Các tiêu chí lựa chọn số nhân tố được trích xuất

This entry is part 8 of 27 in the series Phân tích nhân tố (Factor Analysis)

Cập nhật: 21/09/2021 bởi admin0

Có 4 tiêu chí sẽ được đề cập. Ngoại trừ tiêu chí số 1 cứng nhắc, thường được áp dung cứng nhắc ở VN thì các bạn có thể sử dụng các tiêu chuẩn còn lại một cách mềm mại kết hợp các tiêu chỉ đó. Nên nhớ 1 bài phần tích EFA không phải lúc nào cùng có duy nhất 1 đáp số nhé.

“Eigenvalue-one criterion”- Tiêu chuẩn giá trị riêng so với 1

Tiêu chí eigenvalue-one (còn được gọi là tiêu chí Kaiser (Kaiser, 1960)) là một trong những phương pháp phổ biến nhất để thiết lập số lượng thành phần cần giữ lại trong phân tích các thành phần chính và nó là tùy chọn mặc định trong Thống kê SPSS.

Thật vậy, mặc định này được giữ cho lần lặp đầu tiên này của phân tích các thành phần chính trong hướng dẫn này. Giá trị riêng nhỏ hơn một cho biết rằng thành phần giải thích ít phương sai hơn mà một biến sẽ và do đó không nên được giữ lại. Ưu điểm chính của tiêu chí này là nó rất đơn giản. Trong trường hợp này hệ số eigenvalue (giá trị riêng) giữa thành phần thứ 5 và 6 chênh nhau đáng kể (1.350 và 0.985) như vậy tiêu chuẩn này rất hiệu quả

Tuy nhiên tiêu chuẩn này cũng gây ra một số cạm bẫy lớn. Một khó khăn là khi giá trị riêng của các thành phần di chuyển gần với một. Xét vị dụ dưới

Rõ ràng lúc này 2 thành phần 5 và 6 không có sự khác biệt nhiều về phương sai giải thích được (eigenvalue là 1.003 và 0.998), tuy nhiên theo tiêu chuẩn này thì máy tính trích ra 5 thành phần và bỏ thành phần thứ 6 đi.

Lúc này áp dụng máy móc tiêu chí này có vẻ không hợp lý.

Phần trăm phương sai được giải thích

Có hai tiêu chí xoay quanh việc kiểm tra tỷ lệ / phần trăm của tổng phương sai được giải thích bởi từng thành phần

+ tỷ lệ của phương sai được giải thích bởi từng thành phần (tính b ăng eigenvalue chi cho tổng số biến quan sát)

+ phần trăm phương sai tích lũy được giải thích bởi một số thành phần.

Bạn sẽ tìm thấy thông tin này trong cột ” % Phương sai ” (% of Variance) và ” % Tích lũy ” (Cumulative %) trong cột “Eigenvalue nguyên bản ” (Initial Eigenvalues) trong bảng Tổng Phương sai Giải thích (Total Variance Explained ).

Khi số thành phần tăng lên, mỗi thành phần tiếp theo giải thích ít hơn về tổng phương sai. Do đó, thành phần đầu tiên giải thích 38.769% tổng phương sai, trong khi thành phần thứ hai giải thích chỉ 11.694%. Và xu hướng này tiếp tục với số lượng thành phần ngày càng tăng. Người ta đề xuất rằng một thành phần chỉ nên được giữ lại nếu nó giải thích được ít nhất 5% đến 10% tổng phương sai. Theo tiêu chuẩn này thì ta lại chỉ nên giữ lại 4 thành phần đầu tiên. Như vậy ta sẽ cần phân tích EFA lại và cố định số thành phần là 4 hay vì để mắc đinh tiêu chuẩn “eigenvalue greater than 1”

Nếu mong muốn tổng phương sai tích lữ từ trên 50% trở lên thì số thành phần đươc trích từ 2 trở lên đã đạt yêu cầu trong trường hợp này.

Series Navigation<< Phân tích thành phần chính trên SPSSMột số thủ thuật khi phân tích EFA trên SPPS >>

Trang: 1 2