Sau khi đã có số liệu thống kê thì bước tiếp theo là chạy CFA SPSS để xác định độ phù hợp của mô hình của mình đang sử dụng. Vậy làm cách nào để phân tích và đọc kết quả của CFA chính xác nhất? Hãy cùng Luận văn 1080 tham khảo ngay bài viết bên dưới!
Mục lục [Ẩn]
1. Bản chất của CFA
- Phân tích nhân tố khẳng định (CFA Confirmatory Factor Analysis) là phương pháp phân tích dữ liệu thống kê để kiểm tra tính phù hợp của một mô hình đo lường với dữ liệu thực tế. CFA được sử dụng phổ biến trong nghiên cứu khoa học, đặc biệt là trong lĩnh vực tâm lý học, giáo dục, kinh doanh, y tế và khoa học xã hội.
- CFA giả định rằng các biến quan sát được có liên quan đến các nhân tố tiềm ẩn, và mô hình nhân tố được xác định bởi các mối quan hệ giữa các nhân tố và các biến quan sát được.
- CFA được sử dụng để kiểm tra độ tin cậy và tính hợp lý của các mô hình đo lường với các biến liên quan, đặc biệt là trong các lĩnh vực tâm lý học, giáo dục, kinh doanh, y tế và khoa học xã hội.
- Phương pháp này cung cấp các chỉ số đánh giá tính phù hợp của mô hình như: chi-square goodness of fit test, Comparative Fit Index (CFI), Tucker-Lewis Index (TLI), Root Mean Square Error of Approximation (RMSEA), Standardized Root Mean Square Residual (SRMR)...
- Phân tích nhân tố khẳng định CFA là phương pháp phân tích định lượng, giúp xác định cách một số đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của một nhóm các biến quan sát được (indicators).
- Phương pháp này giúp cải thiện độ tin cậy và tính hợp lý của các đo lường, tăng tính phù hợp của các mô hình và giúp nghiên cứu đưa ra các kết luận và giải pháp chính xác hơn.
2. Mục đích và ứng dụng
2.1. Mục đích
- Mục đích chính của phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis - CFA) là kiểm tra độ tin cậy và tính hợp lý của các mô hình đo lường với dữ liệu quan sát được. Phương pháp này cho phép đánh giá mức độ phù hợp giữa mô hình dự đoán và dữ liệu quan sát được và cung cấp các chỉ số đánh giá tính phù hợp của mô hình.
- Phân tích nhân tố khẳng định CFA cung cấp thông tin để chúng ta tiếp cận một cách cụ thể nhất về thống kê và nó có hệ thống dùng để đánh giá sự phù hợp giữa các biến dữ liệu được quan sát và các mô hình có thể đo lường được áp dụng, đồng thời nó cho phép người dùng kiểm tra xem các dữ liệu có mối quan hệ hỗ trợ với nhau về mặt lý thuyết được xác định trong mô hình hay không.
2.2. Ứng dụng
-
Ứng dụng của phân tích nhân tố khẳng định CFA rất đa dạng, nhưng phổ biến nhất là trong các lĩnh vực tâm lý học, giáo dục, kinh doanh, y tế và khoa học xã hội. Một số ứng dụng phổ biến của phân tích nhân tố khẳng định CFA bao gồm:
- Đánh giá tính hợp lý của các mô hình đo lường, đặc biệt là các mô hình đo lường trong lĩnh vực tâm lý học và giáo dục. Phân tích CFA có thể được dùng để xác định xem một bộ câu hỏi trong một cuộc nghiên cứu, khảo sát có đang kiểm nghiệm cùng một cấu trúc cơ bản hay không, ví dụ như sự hài lòng của nhân viên hay sự trầm cảm của nhân viên trong công việc.
- Xác định mối quan hệ giữa các biến quan sát được và các đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của các biến quan sát được.
- Kiểm tra tính phù hợp của các mô hình giải thích sự biến động của các biến quan sát được.
- So sánh tính phù hợp của các mô hình đo lường khác nhau và chọn ra mô hình tốt nhất để giải thích sự biến động của các biến quan sát được.
- Tìm hiểu về các đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của các biến quan sát được và đánh giá tính tin cậy của các đại lượng này.
=> Phân tích nhân tố khẳng định CFA được sử dụng phổ biến trong các nghiên cứu khoa học và có nhiều ứng dụng để giúp nghiên cứu đưa ra các kết luận và giải pháp chính xác hơn.
3. Phân tích và đọc kết quả phân tích nhân tố khẳng định CFA
3.1. Hướng dẫn các bước phân tích
Bên dưới là các bước để tiến hành phân tích và đọc kết quả Phân tích nhân tố khẳng định (CFA) trong gói phần mềm thống kê SPSS:
- Bước 1: Chuẩn bị bộ dữ liệu
- Trước khi thực hiện phân tích nhân tố khẳng định CFA, cần chuẩn bị dữ liệu và kiểm tra tính đúng đắn của dữ liệu. Nếu cần, tiến hành chuyển đổi dữ liệu để đáp ứng các yêu cầu của phân tích nhân tố khẳng định CFA.
- Đảm bảo rằng bộ dữ liệu phân tích có định dạng phù hợp dành cho CFA, ví dụ như các tệp dữ liệu hình chữ nhật với mỗi hàng dùng để đại diện cho mỗi một cá nhân và ở mỗi cột sẽ đại diện cho một biến.
- Bước 2: Xây dựng mô hình
- Tiến hành xây dựng mô hình CFA với các biến quan sát được được gán vào các nhân tố (factors) tương ứng. Đảm bảo rằng mô hình được xây dựng đầy đủ và hợp lý với dữ liệu quan sát được.
- Bước 3: Kiểm tra tính phù hợp của mô hình
- Sử dụng các chỉ số đánh giá tính phù hợp của mô hình như chi-square, RMSEA, CFI, TLI và SRMR để đánh giá tính phù hợp của mô hình với dữ liệu quan sát được. Chỉ số chi-square thường được sử dụng để kiểm tra tính phù hợp chung của mô hình, trong khi các chỉ số khác được sử dụng để đánh giá các khía cạnh khác của tính phù hợp của mô hình.
- Kiểm định mô hình nghiên cứu đo lường: Kiểm định mô hình nghiên cứu đo lường trong phần mềm thống kê SPSS, bao gồm số lượng nhiều nhân tố tiềm ẩn, số lượng các tiêu chí cho từng nhân tố, cấu trúc trong mối quan hệ giữa các nhân tố và các chỉ tiêu với nhau.
- Bước 4: Đánh giá mối quan hệ giữa các nhân tố và biến quan sát được
- Đánh giá mối quan hệ giữa các nhân tố và biến quan sát được bằng cách xem xét ma trận tải trọng (loading matrix), ma trận hiệp phương sai (covariance matrix) và ma trận hiệp tương quan (correlation matrix) của các biến quan sát được và các nhân tố.
- Bước 5: Tính toán và giải thích các đại lượng ẩn (factors)
- Tính toán và giải thích các đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của các biến quan sát được. Phân tích các hệ số tải trọng của các biến quan sát được và các nhân tố để hiểu các đại lượng ẩn đóng góp vào giải thích sự biến động của các biến quan sát được.
- Bước 6: Đánh giá tính tin cậy và hợp lý của mô hình
- Đánh giá tính tin cậy và hợp lý của mô hình bằng cách sử dụng các phương pháp kiểm định như kiểm tra độ tin cậy của các biến quan sát được và kiểm tra tính hợp lý của mô hình bằng cách kiểm tra sự khớp giữa các giá trị quan sát và các giá trị dự đoán từ mô hình.
- Bước 7: Đưa ra kết luận và giải thích kết quả phân tích
- Dựa trên các kết quả phân tích, đưa ra kết luận và tóm tắt về tính phù hợp của mô hình CFA với dữ liệu quan sát được, mối quan hệ giữa các nhân tố và biến quan sát được, và đại lượng ẩn đóng góp vào giải thích sự biến động của các biến quan sát được.
- Đánh giá các đại lượng ẩn, tải trọng và các chỉ số đánh giá tính phù hợp và tính tin cậy của mô hình.
- Nếu kết quả phân tích nhân tố khẳng định CFA là hợp lý và tin cậy, ta có thể sử dụng mô hình để giải thích mối quan hệ giữa các nhân tố và các biến quan sát được trong nghiên cứu.
Lưu ý! Trong quá trình phân tích và đọc kết quả phân tích nhân tố khẳng định CFA, cần chú ý đến việc lựa chọn các chỉ số đánh giá tính phù hợp và tính tin cậy của mô hình phù hợp với mục đích nghiên cứu và dữ liệu quan sát được. Các chỉ số đánh giá tính phù hợp và tính tin cậy của mô hình có thể có sự khác biệt tùy thuộc vào mục đích và đặc thù của nghiên cứu, vì vậy cần thực hiện các bước phân tích và đọc kết quả phân tích nhân tố khẳng định CFA một cách cẩn thận và chính xác.
3.2. Đọc hiểu kết quả
Sau khi hoàn thành quá trình phân tích nhân tố khẳng định CFA, bạn sẽ nhận được một báo cáo kết quả phân tích. Dưới đây là hướng dẫn chi tiết để đọc và hiểu kết quả phân tích nhân tố khẳng định CFA:
-
Kiểm tra tính phù hợp của mô hình: Kiểm tra tính phù hợp của mô hình bằng các chỉ số đánh giá như Chi-square goodness of fit test, Root Mean Square Error of Approximation (RMSEA), Comparative Fit Index (CFI), Tucker-Lewis Index (TLI), Standardized Root Mean Square Residual (SRMR) và các chỉ số khác. Kết quả của các chỉ số này cho biết mức độ phù hợp của mô hình với dữ liệu thực tế. Nếu mô hình không phù hợp, bạn cần xem xét các điều chỉnh để cải thiện mô hình.
-
Xác định số lượng và nội dung của các nhân tố: Xác định số lượng và nội dung của các nhân tố dựa trên ma trận tải trọng của các mục. Ma trận tải trọng cho biết mức độ tương quan giữa các mục và các nhân tố tương ứng. Các mục có tải trọng cao trên một nhân tố nhất định sẽ được xem là có liên quan đến nhân tố đó.
-
Đánh giá tính tin cậy nội của các nhân tố: Đánh giá tính tin cậy nội của các nhân tố bằng cách tính toán chỉ số đánh giá tin cậy nội Cronbach's alpha. Chỉ số này đánh giá mức độ đồng nhất của các mục trong mỗi nhân tố. Nếu Cronbach's alpha của một nhân tố là cao (từ 0,70 trở lên), có thể xem nhân tố đó là đáng tin cậy.
-
Đánh giá tính tin cậy ngoại của mô hình: Đánh giá tính tin cậy ngoại của mô hình bằng cách tính toán chỉ số đánh giá tin cậy ngoại Composite Reliability (CR) hoặc Average Variance Extracted (AVE). Chỉ số CR đánh giá khả năng mô hình dự đoán các biến quan sát được, trong khi chỉ số AVE đánh giá mức độ trích xuất phương sai chung giữa các biến quan sát được và các nhân tố.
Song song vói phân tích định lượng thì phân tích định tính cũng là một phương pháp được học viên sử dụng rất nhiều trong xử lý số liệu. Phân tích định tính là 1 phương pháp tiếp cận, nhằm tìm cách mô tả, phân tích các đặc điểm văn hóa, hành vi con người và của nhóm người, từ quan điểm của các nhà nghiên cứu. Có rất nhiều phương pháp phân tích định tính được sử dụng hiện nay. Luận văn 1080 sẽ chia sẻ thêm cho các bạn về phân tích định tính đầy đủ nhất trong bài viết này
4. Phân biệt giữa EFA và CFA
4.1. Giống nhau
Mặc dù EFA (Exploratory Factor Analysis) và CFA (Confirmatory Factor Analysis) là hai phương pháp phân tích nhân tố khác nhau, nhưng cũng có những điểm giống nhau:
-
Cả hai phương pháp đều được sử dụng để phân tích cấu trúc nhân tố của một tập dữ liệu.
-
Cả hai phương pháp đều được sử dụng để giảm kích thước của dữ liệu bằng cách xác định các nhân tố tiềm ẩn đằng sau các biến quan sát.
-
Cả hai phương pháp đều sử dụng ma trận tương quan giữa các biến đầu vào để xác định các nhân tố.
-
Cả hai phương pháp đều cần đánh giá tính phù hợp mô hình và chất lượng kết quả phân tích nhân tố để đảm bảo tính hợp lý và tin cậy của các kết quả.
4.2. Khác nhau
EFA (Exploratory Factor Analysis) và CFA (Confirmatory Factor Analysis) đều là phương pháp phân tích nhân tố thường được sử dụng trong nghiên cứu khoa học. Tuy nhiên, hai phương pháp này có sự khác biệt về mục đích, cách tiếp cận, và cách đánh giá kết quả.
Dưới đây là bảng phân biệt giữa EFA và CFA:
|
Nội dung so sánh |
EFA |
CFA |
|
Mục đích |
Tìm ra các nhân tố tiềm ẩn từ dữ liệu quan sát được |
Xác định và kiểm tra mô hình nhân tố đã được đề xuất trước đó |
|
Tiếp cận |
Không giả định cấu trúc nhân tố |
Giả định cấu trúc nhân tố trước đó |
|
Giả định về mô hình |
Không giả định về mô hình nhân tố trước đó |
Giả định về mô hình nhân tố trước đó |
|
Đặc điểm |
Thường được sử dụng khi chưa có mô hình nhân tố trước đó hoặc muốn tìm hiểu sâu hơn về cấu trúc dữ liệu |
Thường được sử dụng để kiểm tra mô hình nhân tố đã được đề xuất trước đó |
|
Sử dụng |
Thường được sử dụng khi chưa có mô hình nhân tố trước đó hoặc muốn tìm hiểu sâu hơn về cấu trúc dữ liệu |
Thường được sử dụng để kiểm tra mô hình nhân tố đã được đề xuất trước đó |
|
Đặc điểm dữ liệu |
Số lượng biến độc lập lớn hơn hoặc bằng số lượng quan sát |
Số lượng biến độc lập ít hơn hoặc bằng số lượng quan sát |
|
Độ phức tạp |
Phân tích mô tả dữ liệu |
Phân tích hồi quy đa biến |
|
Đánh giá kết quả |
Tính phù hợp mô hình và các chỉ số đánh giá mô hình như KMO, Bartlett's test, communalities, scree plot, các chỉ số đo lường độ phù hợp như RMSEA, CFI, TLI |
Tính phù hợp mô hình và các chỉ số đánh giá mô hình như chi-squared test, degrees of freedom, RMSEA, CFI, TLI, SRMR, các chỉ số tải trọng như standardized loading, modification indices |
|
Công cụ phân tích |
Thường sử dụng phương pháp PCA (Principal Component Analysis), AFA (Alpha Factor Analysis), PA (Parallel Analysis) |
Sử dụng phương pháp SEM (Structural Equation Modeling) |
Như vậy, bài viết trên đã tổng hợp bản chất, mục đích, ứng dụng cũng như cách phân tích, đọc kết quả và phân biệt phân tích CFA và EFA chi tiết, có kèm theo hình ảnh minh họa cụ thể để các bạn dễ dàng tham khảo, tìm hiểu. Hy vọng sẽ giúp thêm kiến thức cho các bạn. Chúc các bạn phân tích CFA thành công
Tôi là Nguyễn Tuyết Anh - Job title: Trưởng phòng nội dung - Company: Luanvan1080 Group. Kể từ khi còn bé tôi đã rất yêu thích sách vở, nên khi lớn lên tôi quyết định tâm làm nên những nội dung thật hay thật ý nghĩa. Luận văn 1080 có thâm niên hoạt động hơn 10 năm với đội ngũ chuyên gia giàu kinh nghiệm, trình độ chuyên môn cao cùng tinh thần làm việc trách nhiệm. Mọi thông tin cần tư vấn vui lòng liên hệ Website: luanvan1080.com/ - Hotline: 096.999.1080
Bạn hãy tham khảo website https://luanvan1080.com/ để rõ hơn công việc của tôi nhé !
Bình luận đánh giá
