2013 – 2018:
4.8 Phân tích thành phần chính PCA (Principal Component Analysis)
Phân tích thành phần chính PCA là phương pháp thống kê được sử dụng nhằm để trích rút và tóm tắt dữ liệu. Kỹ thuật này giúp cho người phân tích tập trung vào các yếu tố cốt lõi tác động lên nguyên nhân nào đó và nhận dạng các nhóm yếu tố có quan hệ với nhau. Nghĩa là, thay vì sử dụng tất cả các biến đầu vào chúng ta nhóm thành một số biến mới mà vẫn giữ được thông tin của dữ liệu ban đầu. Số lượng các nhân tố mới nhỏ hơn hoặc bằng số biến ban đầu và giữa chúng không có tương quan với nhau. Theo Mayers, L.S., Gamst, G., Guarino A.J. (2006) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Principal Component Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Sau khi loại bỏ các yếu tố, còn lại 12 yếu tố sẽ được sử dụng để phân tích thành phần chính PCA theo mức độ ảnh hưởng. Với dữ liệu khảo sát, kết quả phân tích như sau:
Bảng 4.24 - Bảng kết quả kiểm định KMO và Bartlett’s Test
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,850 Bartlett's Test of Sphericity Approx. Chi- Square 786,193 df 66 Sig. ,000
KMO (Kaiser – Meyer – Olkin): là chỉ số thống kê mức độ tương quan
giữa các biến có nguyên nhân từ các nhóm nhân tố cốt lõi. Trị số của KMO từ 0.5 đến 1 là điều kiện đủ để phân tích nhân tố [17, tr.31]. Dữ liệu phân tích cho thấy hệ số KMO là 0.850: là phù hợp để thực hiện phương pháp PCA.
Bartlett’s Test of Sphericity: Kiểm định giả thiết ma trận tương quan giữa
các biến trong tổng thể. Nếu giá trị sig. < 0.05 của kiểm định thì các biến quan sát có tương quan với nhau trong tổng thể. Kết quả kiểm định Bartlett’s Test of Sphericity có mức ý nghĩa rất nhỏ sig. = 0.000, điều này có nghĩa là dữ liệu đã khảo sát phù hợp cho phân tích thành phần chính.
Bảng 4.25 - Kết quả ma trận xoay nhân tố
Component Matrixa
Component
TN11 ,829 DD41 ,828 TN21 ,796 NL21 ,687 DD51 ,684 NL41 ,663 ,534 NL11 ,627 BDA21 ,571 ,554 BDA41 ,532 XH1 ,503 ,631 BDA11 ,551 ,621 NL51 ,511 ,547
Extraction Method: Principal Component Analysis. a. 3 components extracted.
Rotated Component Matrixa
Component
1 2 3
TN11 ,909
DD41 ,902
DD51 ,735 BDA11 ,839 XH1 ,810 BDA21 ,749 BDA41 ,573 NL41 ,803 NL51 ,761 NL21 ,737 NL11 ,603
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations.
Phương pháp xoay Varimax: là phép xoay nhân tố được sử dụng phổ biến
trong phân tích thành phần chính PCA. Kết quả phân tích dữ liệu cho thấy, từ 12 yếu tố ban đầu sau khi xoay được rút xuống còn 3 thành phần chính.
Hệ số tải nhân tố (Factor loading): Là những hệ số tương quan đơn giữa các
biến và các nhân tố. Theo Hair và ctg (1998, 111) thì Factor loading là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá. Factor loading > 0.3 được xem là đạt được mức tối thiểu, Factor loading > 0.4 được xem là quan trọng, Factor loading > 0.5 được xem là có ý nghĩa thực tiễn.
Kết quả phân tích dữ liệu cho thấy, tất cả các biến đều thỏa điều kiện có hệ số tải nhân tố (Factor loading) > 0.5.
Bảng 4.26 - Bảng kết quả tổng phương sai giải thích
Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 5,203 43,355 43,355 5,203 43,355 43,355 3,240 26,998 26,998 2 1,762 14,687 58,041 1,762 14,687 58,041 2,573 21,439 48,436 3 1,278 10,648 68,689 1,278 10,648 68,689 2,430 20,253 68,689 4 ,747 6,222 74,911 5 ,703 5,854 80,766 6 ,546 4,552 85,318 7 ,466 3,882 89,200 8 ,435 3,625 92,826 9 ,354 2,949 95,775 10 ,267 2,224 97,999 11 ,165 1,377 99,375 12 ,075 ,625 100,000
Extraction Method: Principal Component Analysis.
Theo Gerbing & Anderson, 1998, tổng phương sai trích dẫn phải lớn hơn hoặc bằng 50% (Nguyễn Khánh Duy, 2009). Kết quả phân tích cho thấy, tổng phương sai trích (phần trăm phương sai toàn bộ) của 3 thành phần chính là 68.689%, kết quả này thỏa mãn điều kiện phần trăm phương sai toàn bộ trong phép phân tích thành phần chính.
Hình 4.17 - Biểu đồ phân tích hệ số Eigen values
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, chỉ có những nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích [17, tr.34] [16.]. Kết quả phân tích cho ta thấy rằng, thành phần chính 1, 2, 3 có giá trị eigenvalue > 1, thỏa điều kiện về phân tích thành phần chính.
Như vậy, từ 12 yếu tố ban đầu, sau khi sử dụng công cụ phân tích thành phần chính PCA đã trích rút ra được 3 thành phần chính (sau đây gọi là nhân tố).
Bảng 4.27 - Kết quả phân tích thành phần chính PCA
Nhân tố Biến quan sát
DD41: Thi công trong điều kiện khó khăn TN21: Thời tiết thay đổi bất thường
DD51: Công trường nằm trong khu vực học tập
2
BDA11: Ban quản lý dự án yêu cầu thay đổi thiết kế
XH1: Người dân khiếu nại, không đồng ý giải phóng mặt bằng BDA21: Ban quản lý dự án yêu cầu làm thêm
BDA41: Ban quản lý dự án thiếu năng lực quản lý
3
NL41: Tư vấn giám sát thiếu năng lực
NL51: Khó khăn về tài chính của nhà thầu thi công NL21: Sai sót trong thiết kế
NL11: Sai sót trong công tác khảo sát địa hình Tác giả tiến hành đặt tên lại cho các nhân tố:
- Nhân tố thứ 1 (F1): Công trường trong khu vực học tập và các điều kiện không lường trước.
- Nhân tố thứ 2 (F2): Năng lực của Ban Quản lý dự án và khó khăn trong giải phóng mặt bằng.
Tăng chi phí trong giai đoạn thi công các công trình trường học tại Quận Tân Bình
Công trường trong khu vực học tập và các điều kiện không lường trước
Năng lực của Ban Quản lý dự án và khó khăn trong giải phóng mặt bằng
Sự yếu kém của các nhà thầu
Hình 4.18 - Mô hình các thành phần chính ảnh hưởng đến tăng chi phí trong giai đoạn thi công công trình trường học