EFA và CFA đều làm việc với cấu trúc nhân tố nhưng trả lời hai câu hỏi khác nhau. EFA – Exploratory Factor Analysis hỏi dữ liệu gợi ra cấu trúc nào. CFA – Confirmatory Factor Analysis hỏi cấu trúc lý thuyết đã định trước có phù hợp dữ liệu hay không.
Dùng EFA và CFA như hai nút bấm liên tiếp trên cùng một mẫu là một thói quen phổ biến nhưng cần thận trọng. Khám phá trên dữ liệu nào thì xác nhận tốt nhất nên được thực hiện trên dữ liệu khác hoặc ít nhất bằng validation split.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 03 · Đo lường, SEM và ra quyết định bán định lượng
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Khi nào cần EFA?
- Thang đo mới hoặc được điều chỉnh sâu.
- Chưa chắc số nhân tố.
- Muốn khám phá item đang nhóm thế nào.
- Bối cảnh mới có thể làm cấu trúc khác nghiên cứu gốc.
Nếu dùng thang đo đã có lý thuyết mạnh và mục tiêu là xác nhận, có thể đi thẳng CFA thay vì EFA máy móc.
2. Correlation matrix là nền của EFA
EFA dựa trên tương quan giữa các item. Nếu item ordinal 1–5 và phân phối lệch, polychoric correlation có thể phù hợp hơn Pearson. Việc chọn matrix ảnh hưởng kết quả.
Một tập item gần như không tương quan khó hình thành nhân tố phản xạ.
3. KMO và Bartlett: chỉ là kiểm tra sơ bộ
KMO đánh giá mức dữ liệu phù hợp với cấu trúc nhân tố; Bartlett kiểm ma trận tương quan có khác identity matrix. Kết quả tốt chỉ nói EFA có lý do để tiến hành, không chứng minh cấu trúc đúng.
4. Extraction: PCA không phải EFA
Principal Component Analysis – PCA – giảm chiều bằng cách tạo thành phần từ tổng phương sai. Factor Analysis tìm latent factors giải thích covariance chung. PCA hữu ích nhưng không nên gọi là EFA nếu câu hỏi là latent constructs.
Các phương pháp extraction EFA phổ biến gồm principal axis factoring hoặc maximum likelihood tùy giả định.
5. Số nhân tố: đừng chỉ dùng Eigenvalue > 1
Kaiser criterion thường giữ quá nhiều hoặc quá ít factors. Scree plot và đặc biệt parallel analysis cho cơ sở tốt hơn. Cuối cùng cấu trúc còn phải có ý nghĩa lý thuyết.
6. Rotation: orthogonal hay oblique?
Varimax ép factors không tương quan. Trong hành vi BĐS, Trust, Satisfaction, PU thường có tương quan nên oblique rotation như oblimin/promax thường hợp lý hơn. Chọn rotation theo lý thuyết, không theo thói quen.
7. Cross-loading và item khó
Một item tải mạnh lên hai factors có thể viết mơ hồ hoặc hai construct chưa phân biệt. Không nên luôn xóa item; đôi khi vấn đề là mô hình khái niệm.
| item | Factor 1 | Factor 2 | Nhận xét |
|---|---|---|---|
| TR1 | 0.78 | 0.19 | Tốt |
| TR2 | 0.61 | 0.55 | Cross-loading |
| SAT1 | 0.12 | 0.82 | Tốt |
8. CFA bắt đầu từ mô hình đã định trước
Trong CFA, mỗi indicator được gắn với factor theo lý thuyết; ta kiểm loading, covariance giữa factors, residuals và model fit. Không nên sửa mô hình chỉ để fit tốt nếu modification không có lý do nội dung.
9. Identification
Mô hình CFA phải được nhận diện: số tham số cần ước lượng phải tương thích thông tin trong covariance matrix và mỗi latent factor cần scale. Thường cố định một loading = 1 hoặc variance factor = 1.
Mô hình không identified thì phần mềm không thể ước lượng duy nhất, dù sơ đồ đẹp.
10. Fit indices: dùng như hệ bằng chứng
| Chỉ số | Phản ánh |
|---|---|
| χ² | Sai khác tổng thể giữa covariance quan sát và mô hình |
| CFI/TLI | Fit tương đối so với mô hình nền |
| RMSEA | Approximation error theo bậc tự do |
| SRMR | Sai khác chuẩn hóa residual |
Các ngưỡng như CFI 0,95, RMSEA 0,06 thường chỉ là hướng dẫn; không nên dùng cơ học. Sample size, model complexity và misspecification ảnh hưởng các chỉ số.
11. Correlated residuals
Modification index có thể gợi ý nối residual giữa hai item. Chỉ làm nếu có lý do phương pháp/nội dung – ví dụ wording rất giống – và cần báo cáo. Nối hàng loạt residual để đạt fit làm mô hình khó tái lập.
12. CFA với dữ liệu ordinal
Likert 5 mức không phải lúc nào cũng thích hợp ML thông thường nếu lệch mạnh. Robust estimators hoặc WLSMV có thể phù hợp. Điều quan trọng là biết phần mềm đang ước lượng trên Pearson hay polychoric correlation.
13. Split sample: khám phá rồi xác nhận
Nếu N đủ, có thể chia ngẫu nhiên sample: phần A cho EFA, phần B cho CFA. Tốt hơn nữa là CFA trên nghiên cứu/mẫu độc lập. Nếu EFA và CFA cùng một dữ liệu, confirmation yếu hơn.
14. Case: thang đo trải nghiệm app môi giới
20 item dự kiến 4 constructs. Parallel analysis gợi 3 factors; một nhóm item “ease” nhập với “efficiency”. Nhóm nghiên cứu quay lại định nghĩa và phỏng vấn, phát hiện người dùng hiểu “dễ” chủ yếu như “làm nhanh”. Kết quả không chỉ là bài toán thống kê mà là vấn đề khái niệm.
15. Quy trình gợi ý
- Kiểm construct/item.
- Data cleaning.
- Correlation phù hợp.
- EFA nếu cần.
- Parallel analysis + rotation.
- Giải thích factors.
- CFA trên mẫu xác nhận.
- Kiểm fit/validity.
- Không sửa quá mức.
- Khóa measurement model trước SEM.
16. Sai lầm
- PCA = EFA.
- Eigenvalue >1 là luật.
- Varimax cho mọi dữ liệu.
- EFA và CFA cùng mẫu rồi gọi là xác nhận mạnh.
- Chạy modification indices đến khi fit.
- Không xét estimator cho ordinal data.
17. Bài tập thực hành
Thiết kế quy trình EFA/CFA cho 24 item đo 5 constructs trong nghiên cứu PropTech. Nêu cách quyết định số factors, rotation, split sample và việc xử lý một item cross-loading cao nhưng có nội dung quan trọng.
Ghi nhớ trong 30 giây
- EFA khám phá; CFA xác nhận.
- PCA không đồng nghĩa EFA.
- Parallel analysis tốt hơn chỉ dùng Eigenvalue >1.
- Oblique rotation thường hợp với constructs hành vi.
- CFA fit phải đi cùng lý thuyết và measurement validity.
Nguồn tham khảo
- Fabrigar và cộng sự – Evaluating the Use of Exploratory Factor Analysis.
- Brown – Confirmatory Factor Analysis for Applied Research.
- Kline – Structural Equation Modeling.
Bài tiếp theo: SEM: kiểm định đồng thời mô hình đo lường và mô hình cấu trúc