Factor Loading in Phân Tích Nhân Tố

I. Factor Loading – Khái Niệm, Ý Nghĩa Và Vai Trò Trong Phân Tích Nhân Tố (EFA, CFA)

• Đo lường cường độ mối quan hệ: Giá trị tuyệt đối của factor loading càng cao, mối quan hệ giữa biến quan sát và nhân tố tiềm ẩn càng mạnh mẽ. Điều này có nghĩa là biến quan sát đó càng phản ánh rõ nét đặc điểm của nhân tố.
• Xác định biến đại diện: Trong phân tích nhân tố khám phá (EFA), factor loading giúp các nhà nghiên cứu xác định biến nào nên được giữ lại và biến nào nên bị loại bỏ. Một biến có factor loading thấp cho thấy nó không đóng góp đáng kể vào việc hình thành nhân tố.
• Kiểm định độ tin cậy và giá trị hội tụ: Trong phân tích nhân tố khẳng định (CFA) và mô hình cấu trúc tuyến tính (SEM), factor loading là tiêu chí cốt lõi để đánh giá độ tin cậy và giá trị hội tụ của thang đo. Hệ số tải cao cho thấy các biến quan sát trong cùng một nhân tố có sự hội tụ tốt, tức là chúng đo lường cùng một khái niệm.

II. Tiêu Chuẩn Đánh Giá Factor Loading: Mức Ngưỡng Và Ý Nghĩa Thực Tiễn

• Độ chênh lệch tải (difference in loadings): Khi một biến có factor loading cao ở nhiều nhân tố khác nhau (thường gọi là biến “đa tải” hoặc “cross-loading”), nó gây ra sự mơ hồ trong việc gán biến vào một nhân tố cụ thể. Để tránh tình trạng này, sự chênh lệch giữa factor loading lớn nhất và lớn nhì của cùng một biến ít nhất phải là 0.3 đơn vị. Nếu không, biến đó có thể cần được xem xét loại bỏ hoặc phân bổ lại.
• Tổng phương sai trích (Total Variance Explained): Chỉ số này cho biết tổng phần trăm phương sai của tất cả các biến quan sát được giải thích bởi các nhân tố trích xuất. Tổng phương sai trích phải đạt ít nhất 50% (Hair et al.) để mô hình nhân tố được coi là hợp lý và có ý nghĩa giải thích tốt. Nếu thấp hơn, mô hình nhân tố có thể chưa đại diện đủ cho dữ liệu gốc.
• KMO (Kaiser-Meyer-Olkin) và Bartlett’s Test of Sphericity: Các kiểm định này đánh giá mức độ phù hợp của dữ liệu để tiến hành phân tích nhân tố. KMO cần lớn hơn 0.5 (lý tưởng là > 0.7). Bartlett’s Test of Sphericity cần có giá trị p < 0.05.

III. Phân Tích Factor Loading Trên SPSS (EFA – Phân Tích Nhân Tố Khám Phá)

1. Menu: Analyze → Dimension Reduction → Factor...
2. Variables: Chuyển tất cả các biến quan sát mà bạn muốn đưa vào phân tích nhân tố từ khung bên trái sang khung Variables(s): bên phải.
3. Descriptives…:
   • Trong hộp thoại Factor Analysis: Descriptives, chọn KMO and Bartlett's test of sphericity để kiểm tra khả năng tương quan giữa các biến có đủ mạnh để thực hiện EFA.
   • Chọn Anti-image để kiểm tra thang đo con có đủ tốt không.
   • Nhấn Continue.
4. Extraction…:
   • Method: Chọn Principal Components (Phương pháp thành phần chính). Đây là phương pháp phổ biến nhất và thường được mặc định.
   • Analyze: Chọn Correlation Matrix.
   • Extract: Chọn Eigenvalues greater than 1 (Theo tiêu chí Kaiser). Đây là cách phổ biến để xác định số lượng nhân tố được trích xuất. Tùy từng trường hợp, bạn có thể chọn Fixed number of factors nếu đã có cơ sở lý thuyết rõ ràng về số nhân tố.
   • Nhấn Continue.
5. Rotation…:
   • Method: Chọn Varimax (phương pháp xoay trực giao). Varimax tối ưu hóa sự khác biệt giữa các factor loading của các biến trên các nhân tố khác nhau, giúp mỗi biến quan sát tải mạnh lên một nhân tố duy nhất, làm cho cấu trúc nhân tố trở nên rõ ràng và dễ diễn giải hơn. Các tùy chọn khác như Oblimin (xoay chéo) có thể được sử dụng khi các nhân tố được kỳ vọng có tương quan với nhau.
   • Nhấn Continue.
6. Options…:
   • Missing Values: Chọn Exclude cases pairwise hoặc Exclude cases listwise (thường là listwise để đảm bảo mẫu nhất quán).
   • Coefficient Display Format: Chọn Sorted by size (sắp xếp factor loading theo giá trị giảm dần) và Suppress small coefficients với giá trị tuyệt đối nhỏ hơn 0.3 (hoặc 0.4 tùy tiêu chuẩn của bạn). Các tùy chọn này giúp bảng kết quả dễ đọc và tập trung vào các factor loading có ý nghĩa.
   • Nhấn Continue, sau đó OK để chạy phân tích.

• Xác định nhân tố: Mỗi cột trong bảng đại diện cho một nhân tố (ví dụ: Component 1, Component 2, v.v.).
• Giá trị factor loading: Mỗi hàng đại diện cho một biến quan sát, và giá trị số trong mỗi ô là factor loading của biến đó trên nhân tố tương ứng.
• Ví dụ minh họa: Giả sử bạn có biến HAY_LONG_A1 và HAY_LONG_A2 đo lường “Hài lòng về sản phẩm”. Sau khi chạy EFA, trong Rotated Component Matrix, bạn thấy:
  • HAY_LONG_A1: 0.820 trên Component 1, và 0.150 trên Component 2.
  • HAY_LONG_A2: 0.785 trên Component 1, và 0.180 trên Component 2.
  • CHUYEN_NGHIEP_B1: 0.100 trên Component 1, và 0.750 trên Component 2.

Với ví dụ này:

• HAY_LONG_A1 và HAY_LONG_A2 có factor loading cao trên Component 1 (> 0.70), và tải rất thấp trên Component 2 (< 0.30). Điều này cho thấy chúng thuộc về Component 1, đại diện cho nhân tố “Hài lòng”.
• CHUYEN_NGHIEP_B1 có factor loading cao trên Component 2 (> 0.70) và thấp trên Component 1, cho thấy nó thuộc về Component 2, có thể đại diện cho nhân tố “Chuyên nghiệp”.

• Lọc biến (Item deletion): Bất kỳ biến nào có factor loading (giá trị tuyệt đối) nhỏ hơn ngưỡng quy định (ví dụ 0.3 hoặc 0.4) trên tất cả các nhân tố đều nên được loại bỏ. Tương tự, nếu một biến có factor loading cao trên nhiều nhân tố (biến đa tải) và độ chênh lệch tải không đạt 0.3, cần xem xét loại bỏ biến đó để đảm bảo cấu trúc nhân tố rõ ràng. Sau khi loại bỏ biến, bạn cần chạy lại EFA cho đến khi đạt được cấu trúc nhân tố tối ưu.

IV. Đánh Giá Factor Loading Trong AMOS & SmartPLS (CFA – Phân Tích Nhân Tố Khẳng Định & SEM)

A. Phân tích Factor Loading trên AMOS (CFA với mô hình đo lường)

1. Thiết kế mô hình đo lường:
   • Mở AMOS Graphics.
   • Sử dụng công cụ vẽ để tạo hình tròn/oval đại diện cho các nhân tố tiềm ẩn (latent variables) và hình vuông/chữ nhật cho các biến quan sát (observed variables/indicators).
   • Vẽ mũi tên một chiều từ nhân tố tiềm ẩn đến các biến quan sát mà nó được kỳ vọng là đo lường. Đây chính là các hệ số tải nhân tố mà chúng ta sẽ đánh giá.
   • Vẽ mũi tên hai chiều giữa các nhân tố tiềm ẩn (nếu chúng có tương quan) và giữa các biến quan sát nếu có lỗi tương quan (error covariance).
   • Gán tên cho các biến quan sát và nhân tố tiềm ẩn.
   • Thêm các sai số đo lường (error terms) cho mỗi biến quan sát và gán tên cho chúng.
   • Chuẩn hóa: Để có thể diễn giải factor loading như một hệ số trọng số chuẩn hóa, bạn cần chuẩn hóa một trong các biến quan sát cho mỗi nhân tố tiềm ẩn (bằng cách đặt hệ số hồi quy của biến đó bằng 1) hoặc chuẩn hóa phương sai của nhân tố tiềm ẩn bằng 1. Thông thường, AMOS sẽ tự động đặt một biến có tải cao nhất làm biến chuẩn hóa khi tính Standardized Estimates.
2. Cấu hình phân tích:
   • Chọn Analyze → Analysis Properties....
   • Trong tab Output, chọn Standardized estimates và Modification indices (để tối ưu hóa mô hình nếu cần).
   • Nhấn Close.
3. Chạy phân tích:
   • Nhấn vào biểu tượng Calculate Estimates (hình máy tính với mũi tên đi xuống).
   • Lưu ý: Nếu có lỗi, AMOS sẽ báo và bạn cần sửa lỗi trước khi chạy thành công.

• Hiển thị kết quả trực quan: Sau khi chạy, AMOS sẽ hiển thị các giá trị Standardized Regression Weights trực tiếp trên các mũi tên từ nhân tố tiềm ẩn đến biến quan sát trên đồ thị mô hình. Đây chính là các factor loading chuẩn hóa.
• Bảng kết quả chi tiết: Để xem bảng chi tiết, chọn View → Text Output. Trong Text Output cửa sổ, tìm đến phần Estimates và sau đó tìm Standardized Regression Weights.
• Đánh giá:
  • Ngưỡng: Trong CFA, các nhà nghiên cứu thường yêu cầu các factor loading chuẩn hóa phải lớn hơn 0.5, và lý tưởng là 0.7 để đảm bảo giá trị hội tụ tốt.
  • Ý nghĩa thống kê: Cần kiểm tra cột P (p-value). Giá trị p < 0.05 cho thấy factor loading có ý nghĩa thống kê, tức là mối quan hệ giữa biến quan sát và nhân tố là có thật trong quần thể. AMOS cũng thường đánh dấu dấu *** nếu p < 0.001.
  • Ví dụ thực tế: Một nhân tố “Chất lượng dịch vụ” được đo bằng 3 biến CLDV1, CLDV2, CLDV3. Nếu CLDV1 có Standardized Regression Weight là 0.82 (p < 0.001), CLDV2 là 0.75 (p < 0.001), và CLDV3 là 0.68 (p < 0.001), thì tất cả đều đạt yêu cầu và giải thích tốt cho nhân tố “Chất lượng dịch vụ”. Nếu CLDV3 chỉ là 0.35, bạn sẽ cần xem xét loại bỏ nó hoặc hiệu chỉnh lại thang đo.

B. Đánh giá Factor Loading trên SmartPLS (PLS-SEM)

1. Tạo mô hình đo lường:
   • Mở SmartPLS.
   • Vẽ các nhân tố tiềm ẩn (các vòng tròn hoặc hình elip) và các biến quan sát (hình chữ nhật).
   • Kéo các biến quan sát muốn thuộc một nhân tố tiềm ẩn vào nhân tố đó.
   • Kết nối các nhân tố tiềm ẩn bằng mũi tên (mô hình quan hệ nhân quả).
   • Đảm bảo rằng các chỉ báo (biến quan sát) là Reflective (mặc định) nếu bạn đang đo lường các cấu trúc như “Sự hài lòng”, “Chất lượng”, v.v. (tức là các chỉ báo được gây ra bởi nhân tố).
2. Chạy phân tích PLS-SEM:
   • Nhấn Calculate → PLS-SEM Algorithm.
   • Đảm bảo lựa chọn các cài đặt mặc định (ví dụ: Path Weighting Scheme: Path cho mô hình phản ánh, Max Iterations: 300).
   • Nhấn Start Calculation.

• Hiển thị trực quan: Sau khi tính toán, SmartPLS sẽ hiển thị các giá trị Outer Loadings trực tiếp trên sơ đồ mô hình, trên các đường nối giữa nhân tố tiềm ẩn và biến quan sát.
• Bảng kết quả chi tiết: Trong cửa sổ Report, chọn mục Outer Loadings. Bảng này sẽ liệt kê tất cả các biến quan sát và factor loading tương ứng của chúng trên các nhân tố tiềm ẩn.
• Đánh giá:
  • Ngưỡng: Trong SmartPLS, ngưỡng khuyến nghị cho factor loading thường là 0.70. Tuy nhiên, giá trị từ 0.50 đến 0.70 vẫn có thể chấp nhận được nếu các chỉ số khác của mô hình (như Composite Reliability, AVE) đạt yêu cầu. Các biến có factor loading dưới 0.40 thường được xem xét loại bỏ.
  • Tác động: Factor loading cao trong SmartPLS rất quan trọng vì chúng ảnh hưởng trực tiếp đến các chỉ số đánh giá độ tin cậy và giá trị hội tụ như Average Variance Extracted (AVE) và Composite Reliability (CR). AVE cần đạt > 0.5 và CR cần đạt > 0.7. Các factor loading thấp có thể làm giảm AVE và CR xuống dưới ngưỡng chấp nhận.
  • Ví dụ: Nếu nhân tố “Uy tín thương hiệu” có các biến UT1 (0.85), UT2 (0.78), UT3 (0.72) thì tất cả đều tốt. Nhưng nếu UT4 chỉ là 0.45, bạn cần cân nhắc loại bỏ nó để cải thiện AVE và CR của nhân tố “Uy tín thương hiệu”.
• Kiểm định ý nghĩa thống kê của Outer Loadings (Bootstrapping): Để kiểm tra xem các factor loading có ý nghĩa thống kê hay không, bạn cần chạy thêm Bootstrapping.
  • Calculate → Bootstrapping.
  • Chọn Subsamples: 5000 (đề nghị) và Two Tailed.
  • Nhấn Start Calculation.
  • Sau khi chạy Bootstrapping, trong Report, chọn mục Outer Loadings (Mean, STDEV, T-Values, P-Values). Kiểm tra cột P Values; nếu P < 0.05, factor loading đó có ý nghĩa thống kê.

V. Phân Tích Factor Loading Trên STATA Và EViews

A. Phân tích Factor Loading trên STATA

1. Mở dữ liệu:
   

   use "ten_file_du_lieu.dta", clear

2. Thực hiện Phân tích nhân tố:
   Để thực hiện EFA bằng phương pháp thành phần chính (Principal Components) và trích xuất các nhân tố:
   

   factor var1 var2 var3 var4 var5, pcf

   
   (trong đó var1 đến var5 là các biến quan sát, pcf là viết tắt của Principal-Component Factor analysis).
   Để sử dụng phương pháp xoay Varimax sau khi trích xuất nhân tố:
   

   rotate, varimax

3. Hiển thị Factor Loading:
   Sau khi xoay, để hiển thị bảng factor loading:
   

   estat loadings

   
   Hoặc bạn có thể dùng lệnh:
   

   factor, loadings

   
   Lệnh này sẽ hiển thị bảng các factor loading cho từng biến trên từng nhân tố.

• Bảng Factor Loadings: STATA sẽ xuất ra một bảng hiển thị các factor loading cho từng biến quan sát trên mỗi nhân tố được trích xuất.
• Ngưỡng đánh giá: Tương tự như SPSS, bạn sẽ áp dụng các ngưỡng như > 0.4, > 0.5 hoặc > 0.7 tùy theo yêu cầu nghiên cứu.
• Xác định nhân tố: Biến nào có factor loading cao nhất trên nhân tố nào thì thuộc về nhân tố đó.
• KMO và Bartlett’s: Để kiểm tra KMO và Bartlett’s, bạn có thể sử dụng lệnh:
  

  estat kmo

• Scree Plot: Để trực quan hóa số lượng nhân tố nên giữ lại, bạn có thể dùng screeplot.

B. Đánh giá Factor Loading trên EViews

1. Mở dữ liệu và tạo Workfile.
3. Chọn biến: Mở các biến bạn muốn phân tích. Chọn Quick → Group Statistics → Factor Analysis (trong các phiên bản mới) hoặc từ thanh công cụ chính: Data → Factor Analysis.
5. Cấu hình phân tích:
   • Extraction Method: Chọn Principal Components hoặc Maximum Likelihood.
   • Number of Factors: Bạn có thể để EViews tự động chọn hoặc chỉ định số lượng nhân tố.
   • Rotation Method: Chọn Varimax hoặc phương pháp xoay khác tùy nhu cầu.
   • Đảm bảo các tùy chọn hiển thị ma trận xoay (Rotated Matrix) được chọn.
7. Chạy phân tích: Nhấn OK.

• Rotated Factor Matrix: EViews sẽ hiển thị bảng Rotated Factor Matrix (tương tự như SPSS). Các giá trị trong bảng chính là factor loading của từng biến trên từng nhân tố.
• Total Variance Explained: EViews cũng cung cấp bảng tổng phương sai trích, giúp bạn đánh giá mức độ giải thích của các nhân tố.
• Đánh giá: Các nguyên tắc đánh giá factor loading tương tự như đã trình bày cho SPSS và các phần mềm khác. Loại bỏ các biến có factor loading thấp hoặc biến đa tải để tối ưu hóa cấu trúc nhân tố.

VI. Các Vấn Đề Thường Gặp Khi Đánh Giá Factor Loading và Cách Khắc Phục

• Vấn đề: Một biến quan sát có factor loading thấp hơn ngưỡng tối thiểu (ví dụ: < 0.3) trên tất cả các nhân tố. Điều này cho thấy biến đó không đóng góp đáng kể vào việc hình thành bất kỳ nhân tố nào hoặc không đủ mạnh để đại diện cho nhân tố đó.
• Cách khắc phục: Loại bỏ biến này khỏi phân tích. Sau khi loại bỏ, bạn cần chạy lại toàn bộ quá trình phân tích nhân tố (EFA hoặc CFA) vì việc này có thể ảnh hưởng đến các factor loading khác và cấu trúc nhân tố tổng thể. Việc này lặp đi lặp lại cho đến khi tất cả các biến đều có factor loading đạt yêu cầu.

• Vấn đề: Một biến quan sát có factor loading cao (> 0.4 hoặc > 0.5) trên hai hoặc nhiều nhân tố khác nhau, và sự chênh lệch giữa các tải này không đủ lớn (ví dụ: chênh lệch < 0.3). Điều này gây ra sự mơ hồ, không rõ biến đó thuộc về nhân tố nào, làm giảm tính phân biệt của các nhân tố.
• Cách khắc phục:
  • Xem xét loại bỏ: Đây là phương pháp phổ biến nhất. Nếu biến đó không quá quan trọng về mặt lý thuyết, hãy loại bỏ nó.
  • Tham khảo lý thuyết: Đôi khi, một biến có thể thực sự đại diện cho nhiều khía cạnh. Hãy quay lại cơ sở lý thuyết để xem liệu có thể sửa đổi định nghĩa nhân tố hoặc gán biến vào nhân tố hợp lý nhất dựa trên ngữ cảnh lý thuyết.
  • Xoay nhân tố: Trong EFA, thử các phương pháp xoay nhân tố khác nhau (ví dụ: Oblimin thay vì Varimax nếu bạn nghi ngờ các nhân tố có tương quan). Đôi khi một phương pháp xoay khác có thể làm rõ cấu trúc.
  • Sửa đổi thiết kế thang đo: Trong CFA, xem xét sửa đổi mô hình đo lường, có thể cho phép biến đó tải lên nhiều nhân tố nếu có lý do vững chắc, hoặc xem xét bỏ biến.

• Vấn đề: Khi tổng phần trăm phương sai được giải thích bởi các nhân tố trích xuất dưới 50%. Điều này cho thấy mô hình nhân tố không giải thích được nhiều thông tin từ dữ liệu gốc, làm giảm khả năng đại diện của mô hình.
• Cách khắc phục:
  • Kiểm tra lại số nhân tố: Đảm bảo bạn đã trích xuất đủ số nhân tố cần thiết (ví dụ, theo tiêu chí Kaiser với Eigenvalue > 1 hoặc Scree Plot).
  • Loại bỏ biến kém chất lượng: Các biến có factor loading thấp thường giải thích ít phương sai. Việc loại bỏ chúng có thể giúp tăng chất lượng tổng thể của các nhân tố còn lại.
  • Xem xét lại các biến: Có thể các biến quan sát không thực sự phù hợp để phân tích nhân tố hoặc có sự thiếu sót trong việc đo lường khái niệm.

• Vấn đề: Kiểm định KMO cho biết mức độ phù hợp của dữ liệu để phân tích nhân tố. Nếu KMO < 0.5 (hoặc thậm chí < 0.7 đối với một số nhà nghiên cứu), và Bartlett’s test không có ý nghĩa thống kê (p > 0.05), điều này cho thấy không có đủ tương quan giữa các biến để thực hiện phân tích nhân tố.
• Cách khắc phục:
  • Kiểm tra lại dữ liệu: Đảm bảo không có lỗi nhập liệu.
  • Loại bỏ các trường hợp ngoại lai: Các giá trị ngoại lai có thể làm sai lệch tương quan.
  • Loại bỏ biến có tương quan yếu: Tìm các biến có tương quan thấp với tất cả các biến khác trong ma trận tương quan và loại bỏ chúng.
  • Xem xét lại tính phù hợp của EFA: Nếu sau các bước trên vẫn không đạt yêu cầu, có thể dữ liệu của bạn không phù hợp cho EFA và bạn cần cân nhắc một phương pháp phân tích khác.

VII. Kết Luận: Tối Ưu Hóa Nghiên Cứu Với Factor Loading Chính Xác