:
111
 Nhân tố 2: Đặt tên là thuận tiên, gồm 4 biến:
Thuận tiện1:
Thuận tiện2:
Thuận tiện3:

Nhân tố 3: Đặt tên là hàng hóa , gồm 4 biến:

Hàng hóa1:
Hàng hóa2:
Hàng hoa3:
112
 Component
1 2 3

DV khach hang1 .805

DV khach hang2 .830

DV khach hang3 .755

DV khach hang4 .752
DV khach hang5 .776
Thuan tien1 .859
Thuan tien2 .921
Thuan tien3 .920
Hang hoa1 .895
Hang hoa2 .816
Hang hoa3 .952
Cronbach Alpha
% of Variance 36,500 21,717 16,113
Extraction Sums of Squared Loadings Cumulative 74,330
113
Nhân số (Factor score)
Nếu mục tiêu của phân tích nhân tố là bi ến
đổi một tập hợp biến gốc thành một tập hợp các
biến tổng hợp (nhân tố) có số lượng ít hơn để sử
dụng trong các phương pháp phân tích đa biến,
ta tính trị số của biến tổng hợp này cho từng
trường hợp quan sát một. Nhân số của nhân tố
thứ i:

Fi= Wi1X1 + Wi2X2+…+ WikXk

114
115
116
Từ bảng ma trận hệ số nhân tố (Component Score
Coefficient Matrix), ta có thể tính ra 3 nhân số cho
từng quan sát (từng người trả lời). Ví dụ:

F1= - 0,052 mua hang truc tuyen hoat dong 24h

– 0,080 tiet kiem thoi gian – 0,083 mua va thanh toan
de dang - 0,018 san pham phu hop voi so tien tra
+ 0,009 san pham phong phu - 0,015 san pham dam
bao chat luong +0,259 nhan vien luon vui ve + 0,270
nhan vien luon ho tro + 0,274 nhan vien luon giup do
+ 0,238 hang hoa duoc giao tan noi + 0,281 hang hoa
giao dung thoi han.
Tương tự cho F2 và F3.
117
 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).

118
 Từ dữ liệu:
MUASONLINE.sav
(kèm theo bài giảng)
Ta chạy mô hình hồi quy bội

119
Bảng Correlations cho biết tương quan từng cặp biến

120
 Có 89,9% (Hay 90,0% tính theo R2) biến
thiên của biến kết quả được giải thích bởi 3
nguyên nhân: hàng hóa, thuận tiện và d ịch v ụ
khách hàng.

121
Kiểm định sự phù hợp cùa Toàn bộ mô hình

Đặt giả thuyết:

H0: β1 = β2 = β3 =0 Hay H : R2pop = 0
H1: β1 và/ hay β2 hay β3 không bằng không
Từ bảng xử lý bằng SPSS: p-value = 0,000 < 0,05. Ta
bác bỏ H0. Đủ bằng chứng để kết luận các biến độc lập
đưa vào giải thích một cách có ý nghĩa cho biến thiên
biến phụ thuộc, hay toàn bộ mô hình là có ý nghĩa
122
thống kê.
 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
online. 123
 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 sự hài lòng khi
mua sắm online bằng một kiểm định t đối với
mẫu độc lập (từ ví dụ MUASONLINE.sav)

124
125
Có sự khác biệt có ý nghĩa thống kê: Nam và và nữ đều có
sự hài lòng về DVKH là như nhau (H0: Cho rằng giống
nhau, sig. =0,380 > 0.5; ta chưa bác bỏ được H0.
Ngoài kết quả trên, cũng cần có thêm những
kết quả phân tích khác, đó là kiểm tra phần dư và
phương sai thay đổi 126
 Ngoài kết quả trên, cũng cần có thêm những
kết quả phân tích khác, đó là kiểm tra phần dư
và phương sai thay đổi

Các bước kiểm tra phần dư và phương

sai thay đổi.

127
Từ dữ liệu phân tích nhân tố (fifle: MUASONLINE.sav)

128
129
130
SV NHẬN XÉT: 131
 Qua
kiểm tra
phần dư,
nhìn
biểu đồ
nhận
thấy
phần dư
có phân
phối
chuẩn.
132
Biểu đồ trên dùng để kiểm tra liên hệ tuyến tính và phương
sai thay đổi (Biểu đồ cho thấy phương sai không đổi) 133
 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
134
EXTRACTION:
Mặc nhiên: Principal Components
 Correlation Matrix
 Eigenvalues over: 1
 Unrotated factor Solution
 Scree plots
 Continue

135
ROTATION:
 Varimax
 Rotated Solution
 Loading plot(s)
Continue
SCORES:
 Save as Variables
 Regression
 Display factor Scores coefficient matrix
136
 Click OPTIONS
Từ Coefficient Display format
√ Sorted value size
√ Suppress small coefficients: Absolute
value below .4
Continue và OK

137
 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.
138
 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.

139
 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

140
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

141
 Mô hình nghiên cứu

Bản chất công việc (H1)

Thu nhập – phúc lợi (H2)

Đào tạo – thăng tiến (H3)

Động lực
Đồng nghiệp (H4)
làm việc

Khen thưởng (H5)

Điều kiện làm việc (H6)

142
 Bảng câu hỏi sơ bộ (thang đo Likert 1= Rất không
đồng ý đến 5= Rất đồng ý)
Biến BẢN CHẤT CÔNG VIỆC Mức độ đồng ý
CV1 Được chỉ dẫn rõ việc mình phải làm 1 2 3 4 5
CV2 Công việc phù hợp với năng lực của mình 1 2 3 4 5
CV3 Khối lượng công việc được phân công hợp lý 1 2 3 4 5
CV4 Công việc không phải chịu nhiều áp lực 1 2 3 4 5
CV5 Cảm thấy thoải mái khi làm việc 1 2 3 4 5
CV6 … …
THU NHẬP – PHÚC LỢI Mức độ đồng ý
TN1 Được nhận lương tương xứng với kết quả làm việc 1 2 3 4 5
TN2 Thường được tăng lương 1 2 3 4 5
TN3 Tiền lương, thu nhập được trả công bằng 1 2 3 4 5
TN4 Có thể sống hoàn toàn dựa vào thu nhập tại cty 1 2 3 4 5
TN5 v.v. 1 2 3 4 5
143
 ĐÀO TẠO VÀ THĂNG TIẾN Mức độ đồng ý
ĐT1 Được hướng dẫn rõ kỹ năng nghiệp vụ 1 2 3 4 5
ĐT2 Được công khai những điều kiện để được thăng 1 2 3 4 5
tiến
ĐT3 Công ty quan tâm gửi nhân viên đi đào tạo, cập 1 2 3 4 5
nhật kiến thức
ĐT4 Công ty tạo nhiều cơ hội thăng tiến tương xứng 1 2 3 4 5
với năng lực
ĐT5 v.v. 1 2 3 4 5

ĐỒNG NGHIỆP Mức độ đồng ý

ĐN1 Đồng nghiệp thân thiện và cởi mở 1 2 3 4 5
ĐN2 Đồng nghiệp phối hợp làm việc tốt 1 2 3 4 5
ĐN3 Đồng nghiệp luôn sẳn lòng giúp đở lẫn nhau 1 2 3 4 5
ĐN4 Được dễ dàng giao tiếp, trao đổi với cấp trên 1 2 3 4 5
ĐN5 Cấp trên đối xử công bằng với mọi nhân viên 1 2 3 4 5
ĐN6 Cấp trên luôn lắng nghe ý kiến nhân viên
144
Biến KHEN THƯỞNG Mức độ đồng ý
KT1 Công ty đánh giá hoàn thành công việc công 1 2 3 4 5
bằng và khoa học
KT2 Được động viên khen thưởng kịp thời khi hoàn 1 2 3 4 5
thành tốt công việc
KT3 Được khen thưởng xứng đáng với mức độ hoàn 1 2 3 4 5
thành nhiệm vụ
KT4 Kết quả đánh giá khen thưởng khách quan công 1 2 3 4 5
bằng với mọi thành viên
KT5 v.v. 1 2 3 4 5

ĐIỀU KIỆN LÀM VIỆC Mức độ đồng ý

ĐK1 Cơ sở làm việc có trang bị hiện đại để làm việc 1 2 3 4 5
ĐK2 Được trang bị đầy đủ dụng cụ làm việc 1 2 3 4 5
ĐK3 Điều kiện làm việc thoải mái 1 2 3 4 5
ĐK4 Vị trí công việc ổn định ít bị thay đổi 1 2 3 4 5
ĐK5 Vị trí địa lý công ty thuận lợi đi làm 1 2 3 4 5
ĐK6 Cơ sở vật chất của công ty rất đẹp
145
 SỰ HÀI LÒNG CHUNG ĐỐI VỚI CÔNG VIỆC Mức độ đồng ý
HL1 Có ý định làm việc lâu dài cùng công ty 1 2 3 4 5
HL2 Không có ý định đổi việc với lời đề nghị lương 1 2 3 4 5
bổng hấp dẫn hơn
HL3 Về nhiều phương diện, coi công ty là mái nhà 1 2 3 4 5
thứ hai của mình
HL4 v.v

146