Ứng dụng phân tích EFA trong luận văn và nghiên cứu khoa học

This entry is part 10 of 27 in the series Phân tích nhân tố (Factor Analysis)

Cập nhật: 10/03/2022 bởi admin0

Do đây là phương pháp phân tích rất hay thấy trong các luận văn ở Việt Nam và có nhiều biến thể khác nhau nên mình sẽ cố gắng trình bày những dạng ứng dụng cơ bản nhất.

Trong tương lai khi cập nhật tài liệu này mình cũng sẽ bổ sung thêm các bài toán mà chúng ta có thể gặp.

Các bạn thường gặp 2 dạng chính trong ứng dụng phân tích khám phá nhân tố

+ Một là áp dụng cho đúng mục tiêu “khám phá nhân tố” từ một tập hợp biến mới hoàn toàn

+ Hai là thử khẳng định lại xem dự đoán xem sự phân bổ các biến quan sát theo các nhân tố có đúng như dự đoán không (Nghiên cứu sử dụng các thang đo đã có- chỉnh lý bổ sung và kiểm tra lại)

Lưu ý:

+ Dù dùng dạng nào thì đây là công cụ để chạy và liên tục hiệu chỉnh các thang đo đa hướng sao cho đảm bảo tính hội tụ và phân biệt

+ Mục đích số 1 hay số 2 thì không có sự tách bạch quá rõ ràng và cũng không có khác biệt trong cách chạy và đọc kết quả. Có chăng là sẽ có những thủ thuật thích hợp được áp dụng https://ungdung.hotronghiencuu.com/mot-so-thu-thuat-khi-phan-tich-efa-tren-spps

Sau đây chúng ta sẽ đi vào 2 bài toán cụ thể nhé

Bài toán 1: Cho một tập hợp biến quan sát nguyên nhân và một tập hợp biến quan sát kết quả (có quan hệ nhân quả). Rút gọn các biến quan sát này thành các nhân tố chính

Bài toán có thể mở rộng thêm: Biểu diễn mối quan hệ nhân quả dưới dạng hàm tuyến tính. Nhận xét và nêu hàm ý quản trị

Ví dụ: Khảo sát khách hàng đi ra cửa hàng 1 số thông tin và ghi lại về mặt hàng đồ ăn nhanh mà họ hay mua theo mẫu sau thu được bảng số liệu tương ứng (7 biến quan sát)

Yêu cầu: Tìm cách tóm tắt lại dữ liệu và tìm ra các yếu tố ảnh hưởng đến việc bán hàng

Lưu ý: Trong bài mình sẽ dùng 1 số kêt quả hồi quy tuyến tính. Các bạn có thể xem Seri bài viết đó tại đây: https://ungdung.hotronghiencuu.com/series/hoi-quy-tuyen-tinh

Tệp dữ liệu thực hành: https://drive.google.com/file/d/1TTY1PEVFr93IWxqxQDk3lYLpJP-Le7RM/view

******

Đặt vấn đề: Số lượng biến độc lập không phải là nhiều. Vậy cứ giữ nguyên data gốc và đi tìm 1 mối quan hệ nhận quả giữa các biến X và các biến Y xem sao

Kết quả thu được với biến phụ thuộc y1, y2 là

Rõ ràng 2 hàm này gặp pahir đa cộng tuyến (VIF đều rất cao)

Kiểm tra tương quan giữa các biến độc lập với nhau ta thấy rõ nguyên nhân khi x1, x2, x3 tương quan khá chặt. x4 và x5 cũng vậy. Câu chuyên tương tự giữa y1 và y2

Vậy bước đầu ta có thể dự đoán sẽ gom được X1, X2, X3 vào 1 nhóm; X4, X4 vào 1 nhóm, Y1, Y2 vào 1 nhóm

Tiếp theo ta sẽ dùng phân tích nhân tố khám phá EFA để xem như thế nào nhé.

Câu hỏi quan trọng:

Thực hiện phân tích EFA chung cho các biến hay riêng các biến độc lập và riêng các biến phụ thuộc.

Trả lời (các bạn lưu ý để áp dụng khi làm bài): Khi đã xác định rõ ràng biến độc lâp và phụ thuộc sẽ tiến hành chạy riêng

Series Navigation<< Một số thủ thuật khi phân tích EFA trên SPPSVí dụ về một số trường hợp loại biến quan sát khi chạy EFA >>

Trang: 1 2 3 4