Xử lý lỗi ma trận xoay nhân tố bị xáo trộn lộn xộn, không hội tụ

Xử lý lỗi ma trận xoay nhân tố bị xáo trộn lộn xộn, không hội tụ là một vấn đề rất hay gặp trong phân tích EFA, chúng ta kỳ vọng rằng kết quả cho ra ở ma trận xoay đảm bảo được tính hội tụ và phân biệt ở mức độ khá trở lên. Các nhóm không bị phân tán mạnh và đảo lộn quá nhiều làm mất hoàn toàn tính chất các nhóm biến trên lý thuyết.



1. Ma trận xoay lộn xộn là xấu hay bình thường?



Phân tích nhân tố EFA là một bước quan trọng để chúng ta khám phá các nhân tố và so sánh với nhân tố từ mô hình lý thuyết. Việc xuất hiện nhân tố mới, rút gọn số nhân tố hoặc cấu hình lại thang đo... làm thay đổi các thang đo ban đầu điều hoàn toàn bình thường. Chính vì vậy mà khi các bạn phân tích nhân tố khám phá biến nhóm này nhảy sang nhóm khác, 2 nhóm gộp vào nhau, 1 nhóm bị loại bỏ hoàn toàn sau nhiều lần chạy lại EFA,... thì điều đó không phải là một dấu hiệu xấu đối với dữ liệu khảo sát.





Tuy nhiên, một ma trận xoay lộn xộn, đảo lộn phần lớn các biến trong các nhóm ban đầu, số nhân tố mới hình thành quá nhiều và thang mới chỉ gồm 2, 3 biến từ nhiều biến ở các nhóm khác hội tụ thành thì thực sự là một vấn đề không ổn.



2. Cách xử lý với ma trận xoay lộn xộn, không hội tụ



Việc khám phá nhân tố mới như: tăng/giảm nhân tố hoặc có biến nhóm này nhảy sang nhóm khác nhưng số lượng biến nhảy ít, số nhân tố mới hình thành, số nhân tố cũ mất đi ở tỷ lệ thấp so với tổng số nhóm hiện VÀ thang đo ban đầu các nhóm không có sự thay đổi quá lớn hoặc các thang đo mới có thể định nghĩa lại một cách hợp lý có thì các bạn có thể áp dụng các quy tắc loại biến biến xấu trong EFA và quy tắc đặt tên biến mới tại Phạm Lộc Blog.







Trường hợp các thang đo ban đầu phần lớn bị phá vỡ cấu trúc, ma trận xoay nhân tố bị xáo trộn lộn xộn, không hội tụ, chúng ta sẽ cần xem xét kỹ lại dữ liệu. Nghiên cứu của chúng ta thường là kế thừa từ nhiều nghiên cứu uy tín trước đó, đã được nhiều chuyên gia, nhiều tác giả nổi tiếng chấp nhận và sử dụng chúng như một nguồn tham khảo chất lượng. Chính vì vậy một nghiên cứu kế thừa cùng lĩnh vực, cùng mô hình nhưng sự thay đổi cấu trúc nhân tố khi xoay EFA làm mất đi phần lớn nhóm ban đầu chắc chắn dữ liệu đầu vào của chúng ta có vấn đề.





Cách xử lý với trường hợp này các bạn lần lượt làm theo các bước sau đây. Lưu ý rằng, cách làm này không giúp ma trận xoay của các bạn tốt vượt bậc lên mà chỉ cải thiện ít nhiều tùy trường hợp. Cùng với đó, cách làm dưới đây sẽ loại bỏ đi các quan sát, từ đó dẫn đến cỡ mẫu sẽ giảm xuống.





Bước 1: Thực hiện thống kê trung bình để xem có biến nào có giá trị bị lỗi không thuộc đáp án trong thang đo không hoặc biến nào có dấu hiệu bất thường về mean, min, max, độ lệch chuẩn không. Ví dụ như giá trị max là 55 trong khi thang đo chỉ từ 1-5, như vậy là chúng ta đã nhập sai. Hoặc độ lệch chuẩn lên tới 2 trong khi thang đo chỉ từ 1-5, đáp án quá chênh lệch, có khả năng có vấn đề ở biến này.





Bước 2: Thực hiện quy tắc loại biến biến xấu trong EFA để loại đi các biến không tốt và nên thử việc loại lần lượt + loại từng biến xem trường hợp nào ma trận xoay tốt hơn, cái nào tốt hơn hãy loại biến theo cách đó chứ không cần lúc nào cũng phải loại lần lượt.





Bước 3: Nếu biến bị loại quá nhiều và thang đo không cải thiện được nhiều, bạn hãy thử thực hiện việc tìm kiếm và loại bỏ các quan sát dị biệt (bản khảo sát không đi theo xu hướng chung của dữ liệu)bằng biểu đồ boxplot, scatter... Cách chạy biểu đồ boxplot và scatter các bạn tìm các video trên Youtube hay bài viết trên Internet khá nhiều. Sau khi chạy xong, các bạn click đôi vào hình biểu đồ, nhấp nút hiển thị quan sát để xem những quan sát nào đang đi ngoài xu hướng. Ví dụ biểu đồ scatter bên dưới, phần lớn dữ liệu tập trung ở đường 0 thì có 5 quan sát đi ra ngoài xu hướng rất rõ rệt, ta loại bỏ các quan sát này đi sẽ cải thiện được kết quả hơn.





Nếu áp dụng các cách xử lý ma trận xoay nhân tố không hội tụ ở trên thang đo ở mức ổn thì bạn hãy sử dụng cấu trúc thang đo đó. Như mình đã đề cập, chúng ta làm nghiên cứu ở một môi trường khảo sát mới sẽ có những điểm khác biệt so với lý thuyết mà chúng ta tham khảo. Do vậy mà việc thang đo các nhóm khác biệt với lý thuyết ban đầu là điều hoàn toàn bình thường.



Trường hợp mà chúng ta đã nỗ lực loại bỏ điểm dị biệt rồi mà ma trận xoay vẫn không cải thiện, vấn đề khả năng cao xuất phát từ khâu chúng ta lập bảng khảo sát (các câu hỏi không rõ ràng, khó hiểu) hoặc đáp viên không hợp tác khi điều tra khảo sát. Nếu rơi vào tình huống này, bắt buộc chúng ta phải tăng cỡ mẫu lên hoặc khảo sát lại một cách chọn lọc hơn mới có thể cải thiện được kết quả.



Nếu bạn gặp khó khăn khi xử lý ma trận xoay xáo trộn, bạn có thể ghé qua tham khảo dịch vụ xử lý SPSS Phạm Lộc Blog theo bài viết ở đây để có được kết quả tốt nhất.



Nguồn: https://www.phamlocblog.com/2019/10/xu-ly-ma-tran-xoay-lon-xon-efa.html