CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC 4

12 418 1
CAO HỌC  BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC 4

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Thông tin tài liệu

CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC . HỆ THỐNG KIẾN THỨC CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC , LÝ THUYẾT VỀ CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC . TỔNG QUÁT VỀ CAO HỌC BÀI GIẢNG PHƯƠNG PHÁP NGHIÊN CỨU KHOA HỌC

24/10/2014 1 NHP 1 Mô hình EFA: Kiểm định giá trị thang đo Nguyen Hung Phong NHP 2 Mô hình EFA • EFA là phương pháp giúp chúng ta đánh giá được giá trị hội tụ và giá trị phân biệt của đo lường • EFA giúp chúng ta rút gọn một tập hợp k biến quan sát thành một tập hợp f biến các yếu tố có ý nghĩa hơn (f < k) • Dịch chuyển các items đo lường một biến này sang biến khác NHP 3 I. Mô hình EFA một nhân tố (Phương sai của biến đo lường) • Tìm mối quan hệ giữa 3 đại lượng trong mô hình – Phương sai của biến đo lường: var(X i ) – Hiệp phương sai giữa nhân tố F i và biến đo lường X i : Cov(F i , X i ) – Hiệp phương sai giữa hai biến đo lường X i và X j : Cov (X i , X j ) 24/10/2014 2 NHP 4 I. Mô hình EFA một nhân tố F X 1 X 2 X k . . . U 1 U 2 U k 1 λ 2 λ 3 λ 1 δ 2 δ 3 δ NHP 5 I. Mô hình EFA một nhân tố (Phương sai của biến đo lường) • Giả định 1: biến đo lường X i bao gồm hai thành phần: phần chung F (common factor) và phần riêng U (unique factor) • Giả định 2: F và U độc lập với nhau; U i độc lập với U j i i i i X F U λ δ = + Cov(F,U i )=cov(F,U j ) = cov(U i, U j ) = 0 NHP 6 I. Mô hình EFA một nhân tố (phương sai của biến đo lường) • Quan hệ giữa biến X i với phần chung và riêng được tính như sau 1 1 1 1 X F U λ δ = + 2 2 2 2 X F U λ δ = + ………… k k k k X F U λ δ = + 24/10/2014 3 NHP 7 I. Mô hình EFA một nhân tố (Phương sai của biến đo lường) • Phương sai của biến đo lường • Do X i được chuyển về N(0, 1) nên μ xi =0 2 var( ) [( ) ] i i i x X E X µ = − 2 var( ) ( ) i i X E X = 2 var( ) [( )] i i i i X E F U λ δ = + 2 2 2 2 var( ) ( 2 ) i i i i i i i X E F U FU λ δ λδ = + + 2 2 2 2 var( ) ( ) ( ) 2 ( ) i i i i i i i X E F E U E FU λ δ λ δ = + + 2 2 var( ) var( ) var( ) 2 v( , ) i i i i i i i X F U Co F U λ δ λ δ = + + NHP 8 I. Mô hình EFA một nhân tố (phương sai của biến đo lường) • Vì các biến X i , F, và U i được đưa về N(0, 1) nên phương sai của chúng bằng 0, và do cov (F,U i )= 0 cho nên 2 2 var( ) var( ) var( ) i i i i X F U λ δ = + 2 2 var( ) 1 i i i X λ δ = + = 2 i λ Phần là phần chung (community) và được ký hiệu là H 2 i H i 2 nói lên phần phương sai của biến quan sát X i được giải thích bởi F, và H i 2 càng lớn thì phần riêng sẽ càng nhỏ cho nên biến X i càng đóng góp nhiều cho biến F NHP 9 I. Mô hình EFA một nhân tố (Hiệp phương sai giữa F và X i ) ( , ) [( )( )] ( ) i i F i x i Cov F X E F X E FX µ µ = − − = Do trung bình các biến nhận giá trị bằng 0, nên 2 ( , ) [( )( )] ( ) i i i i i i i Cov F X E F F U E F FU λ δ λ δ = + = + 2 ( , ) ( ) ( ) var( ) cov( , ) i i i i i i i Cov F X E F E FU F F U λ δ λ δ = + = + Do Cov(F, U i )= 0, và phương sai các biến bằng 1, nên ( , ) ar( ) ( , ) i i i i Cov F X v F corr F X λ λ = = = Như vậy: trong EFA một nhân tố, trọng số nhân tố chính là hệ số tương quan giữa nhân tố đó với biến đo lường X i 24/10/2014 4 NHP 10 I. Mô hình EFA một nhân tố (Hiệp phương sai giữa X i và X j ) ( , ) [( )( )] ( ) i j i j i x j x i j Cov X X E X X E X X µ µ = − − = ( , ) [( )( )] i j i i i j j j Cov X X E F U F U λ δ λ δ = + + 2 ( , ) ( ) i j i j i j j i j i i j i j Cov X X E F FU U F U U λ λ λ δ δ λ δ δ = + + + 2 ( , ) ( ) ( ) ( ) ( ) i j i j i j j i j i i j i j Cov X X E F E FU E U F E U U λ λ λδ δ λ δ δ = + + + ( , ) r( ) ( , ) ( , ) ov( , ) i j i j i j j i j i i j i j Cov X X Va F Cov F U Cov U F C U U λ λ λδ δ λ δ δ = + + + ( , ) r( ) ( , ) i j i j i j i j Cov X X Va F corr X X λ λ λ λ = = = Như vậy: nếu hệ số tương quan giữa hai biến đó lường X i , X j càng lớn thì trọng số nhân tố của hai biến này càng lớn. Do đó hai biến này đo lường tốt cho yếu tố F (factor) NHP 11 II. Mô hình EFA hai nhân tố độc lập X 1 X 2 X k . . . U 1 U 2 U 3 11 λ 21 λ 1 k λ 1 δ 2 δ 3 δ F 1 F 2 12 λ 22 λ 2 k λ NHP 12 II. Mô hình EFA hai nhân tố độc lập • Khái quát về mô hình:gồm phần chung cho F 1 và F 2 và phần riêng U 1 của X i • Giả định: F 1 và F 2 độc lập, và chúng cũng độc lập với các phần riêng của các biến X i • Các biến có phân phối chuẩn một đơn vị N(0,1) i1 1 i2 2 1 i i X F F U λ λ δ = + + ( , ) ( , ) ( , ) ( , ) i j i i i j i j Cov F F Cov F U Cov F U Cov U U = = = 24/10/2014 5 NHP 13 II. Mô hình EFA hai nhân tố độc lập (phương sai của biến X i ) 2 2 2 i1 1 i2 2 ( ) [( ) ] ( ) [( ) ] i i i x i i i Var X E X E X E F F U µ λ λ δ = − = = + + 2 2 2 i1 1 i2 2 i1 i2 1 2 i1 1 i2 2 ( ) ( ) ( ) ( ) 2 ( ) 2 ( ) 2 ( ) i i i i i i i Var X E F E F E U E F F E FU E F U λ λ δ λ λ λ δ λ δ = + + + + + 2 2 2 i1 1 i2 2 ( ) ( ) ( ) ( ) i i i Var X Var F Var F Var U λ λ δ = + + 2 2 2 i1 i2 ( ) i i Var X λ λ δ = + + Tương tự như mô hình một nhân tố, chỉ số phần chung 2 2 2 i1 i2 i H λ λ = + NHP 14 II. Mô hình EFA hai nhân tố độc lập (hiệp phương sai của F i và X i ) 1 1 i1 1 i2 2 ( , ) ( , ) i i i Cov F X Cov F F F U λ λ δ = + + 1 i1 1 1 i2 1 2 1 ( , ) ( , ) ( , ) ( , ) i i i Cov F X Cov F F Cov F F Cov F U λ λ δ = + + 1 i1 1 ( , ) ( ) i Cov F X Var F λ = Nếu F 1 và X i là các biến thuộc N(0,1), chúng ta có Cov(F 1 ,X i )=Corr(F 1 ,X i ) và Var(F 1 )=1, do đó 1 1 i1 ( , ) ( , ) i i Cov F X Corr F X λ = = NHP 15 II. Mô hình EFA hai nhân tố độc lập (hiệp phương sai của F i và X i ) • Tổng quát, ta có 1 1 1 1 11 ( , ) ( , )Cov F X Corr F X λ = = 1 2 1 2 21 ( , ) ( , )Cov F X Corr F X λ = = ………………… 2 1 2 1 12 ( , ) ( , )Cov F X Corr F X λ = = 2 2 2 2 22 ( , ) ( , )Cov F X Corr F X λ = = Như vậy trong mô hình EFA với hai yếu tố độc lập thì trọng số nhân tố giữa F i và X i vẫn là hệ số tương quan giữa F i và X i 24/10/2014 6 NHP 16 II. Mô hình EFA hai nhân tố độc lập (hiệp phương sai của X i và X j ) i1 1 i2 2 j1 1 j2 2 ( , ) ( , ) i j i i j j Cov X X Cov F F U F F U λ λ δ λ λ δ = + + + + i1 1 1 1 i1 2 1 2 i1 1 i2 1 2 1 i2 2 2 2 i2 2 1 1 2 2 ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) i j j j j j j j j j i j i i j i i j i j Cov X X Cov F F Cov F F Cov F U Cov F F Cov F F Cov F U Cov U F Cov U F Cov U U λ λ λ λ λ δ λ λ λ λ λ δ δ λ δ λ δ δ = + + + + + + + + Căn cứ vào các giả định ban đầu, chúng ta có: Cov(F i ,F j )=Cov(F i ,U j )=Cov(U i ,U j )=o; và var(F 1 )=var(F 2 )=1, cov(X i ,X j )=corr(X i ,X j ). Vì vậy: i1 1 1 i2 2 2 ( , ) ( ) ( ) i j j j Cov X X Var F Var F λ λ λ λ = + i1 1 i2 2 ( , ) ( , ) i j i j j j Cov X X Corr X X λ λ λ λ = = + NHP 17 II. Mô hình EFA hai nhân tố độc lập (hiệp phương sai của X i và X j ) • Tổng quát 1 2 1 2 11 21 12 22 ( , ) ( , )Cov X X Corr X X λ λ λ λ = = + 1 3 1 3 11 31 12 32 ( , ) ( , )Cov X X Corr X X λ λ λ λ = = + 2 3 2 3 21 31 22 32 ( , ) ( , )Cov X X Corr X X λ λ λ λ = = + …………………………… Tương tự như mô hình EFA một nhân tố, trong mô hình hai nhân tố độc lập, hệ số tương quan giữa hai biến X i , X j là tổng của tích hai trọng số λ i1 và λ ji của X i và X j trên từng nhân tố NHP 18 III. Mô hình EFA hai nhân tương quan X 1 X 2 X k . . . U 1 U 2 U 3 11 λ 21 λ 1 k λ 1 δ 2 δ 3 δ F 1 F 2 12 λ 22 λ 2 k λ 1 2 F F r 24/10/2014 7 NHP 19 III. Mô hình hai nhân tố có tương quan i1 1 i2 2 i i i X F F U λ λ δ = + + 1 2 ( , ) 0 Cov F F ≠ Biến đo lường: Các giả định: ( , ) ( , ) ( , ) 0 i i i j i j Cov F U Cov F U Cov U U = = = Các biến X i , U i , F i là những biến thuộc N(0,1) NHP 20 III. Mô hình hai nhân tố có tương quan (Phương sai của X i ) 2 2 2 i1 1 i2 2 ( ) [( ) ] ( ) [( ) ] i i i x i i i Var X E X E X E F F U µ λ λ δ = − = = + + 2 2 2 i1 1 i2 2 i1 i2 1 2 i1 1 i2 2 ( ) ( ) ( ) ( ) 2 ( ) 2 ( ) 2 ( ) i i i i i i i Var X E F E F E U E F F E FU E F U λ λ δ λ λ λ δ λ δ = + + + + + 2 2 2 i1 1 i2 2 i1 i2 1 2 i1 1 1 i2 2 1 ( ) ( ) ( ) ( ) 2 ( ) 2 ( ) 2 ( ) i i i i i Var X Var F Var F Var U Cov F F Cov FU Cov F U λ λ δ λ λ λ δ λ δ = + + + + + 2 2 2 i1 1 i2 2 i1 i2 1 2 ( ) ( ) ( ) ( ) 2 ( ) i i i Var X Var F Var F Var U Cov F F λ λ δ λ λ = + + + NHP 21 III. Mô hình hai nhân tố có tương quan (Phương sai của X i ) 2 2 2 i1 i2 i1 i2 1 2 ( ) 2 ( ) i i Var X Cov F F λ λ δ λ λ = + + + Căn cứ vào giả định, ta có This image cannot currently be displayed. 2 2 2 i1 i2 i1 i2 1 2 2 ( ) i H Cov F F λ λ λ λ = + + Hệ số phần chung H 2 i sẽ là 24/10/2014 8 NHP 22 III. Mô hình hai nhân tố có tương quan (Hiệp phương sai của F i và X i ) 1 1 i1 1 i2 2 ( , ) ( , ) i i i Cov F X Cov F F F U λ λ δ = + + 1 i1 1 1 i2 1 2 1 i1 1 1 i2 1 2 ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) i i i Cov F X Cov F F Cov F F Cov F U Cov F F Cov F F λ λ δ λ λ = + + = + Vì F i thuộc N(0,1) nên Cov(F i ,F j ) =corr(F i ,F j )= r FiFj và var(F i )=1, cho nên 1 2 1 1 i1 i2 ( , ) ( , ) i i F F Cov F X Cor F X r λ λ = = + Như vậy hệ số tương quan của biến X i với F i bao gồm không chỉ trọng số nhân tố giữa X i và F i mà còn thành phần tương quan của hai nhân tố (λ i2 r F1F2 ) NHP 23 i1 1 1 1 i1 2 1 2 i1 1 i2 1 2 1 i2 2 2 2 i2 2 1 1 2 2 ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) ( , ) i j j j j j j j j j i j i i j i i j i j Cov X X Cov F F Cov F F Cov F U Cov F F Cov F F Cov F U Cov U F Cov U F Cov U U λ λ λ λ λ δ λ λ λ λ λ δ δ λ δ λ δ δ = + + + + + + + + III. Mô hình hai nhân tố có tương quan (Hiệp phương sai của F i và X i ) i1 1 1 i2 2 2 i1 2 i2 1 1 2 ( , ) var( ) ( ) ( ) ( , ) i j j j j j Cov X X F Var F Cov F F λ λ λ λ λ λ λ λ = + + + Do F 1 và F 2 thuộc N(0,1) và cov(F i ,F j )=cor(F i ,F j ), chúng ta có 1 2 i1 1 i2 2 i1 2 i2 1 ( , ) ( ) i j j j j j F F Cov X X r λ λ λ λ λ λ λ λ = + + + NHP 24 Tổng kết các mô hình 2 2 var( ) 1 i i i X λ δ = + = ( , ) r( ) ( , ) i j i j i j i j Cov X X Va F corr X X λ λ λ λ = = = ( , ) ar( ) ( , ) i i i i Cov F X v F corr F X λ λ = = = 2 2 2 i1 i2 i H λ λ = + 1 1 i1 ( , ) ( , ) i i Cov F X Corr F X λ = = i1 1 i2 2 ( , ) ( , ) i j i j j j Cov X X Corr X X λ λ λ λ = = + 24/10/2014 9 NHP 25 IV. Ma trận EFA • Hai ma trận đánh giá thang đo – Ma trận các trọng số nhân tố (factor pattern matrix) – Ma trận các hệ số tương quan (factor structure matrix) • Khi các nhân tố (factor) không có quan hệ với nhau thì trọng số nhân tố giữa một nhân tố (F i ) và một biến đo lường (X i ) là hệ số tương quan giữa hai biến đó • Trọng số nhân tố thể hiện sự tác động của khái niệm nghiên cứu vào biến đo lường NHP 26 IV. Ma trận EFA • Biến đo lường biểu diển ở dạng tổ hợp tuyến tính của phần chung và phần riêng, Giả sử chúng ta có 2 nhân tố và k biến đo lường 1 11 1 12 2 1 1 2 21 1 22 2 2 2 1 1 2 2 1 1 2 2 i i i i i k k k k k X F F U X F F U X F F U X F F U λ λ δ λ λ δ λ λ δ λ λ δ = + + = + + = + + = + + NHP 27 IV. Ma trận EFA Biến đo lường Trọng số nhân tố Phần chung Phần riêng F 1 F 2 H i U i X 1 λ 11 λ 12 H 1 U 1 X 2 Λ 21 λ 22 H 2 U 2 … ……. … …… …… X i λ i1 λ i2 H i U i …… ……… … ……. …… X k λ k1 λ k2 H k U k 24/10/2014 10 NHP 28 V.Các phép trích nhân tố cơ bản • Hai mô hình chính: Mô hình nhân tố chung (CFM-Common factor model) và mô hình thành phần chính (PCA-principal components analysis) • PCA: phần chung (communality) đưa vào ban đầu cho các biến đo lường bằng 1 (Đưa 100% phương sai của biến đo lường X i vào phân tích). Mục tiêu trích được nhiều nhất phương sai các biến • CFM: chọn phần chung đưa vào nhỏ hơn 1 và cô lập phần riêng. Mục tiêu giải thích tốt nhất hiệp phương sai giữa các biến NHP 29 V.1 Xác định số lượng nhân tố (factor) • Ba phương pháp xác định số lượng nhân tố – Tiêu chí eigenvalue: số lượng nhân tố dừng lại ở nhân tố có eigenvalue tối thiểu bằng 1 – Tiêu chí điển gãy: dựa vào đường biểu diển số nhân tố (trục hoành) và giá trị của eigenvalue (trục tung).Điểm gãy là điểm tại đó đường biểu diển của eigenvalue (bằng với số nhân tố) thay đổi độ dốc đột ngột – Chọn trước số lượng nhân tố: khẳng định số lượng nhân tố trước dựa vào lý thuyết NHP 30 V.2 Chọn phép quay nhân tố • Quay vuông góc (varimax): sau khi quay, trục của các nhân tố vẫn ở vị trí vuông góc với nhau • Quay không vuông góc(Promax): trục của các nhân tố không còn vuông góc với nhau.Trọng số nhân tố của các biến đo lường sẽ tối đa ở trục nhân tố chúng đo lường và tối thiểu ở trục còn lại [...]... descriptive trên hộp thoại để xác định các tham số thống kê mô tả Sau đó nhấn continue – Nhấn vào mục Extraction chọn phương pháp phân tích là “Principal components” và phần extract với “eigenvalue” over 1 – Nhấn mục Rotation: Chọn phương pháp “varimax” – Nhấn mục Score, chọn phương pháp “regression” • Kết quả sẽ hiển thị trên phần mềm SPSS NHP 35 IV Phaân tích nhaân toá (factor analysis) • Phân tích... kiện sử dụng EFA ∑∑ r KMO = ∑∑ r + ∑∑ a 2 xi x j i j 2 xi x j i j i NHP 2 xi x j j 33 11 24/ 10/20 14 Phân tích nhân tố (EFA) • Mục đích – Làm giãm biến – Dịch chuyển các yếu tố thành phần/biến quan sát từ nhân tố này sang nhân tố khác • Trình tự trên SPSS – Vào analize – Chọn data reduction – Chọn factor analysis NHP 34 IV Phaân tích nhaân toá (factor analysis) • Trình tự – Đưa tất cả các yếu tố thành phần... 24/ 10/20 14 V.3 Điều kiện sử dụng EFA • Nếu hệ số tương quan giữa các biến đo lường nhỏ (nhỏ hơn 0.3) sử dụng EFA không phù hợp (Hair et al, 2006) • Dùng các phép kiểm định – Kiểm định Barlett xem xét ma trận . trích nhân tố cơ bản • Hai mô hình chính: Mô hình nhân tố chung (CFM-Common factor model) và mô hình thành phần chính (PCA-principal components analysis) • PCA: phần chung (communality) đưa. (Keiser-Meyer-Olkin) • KMO là chỉ số so sánh độ lớn của hệ số tương quan của hai biến X i và X j so với tổng hệ sô tương quan (gồm hệ số tương quan giữa hai biến và hệ số tương quan riêng phần-partial

Ngày đăng: 27/10/2014, 22:38

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan