Mục lục trang:

Chạy mô hình nhân tố khám khá EFA trên SPSS, hướng dẫn sử dụng phân mềm spss để phân tích nhân tố khám phá hay gọi cách khác là chạy EFA.

NHÂN TỐ KHÁM PHÁ EFA

Nhân tố khám phá EFA và mô hình cấu trúc SEM

Chương này thảo luận về phân tích nhân tố khám phá (EFA) và kỹ thuật mô hình hóa phương trình cấu trúc (SEM), hai phương pháp phân tích định lượng thường được sử dụng trong lĩnh vực đánh giá ngôn ngữ. EFA là một cách tiếp cận dựa trên dữ liệu thường được sử dụng như một kỹ thuật điều tra để xác định mối quan hệ giữa các biến. SEM là một cách tiếp cận lý thuyết tiên nghiệm thường được sử dụng để xác định mức độ mà một lý thuyết đã được thiết lập về mối quan hệ giữa các biến được hỗ trợ bởi dữ liệu thực nghiệm. Chương này cung cấp các hướng dẫn để sử dụng từng kỹ thuật. Tiến hành EFA yêu cầu sàng lọc và chuẩn bị dữ liệu để phân tích, trích xuất giá trị bản địa, xác định số lượng các yếu tố cho một giải pháp, xoay các yếu tố thành một giải pháp dễ hiểu hơn và đưa ra giải thích cho giải pháp.

TIN HOT: Hướng dẫn sử dụng phần mềm PLS SEM

Để minh họa các nguyên tắc và khái niệm của EFA, một bản tự đánh giá bộ dữ liệu khả năng học tập được phân tích. Một mô hình bốn yếu tố được tìm thấy là cấu trúc yếu tố phòng thủ nhất. Sau đó, một bản tự đánh giá thứ hai về bộ dữ liệu khả năng học tập được phân tích bằng phương pháp SEM với mục đích xác nhận hoặc không xác nhận cấu trúc bốn yếu tố được xác định bằng phương pháp EFA. Thảo luận và biện minh cho các quyết định được đưa ra trong mỗi bước trong hai phân tích, cùng với việc giải thích kết quả, được cung cấp. Việc sử dụng phổ biến EFA và SEM trong kiểm tra ngôn ngữ cùng với tổng quan lịch sử ngắn gọn về các kỹ thuật này cũng được bao gồm trong chương này. Chương này kết thúc với lời kêu gọi các nhà nghiên cứu tuân theo các hướng dẫn và nguyên tắc phù hợp khi sử dụng một hoặc các kỹ thuật khác.

Phân tích nhân tố khám phá là gì ?

Có thể bạn cũng thích

2608089838 b725d7375f o - Chạy mô hình nhân tố khám phá EFA trên SPSS

Phân tích nhân tố khám phá (EFA) là một phương pháp thống kê để xác định mối tương quan giữa các biến trong bộ dữ liệu. Kiểu phân tích này cung cấp một cấu trúc nhân tố (một nhóm các biến dựa trên mối tương quan mạnh). Nói chung, EFA chuẩn bị các biến được sử dụng để mô hình hóa phương trình cấu trúc sạch hơn. Một EFA phải luôn được tiến hành cho các bộ dữ liệu mới. Cái hay của EFA so với CFA (xác nhận) là không có lý thuyết tiên nghiệm nào về các hạng mục thuộc về cấu trúc nào được áp dụng. Điều này có nghĩa là EFA sẽ có thể phát hiện ra các biến có vấn đề dễ dàng hơn nhiều so với CFA. Một giả định quan trọng của EFA là nó chỉ phù hợp với các bộ vật phẩm không danh nghĩa mà về mặt lý thuyết thuộc về các yếu tố tiềm ẩn phản xạ .Các biến phân loại / danh nghĩa (ví dụ, tình trạng hôn nhân, giới tính) không nên được đưa vào. Các biện pháp hình thành không nên được bao gồm. Rất hiếm khi nên đưa vào các biến khách quan (chứ không phải tri giác), vì các biến khách quan hiếm khi thuộc về các yếu tố tiềm ẩn phản xạ. Đối với những người thắc mắc tại sao tôi mặc định là Tối đa khả năng và Promax, đây là một lời giải thích tốt:

TIN HOT: Dự báo ARIMA trên EViews

Các phương pháp phân tích nhân tố khám phá EFA

Phân tích thành phần chính (PCA)

Sử dụng cho một giải pháp nhẹ nhàng hơn

Xem xét tất cả các phương sai có sẵn (chung + duy nhất) (đặt 1 trên đường chéo của ma trận tương quan).
Tìm kiếm sự kết hợp tuyến tính của các biến sao cho phương sai tối đa được trích xuất. Lặp lại bước này.
Sử dụng khi có mối quan tâm với dự đoán, phân tích và bạn biết phương sai cụ thể và lỗi là nhỏ.
Kết quả trong trực giao (yếu tố không tương quan).

Bao thanh toán trục chính (PAF)

Người tiêu dùng chỉ có phương sai chung (đặt ước tính cộng đồng trên đường chéo của ma trận tương quan).
Tìm kiếm số lượng yếu tố ít nhất có thể giải thích cho phương sai chung (tương quan) của một tập hợp các biến.
PAF chỉ phân tích sự thay đổi của yếu tố chung; loại bỏ tính duy nhất hoặc tính biến đổi không giải thích được khỏi mô hình.
PAF được ưa thích vì nó chiếm sự đồng biến, trong khi PCA chiếm tổng phương sai.

Khả năng tối đa (ML)

Sử dụng phương pháp này nếu bạn không chắc chắn

Tối đa hóa sự khác biệt giữa các yếu tố. Cung cấp ước tính Model Fit.
Đây là cách tiếp cận được sử dụng trong AMOS, vì vậy nếu bạn sẽ sử dụng AMOS cho CFA và mô hình hóa cấu trúc, bạn nên sử dụng phương pháp này trong EFA.

TIN HOT: Hướng dẫn hồi quy GMM toàn tập

Các cách thức xoay ma trận

Trực giao

Varimax (phổ biến nhất)

giảm thiểu số lượng biến có tải cực lớn (cao hoặc thấp) trên một yếu tố
làm cho nó có thể xác định một biến với một yếu tố

Quartimax

giảm thiểu số lượng các yếu tố cần thiết để giải thích từng biến
có xu hướng tạo ra một yếu tố chung mà hầu hết các biến tải với giá trị trung bình đến cao
không hữu ích cho nghiên cứu

Equimax