Tiểu luận phân tích đa biến Phân tích nhân tố khám phá EFA

BÀI TẬP NHÓMPHÂN TÍCH NHÂN TỐ EFA - Exploratory Factor Analysis: Sử dụng dữ liệu HBAT-200 phân tích EFA cho các biến từ X6 đến X18.. Kết quả phân tích EFA cho các biến X6 đến X18 Bảng 1.

Trang 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

VIỆN ĐÀO TẠO SAU ĐẠI HỌC

-o0o -TIỂU LUẬN PHÂN TÍCH ĐA BIẾN

PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA

GVHD: TS Nguyễn Hùng Phong LỚP: Cao học KDTM K25 – tối thứ 4 Nhóm thực hiện: nhóm 1

1 Nguyễn Thị Hồng Liên 7701250621A

2 Lê Thị Huệ Linh 7701250636A

3 Trần Vũ Quỳnh Trang 7701251030A

Trang 2

4 Nguyễn Trần Tuấn 7701250908A

5 Nguyễn Lê Phương Uyên 7701251103A

TP Hồ Chí Minh, tháng 5 năm 2016

Trang 3

BÀI TẬP NHÓM

PHÂN TÍCH NHÂN TỐ (EFA - Exploratory Factor Analysis): Sử dụng dữ liệu

HBAT-200 phân tích EFA cho các biến từ X6 đến X18

GIẢI THÍCH KẾT QUẢ

1 Kết quả phân tích EFA cho các biến X6 đến X18

Bảng 1.1 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling

Bartlett's Test of

Sphericity

Approx Chi-Square 2020.335

Bảng 1.1 thể hiện kết quả kiểm định KMO và Bartlett.

 Kiểm định KMO là điều kiện để phân tích EFA, hệ số KMO càng lớn thì càng tốt vì phần chung giữa các biến càng lớn Để sử dụng EFA thì 0.5 ≤ KMO ≤1 Dựa vào kết quả Bảng 1.1, KMO = 0.632 > 0.5, do đó phân tích nhân tố phù hợp với dữ liệu nghiên cứu

 Kiểm định Bartlett từ kết quả cho thấy Sig = 0.000 < 0.05 Dựa vào kết quả này ta có thể bác bỏ giả thuyết H0 (Các biến không có tương quan với nhau)

 Phân tích nhân tố là phương pháp phù hợp với dữ

liệu.

Trang 4

Bảng 1.2 Communalities

Initial Extraction X6 - Product Quality 1.000 650

X7 - E-Commerce 1.000 799

X8 - Technical Support 1.000 915

X9 - Complaint

X10 - Advertising 1.000 636

X11 - Product Line 1.000 844

X12 - Salesforce Image 1.000 868

X13 - Competitive Pricing 1.000 614

X14 - Warranty & Claims 1.000 911

X15 - New Products 1.000 097

X16 - Order & Billing 1.000 767

X17 - Price Flexibility 1.000 875

X18 - Delivery Speed 1.000 936

Extraction Method: Principal Component

Analysis.

Bảng 1.2 cho biết thông tin về phần biến thiên được giải thích bởi

các nhân tố chung

Sử dụng phép trích nhân tố PCA (Principal Components Analyze), phần chung ban đầu (Initial) luôn = 1 và phần trích cuối cùng (extraction) nhỏ hơn 1

Ví dụ: Biến X6  trong 100% phương sai của biến X6 đưa vào

phân tích trích được 65% phương sai của nó giải thích cho phần chung của các nhân tố Nếu phần trích của biến nào càng cao thì đo lường càng tốt, nhìn vào Bảng 1.2 ta thấy phần trích của biến X18 là cao nhất

Trang 5

Bảng 1.3 Total Variance Explained

Componen

t

Initial Eigenvalues

Extraction Sums of Squared

Loadings

Rotation Sums of Squared Loadings Total

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e %

5

29.503 29.503 3.83

5

29.503 29.503 3.16

2 24.321 24.321

5 20.577 50.080 2.675 20.577 50.080 2.386 18.352 42.673

2

13.243 63.322 1.72

2

13.243 63.322 2.35

3 18.099 60.772

4

11.876 75.198 1.54

4

11.876 75.198 1.87

5 14.425 75.198

Extraction Method: Principal Component Analysis.

Bảng 1.3 theo tiêu chí Eigenvalue ≥ 1 ta thấy có 4 nhân tố (Factor) trích được tại

eigenvalue là 1.544 Nếu ta trích thêm một nhân tố nữa thì eigenvalue lúc này là 0.969 < 1 Vì vậy, dựa theo tiêu chí này ta dừng ở nhân tố thứ tư

Giá trị Cumulative % là 75.198% > 50% cho thấy mô hình EFA phù hợp và cho biết

4 nhân tố đầu giải thích 75.198% biến thiên của dữ liệu

- Có 13 biến quan nên tổng phương sai là 13 Trong đó, phần phương sai cao nhất giải thích cho Factor 1, phần còn lại của phương sai sẽ giải thích tiếp tục cho Factor 2 (như vậy phương sai của Factor 2 sẽ thấp hơn Factor 1) và cứ như thế đến Fator 4 Phần phương sai 3.835 được đưa vào giải thích cho Factor 1 với tỷ trọng 29.503 % (% of Variance = (3.835/13)x100% = 29.503%.); phần phương sai 2.675 giải thích cho Factor 2 chiếm 20.577 % và tổng lũy kế %

Trang 6

phương sai (Cumulative) của 4 Factor là 75.198 % hay 4 nhân tố này giải thích 75.198 % cho sự biến thiên của dữ liệu

Bảng 1.4 Rotated Component Matrix a

Component

X15 - New Products

Extraction Method: Principal Component Analysis

Rotation Method: Varimax with Kaiser Normalization.

a Rotation converged in 5 iterations.

Bảng 1.4 thể hiện ma trận các nhân tố đã xoay theo phép xoay vuông góc Varimax.

Sử dụng EFA để đánh giá thang đo cần xem xét đến trọng số nhân tố hay còn gọi là hệ

số tải nhân tố (Factor Loading)

Trọng số nhân tố của biến Xi trên nhân tố mà nó đo lường sau khi quay phải cao và các trọng số trên các nhân tố khác mà nó không đo lường phải thấp để thang đo đạt được giá trị hội tụ

Mỗi biến chỉ giải thích cho một nhân tố để đảm bảo giá trị phân biệt Nếu một biến giải thích cùng lúc 2 nhân tố thì cần xem xét loại bỏ biến này Chênh lệch trọng số

< 0.3 thường cũng bị loại biến

Trang 7

Trọng số ≥ 0.50 là giá trị chấp nhận, 0.4 được xem là quan trọng Nếu không thõa điều kiện này thì có thể xem xét loại biến

Trọng số âm có nghĩa là biến này tương quan ngược với khái niệm nghiên cứu, cần xem lại mô hình, bảng câu hỏi, quá trình khảo sát,….và có thể xem xét loại biến

Tuy nhiên, cần chú ý những giá trị xem xét nêu trên chỉ về mặt thống kê Trong nghiên cứu, thống kê chỉ là công cụ Chúng ta cần xem xét đóng góp của biến đo lường này vào giá trị nội dụng của khái niệm trước khi ra quyết định loại bỏ hay không loại bỏ nó

Nguyên tắc loại biến là loại lần lượt từng biến, từ biến xấu nhất đến biến ít xấu hơn Vì khi loại một biến thì hệ số tải nhân tố của các biến sẽ thay đổi, loại biến này

có khả năng làm cho biến khác tốt lên và phù hợp với mô hình, và có thể tránh tình trạng loại một biến mà lẽ ra nó giải thích tốt cho khái niệm

Xem Bảng 1.4 ta thấy:

- X15 có hệ số tải nhân tố < 0.5 (1)

- X13 có hệ số tải nhân tố âm - 0.760 (2)

- X11 và X17 vừa đo lường cho nhân tố 1 vừa đo lường cho nhân tố 2, hai biến này không đảm bảo được giá trị phân biệt:

 Chênh lệch trọng số của X11 là (0.716 – 0.555) = 0.161< 0.3 (a)

 Chênh lệch trọng số của X17 là (|-0.788| – 0.515) = 0.253 < 0.3 (b)

Từ (a) và (b)  X11 xấu hơn X17 (3)

Từ (1), (2) và (3)  X11 xấu nhất

Do đó ta loại X11 trước tiên

2 Kết quả phân tích EFA sau khi loại biến X11

Bartlett's Test of Sphericity

 Hệ số KMO = 0.686 > 0.5

Trang 8

 Kiểm định Bartlett có Sig là 0.000

 Đạt điều kiện phân tích EFA

Componen

t

Initial Eigenvalues Extraction Sums of SquaredLoadings Rotation Sums of SquaredLoadings Total

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e %

0

30.329 30.329 3.64

0

30.329 30.329 2.90

0 24.168 24.168

1

18.254 48.584 2.19

1

18.254 48.584 2.32

7 19.393 43.561

4

14.197 62.781 1.70

4

14.197 62.781 1.91

3 15.946 59.507

4

12.285 75.066 1.47

4

12.285 75.066 1.86

7 15.559 75.066

eigenvalue là 1.474

Giá trị Cumulative là 75.066% > 50%: đủ điều kiện phân tích EFA Điều này cho biết

4 nhân tố đầu giải thích được 75.066% biến thiên của dữ liệu

Component

X18 - Delivery Speed 928

X9 - Complaint

X16 - Order & Billing 864

X12 - Salesforce Image 906

Trang 9

X13 - Competitive Pricing 795

X17 - Price Flexibility 567 692

X15 - New Products

Bảng 2.3 cho thấy có 2 biến X6 và X17 không đạt yêu cầu:

 X6 có hệ số tải nhân tố -0.835

 X17 đang giải thích cho 2 nhân tố, do đó ta tiếp tục loại biến X17

So sánh thấy X17 xấu hơn X6 Do đó ta loại X17 trước

Bartlett's Test of

Sphericity

 Hệ số KMO = 0.672 > 0.5

 Đạt điều kiện phân tích EFA

Componen

t

Initial Eigenvalues

Loadings

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e %

8

30.529 30.529 3.35

8

30.529 30.529 2.59

1 23.550 23.550

4 18.673 49.202 2.054 18.673 49.202 2.320 21.091 44.641

1

15.011 64.213 1.65

1

15.011 64.213 1.86

0 16.912 61.553

9

11.169 75.381 1.22

9

11.169 75.381 1.52

1 13.828 75.381

Trang 10

Component

X15 - New Products

Bảng 3.3 thể hiện có 2 biến không đạt điều kiện

 X13 = - 0.785, tức là X13 tương quan nghịch với nhân tố mà nó đang được gom vào để giải thích

 X15 có hệ số tải nhân tố < 0.5

So sánh ta thấy X13 xấu hơn, do đó ta quyết định loại biến X13 trước

Bartlett's Test of

Sphericity

Trang 11

 Hệ số KMO = 0.672 > 0.5

 Đạt điều kiện phân tích EFA

Componen

t

Initial Eigenvalues

Loadings

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e % Total

% of Variance

Cumulativ

e %

8 33.580 33.580 3.358 33.580 33.580 2.590 25.901 25.901

5

18.552 52.132 1.85

5

18.552 52.132 2.30

6 23.060 48.961

2

16.316 68.448 1.63

2

16.316 68.448 1.85

7 18.568 67.529

6

10.560 79.009 1.05

6

10.560 79.009 1.14

8 11.480 79.009

Component

X9 - Complaint

X18 - Delivery Speed 930

X16 - Order & Billing 877

X12 - Salesforce Image 914

X14 - Warranty & Claims 944

Trang 12

X6 - Product Quality 716

Bảng 4.3 cho thấy các biến đã gom vào 4 nhân tố và đều đạt yêu cầu về hệ số tải nhân

tố (≥ 0.5), giá trị hội tụ và giá trị phân biệt

Như kết quả Bảng 4.3, có 4 nhân tố:

Nhân tố 1 được giải thích bởi:

(1) X9 – Complaint Resolution

(2) X16 - Order & Billing

(3) X18 - Delivery Speed

Nhân tố 2 được giải thích bởi:

(1) X7 - E-Commerce

(2) X10 - Advertising

(3) X12 - Salesforce Image

Nhấn tố 3 được giải thích bởi:

(1) X8 - Technical Support

(2) X14 - Warranty & Claims

Nhấn tố 4 được giải thích bởi:

(1) X6 - Product Quality

(2) X15 - New Products

Dựa vào những điểm giống nhau (thể hiện tính chung) của biến nằm trong nhân tố và những nghiên cứu trước nhà nghiên cứu sẽ đặt tên cho những nhân tố này Nhóm đề xuất tên cho các nhân tố như sau:

 Nhân tố 1: Customer service

 Nhân tố 2: Promotion

 Nhân tố 3: After-sales service

 Nhân tố 4: Product

Định dạng
Số trang	12
Dung lượng	87,16 KB