Phân Tích Efa Cho Mô Hình Có Biến Trung Gian, Biến Điều Tiết

Trong bài xích viết
Chạy thông thường hay riêng biến độc lập với biến dựa vào trong EFA? mình đã đề cập tới vấn đề về đối sánh tương quan và lý giải vì sao chạy riêng/chung các biến vào EFA. Ở nội dung bài viết này, mình sẽ cụ thể hơn về cách chạy EFA cho mô hình có trở nên trung gian, đổi thay điều tiết.

Bạn đang xem: Phân tích efa cho mô hình có biến trung gian


*

Một mối quan hệ chủ quyền - phụ thuộc được hình thành tương đương việc bọn họ biểu diễn chúng trên mô hình như sau:

*

Biến hòa bình và biến phụ thuộc vào được link với nhau bằng mũi tên một chiều mang ý nghĩa sâu sắc là sự tác động, mũi tên xuất phát từ biến độc lập và hướng về phía biến phụ thuộc. Khi bao gồm đủ 3 yếu hèn tố: trở nên ở cội mũi tên, mũi tên, biến chuyển ở đầu mũi thương hiệu thì ra đời một mối quan hệ độc lập - phụ thuộc.


Trích nguyên bản:"Mixing dependent và independent variables in a single factor analysis and then using the derived factors to tư vấn dependence relationships is inappropriate"

Tạm dịch:Việc gộp chạy thông thường các độc lập và dựa vào trong một phân tích nhân tố khám phávà sau đó lại kiểm tra những mối quan lại hệ dựa vào làkhông phù hợp.

→ Giải thích chi tiết hơn câu nói này. Tức thị khi họ thực hiện phân tích EFA, vấn đề cho chung các biến chủ quyền và dựa vào vào chạy cùng làkhông thích hợp lý. Do với một đề bài đã khẳng định được chủ quyền và phụ thuộc, nghĩa là ngay lập tức từ đầu họ đã khoác định xuất hiệnmối dục tình phụ thuộcgiữa 2 đội biến: một tổ là tác động ảnh hưởng lên phát triển thành khác và một nhóm là chịu ảnh hưởng của trở thành khác.


1.2 quan điểm của
Hair và cùng sự(2015)


Trích nguyên bản:"When you use exploratory factor analysis the variables are not divided into dependent & independent categories. Instead, all variables are analyzed together khổng lồ identify underlying patterns or factors. The technique can be used lớn factor analyze either independent or dependent variables considered separately".

Tạm dịch:Khi bạn thực hiện phân tích nhân tố khám phá, các biến không được chia thành phụ thuộc cùng độc lập. Cầm cố vào đó, toàn bộ các biến chuyển được phân tích cùng cả nhà để xác định kết cấu các nhân tố. Kỹ thuật triển khai phân tích nhân tố tìm hiểu cần được xem xét chạy riêng giữa những biến chủ quyền và vươn lên là phụ thuộc.

→ tương tự như quan điểm thứ 2. Các biến được đưa cùng nhau vào phân tích EFA đề nghị là cùng một loại chủ quyền hoặc cùng 1 một số loại phụ thuộc. Ko được gộp chung cả hai loại vươn lên là này vào so sánh EFA một lần.


Như vậy, xét theo quan điểm của Hair và cộng sự thì khi EFA, chúng ta sẽ chạy riêng cho đổi mới Tiền lương, chạy riêng mang đến biến hài lòng công việc.Mặc định ở bất cứ mô hình tất cả thêm sự lộ diện của từng nào biến đi nữa, bọn họ sẽ cứ dựa vào mối quan hệ giới tính cơ phiên bản độc lập - nhờ vào để chạy riêng biệt EFA.

2. Chạy EFA cho mô hình có vươn lên là trung gian


Khi mô hình có phát triển thành trung gian, biến chuyển trung gian vẫn đóng sứ mệnh vừa là hòa bình trong quan hệ này tuy vậy cũng vừa là phụ thuộc trong quan hệ khác. Trong quy mô bên dưới, họ sẽ bóc làm hai mô hình nhỏ:

Tiền lương (độc lập) cùng với Hài lòng các bước (phụ thuộc): chạy riêng cho vươn lên là Tiền lương, chạy riêng đến biến ưa thích công việc.Hài lòng quá trình (độc lập) với gắn thêm bó doanh nghiệp (phụ thuộc): chạy riêng mang lại biến hài lòng công việc, chạy riêng rẽ cho biến đổi Gắn bó công ty.
*

Nếu phân tích thông thường EFA nhưng công dụng ma trận chuyển phiên xáo trộn bọn họ sẽ tách bóc thành từng lần EFA theo công dụng biến. Tách nhỏ dại mô hình ra từng cặp quan hệ cơ phiên bản độc lập - phụ thuộc rồi so với EFA riêng cho độc lập, riêng đến phụ thuộc. Suy ra, lúc chạy EFA cho mô hình có đổi mới trung gian, họ sẽ chạy 3 lần EFA mang đến từng dạng biến:1 EFA đến độc lập, 1 EFA cho trung gian, 1 EFA đến phụ thuộc.


3. Chạy EFA cho quy mô có vươn lên là điều tiết


Không tất cả quan điểm của các tác trả nào đáng tin tưởng về câu hỏi phân tích EFA cho biến hóa điều tiết. Nhưng lại về cơ chế mối quan lại hệ, trở thành điều tiết có chức năng điều máu một mối quan hệ làm nó mạnh mẽ hơn tuyệt yếu đi, vì vậy nó trọn vẹn không tương xứng cho câu hỏi đưa vào so sánh EFA bình thường với bất cứ biến nào khác. Do vậy, trường hợp tồn tại đổi mới điều tiết trong mô hình, họ thực hiện nay EFA mang đến riêng 1 mình biến điều tiết. Nếu có không ít biến điều tiết cùng điều máu một côn trùng quan hệ, chúng ta chạy một EFA cho từng biến điều tiết. Nếu có khá nhiều biến điều tiết và mỗi trở thành điều tiết điều tiết một mối quan hệ khác nhau, bạn cũng có thể chạy phổ biến EFA cho tất cả các biến điều tiết.

*


4. Ví dụ phương pháp chạy riêng EFA một số trong những mô hình

Dựa trên ý kiến của Hair và cộng sự, chúng ta sẽ có cách thức chạy riêng cho một số quy mô ví dụ sau đây. Các bạn cũng có thể chạy phổ biến tùy ý, tuy nhiên nếu chạy chung công dụng không tốt bạn hãy chạy riêng theo vai trò chủ quyền - phụ thuộc. Nguyên lý chạy riêng rẽ này là trọn vẹn có cơ sở bền vững và kiên cố dựa trên bản chất tương quan các biến trong tế bào hình, đồng thời cũng cân xứng với cách nhìn của Hair và cộng sự.

Mô hình 1:

*

Bước 1: so sánh quan hệ biến hóa trong mô hình:

X là biến phụ thuộc của A, B, C. Vì thế X sẽ có công dụng tương quan bạo gan với A-B-C. Chúng ta phải chạy nhì lần EFA: lần một mang lại 3 biến tự do A, B, C và lần hai mang lại cho biến dựa vào X.Z là biến phụ thuộc của A, B, C. Vì thế Z sẽ có tác dụng tương quan dũng mạnh với A-B-C. Họ phải chạy nhị lần EFA: lần một mang lại 3 biến độc lập A, B, C với lần hai cho cho biến phụ thuộc vào Z.Do X cùng Z hầu hết là biến phụ thuộc vào của A, B, C nên X và Z có khả năng tương quan mạnh khỏe với nhau. Chúng đề nghị chạy nhì lần EFA: lần một mang đến X, lần hai cho Z.Y là biến phụ thuộc của X, Z. Cho nên vì thế Y sẽ có công dụng tương quan bạo gan với X-Z. Bọn họ phải chạy nhị lần EFA: lần một cho 2 biến hòa bình X, Z và lần hai mang đến cho biến nhờ vào Y.

Bước 2: xác định số lần EFA


Từ phần so sánh ở bước 1, bọn họ có được 4 lần chạy EFA sau đây:

EFA cho tía biến chủ quyền A, B, C.EFA cho vươn lên là XEFA cho thay đổi ZEFA cho biến Y


Mô hình 2:

*


Bước 1: so với quan hệ trở nên trong mô hình:

X là biến dựa vào của A, B, C. Do đó X sẽ có khả năng tương quan mạnh bạo với A-B-C. Bọn họ phải chạy hai lần EFA: lần một đến 3 biến độc lập A, B, C cùng lần hai cho cho biến nhờ vào X.Y là biến dựa vào của X, A. Cho nên Y sẽ có tác dụng tương quan mạnh mẽ với X-A. Chúng ta phải chạy hai lần EFA: lần một mang đến 2 biến chủ quyền X, A với lần hai mang đến cho biến phụ thuộc Y.

Bước 2: xác minh số lần EFA


Từ phần so với ở bước 1, họ có được 3 lần chạy EFA sau đây:


EFA cho cha biến tự do A, B, C.EFA cho đổi thay XEFA cho biến đổi Y

Mô hình 3:

*


EFA cho bố biến chủ quyền A, B, C.EFA cho phát triển thành XEFA cho trở thành Y

Mô hình 4:

*


Bước 1: đối chiếu quan hệ biến trong tế bào hình:

X là biến phụ thuộc của A, B, C. Vì vậy X sẽ có công dụng tương quan mạnh bạo với A-B-C. Họ phải chạy nhị lần EFA: lần một mang lại 3 biến tự do A, B, C cùng lần hai mang đến cho biến phụ thuộc vào X.Z là biến phụ thuộc của A, B, C. Cho nên vì thế Z sẽ có tác dụng tương quan khỏe mạnh với A-B-C. Bọn họ phải chạy nhì lần EFA: lần một đến 3 biến độc lập A, B, C và lần hai mang lại cho biến phụ thuộc Z.Z là biến phụ thuộc của X. Cho nên vì vậy Z sẽ có khả năng tương quan mạnh bạo với X. Bọn họ phải chạy hai lần EFA: lần một mang lại biến chủ quyền X cùng lần hai mang lại cho biến phụ thuộc Z.

Bước 2: khẳng định số lần EFA

Warning: Use of undefined constant - assumed " " (this will throw an Error in a future version of PHP) in /www/wwwroot/thamluan.com/wp-content/themes/longpham/content-single.php on line 10">EFA September 27, 2021

Phân tích yếu tố (Factor Analysis) xuất xắc phân tích nhân tố mày mò (Exploratory Factor Analysis) là 1 trong kỹ thuật xử lý định lượng với mục đích rút gọn gàng một tập phù hợp k biến chuyển quan gần cạnh thành một tập F (với F <1> cho rằng, trị số của KMO đề nghị đạt cực hiếm 0.5 trở lên trên (0.5 ≤ KMO ≤ 1) thì phân tích nhân tố mới phù hợp hợp, giả dụ KMO dưới 0.5 nhà nghiên cứu cần suy nghĩ thu thập thêm dữ liệu hoặc xem xét một số loại đi những biến quan sát ít ý nghĩa. Hutcheson & Sofroniou (1999)<2> khuyến nghị một số ngưỡng giá trị KMO như sau:


KMO ≥ 5: mức gật đầu đồng ý tối thiểu5 7 8 KMO > 9: xuất sắc

<1> Kaiser, An index of factorial simplicity, Psychometrika, 1974.

<2> Hutcheson và Sofroniou, The Multivariate Social Scientist, Sage, London, 1999.

2.2 kiểm định Bartlett (Bartlett’s chạy thử of sphericity)

Giả định rất đặc trưng trong EFA là những biến quan gần cạnh đưa vào phân tích cần có sự đối sánh với nhau. Núm vì review dựa vào ma trận tương quan khá cạnh tranh khăn, bọn họ sẽ sử dụng tới kiểm nghiệm Bartlett. Kiểm nghiệm này đang xem xét bao gồm mối tương quan xảy ra giữa các biến gia nhập vào EFA hay là không với giả thuyết Ho: không tồn tại mối đối sánh tương quan giữa các biến quan liêu sát. Trường hợp sig kiểm tra Bartlett nhỏ dại hơn 0.05, họ bác bỏ Ho và kết luận các đổi thay tham gia vào EFA gồm sự tương quan với nhau, ngược lại, ví như sig to hơn 0.05, họ chấp dìm Ho và kết luận các phát triển thành quan sát không tồn tại sự đối sánh tương quan với nhau, phân tích EFA là không phù hợp<1>.

<1> Hair và cùng sự, Multivariate Data Analysis, Pearson, New Jersey, 2009.

2.3 xác định số nhân tố được trích

Hair và tập sự (2009)<1> mang đến rằng, việc triển khai trích yếu tố cần phối hợp giữa lý thuyết nền và hiệu quả thực nghiệm của dữ liệu thu thập. Gồm nhiều phương thức xác định số yếu tố được trích, hay nói một cách khác là chọn điểm dừng, vì họ sẽ yêu ước EFA giới hạn trích ở nhân tố thứ mấy như phụ thuộc vào eigenvalue, tổng phương không đúng trích, biểu vật Scree Plot, phụ thuộc số yếu tố kỳ vọng ước ao trích,… Thường các nhà nghiên cứu sẽ sử dụng phối hợp nhiều phương pháp để nhận xét để công dụng đem lại là tốt nhất. Dưới đây là 4 cách thức phổ biến:

a. Tiêu chuẩn Eigenvalue

Hair và cộng sự (2009) nhận định rằng chỉ những nhân tố có eigenvalue (hay có cách gọi khác là latent roots) to hơn 1 bắt đầu được đánh giá là có chân thành và ý nghĩa và được giữ lại lại.

*

Eigenvalue thường nằm trong bảng Total Variance Explained. Cột Component luôn luôn bằng với số lượng biến quan giáp tham gia vào EFA. Cột Initial Eigenvalues màn trình diễn giá trị eigenvalue lúc đầu khi quá trình trích yếu tố chưa diễn ra. Ở cột Component tất cả bao nhiêu nhân tố thì cột Initial Eigenvalues sẽ hỗ trợ giá trị khớp ứng của toàn bộ các nhân tố này. Cột Extraction Sums of Squared Loadings là hiệu quả khi đã kết thúc quá trình trích nhân tố. Tự 12 nhân tố ban đầu, xong xuôi quá trình trích chúng ta thu được 4 nhân tố. Cột Rotation Sums of Squared Loadings đưa ra hiệu quả các chỉ số sau khi xong xuôi quá trình luân chuyển nhân tố. Hiệu quả ở bảng trên mang đến thấy, quý giá eigenvalue tại yếu tố thứ 4 là 1.215 > 1, tại nhân tố thứ 5 là 0.723 b. Tổng phương không đúng trích

Hướng tiếp cận của phương pháp này là số nhân tố được trích sẽ giải thích được một phần trăm phương sai độc nhất định của các biến quan lại sát. Theo Merenda (1997)<2>, số nhân tố được trích bắt buộc đạt được xác suất phương sai tích lũy (cumulative variance) tối thiểu là 50%. Trong những lúc đó, Hair và cộng sự (2009) đến rằng, số nhân tố được trích giải thích được 60% tổng phương không nên là tốt.

*

Trong bảng hiệu quả ở trên, từ nhân tố thứ bố trở đi, tổng phương không đúng trích được giải thích đạt tới mức trên 50%. Bởi vậy theo ý kiến của Merenda (1997) thì số nhân tố được trích cần từ 3 trở đi. Kết hợp với tiêu chí eigenvalue thì số nhân tố được trích về tối ưu bắt buộc là 4 nhân tố tại phương không nên tích lũy là 64.729% > 50%. Như vậy, 4 yếu tố được trích phân tích và lý giải được (cô đọng được) 64.729% vươn lên là thiên tài liệu của 12 phát triển thành quan liền kề tham gia vào EFA.

Xem thêm: Ngắm Trăng Lớp 8 Phân Tích, Phân Tích Bài Thơ “Ngắm Trăng” Của Hồ Chí Minh

<1> Hair và cộng sự, Multivariate Data Analysis, Pearson, New Jersey, 2009.

<2> Merenda, A guide to the proper use of factor analysis in the conduct và reporting of research: Pitfalls lớn avoid. Measurement and Evaluation in Counseling and Development, 1997.

2.4 hệ số tải nhân tố Factor Loading

Hệ số tải (hay nói một cách khác là trọng số nhân tố) rất có thể hiểu là mối tương quan giữa biến quan giáp với nhân tố. Trị tuyệt đối hoàn hảo hệ số thiết lập của biến đổi quan liền kề càng cao, nghĩa là đối sánh tương quan giữa đổi thay quan gần đó với yếu tố càng mập và ngược lại. Trường hòa hợp trong cùng một nhân tố, tất cả sự mở ra của thông số tải âm, nghĩa là biến đổi quan bên gần đó tải trái hướng so với phần nhiều các biến đổi quan sát còn sót lại trong nhân tố, biến hóa quan giáp này đối sánh tương quan âm với các biến quan gần cạnh có thông số tải dương trong nhân tố.

Với kích cỡ mẫu về tối thiểu là 100, Hair và tập sự (2009) đến rằng:

Trị tuyệt đối Factor Loading tại mức 0.3 mang lại 0.4: suy nghĩ là đk tối thiểu để đổi thay quan sát được duy trì lại.Trị tuyệt vời Factor Loading ở mức từ 0.5 trở lên: mức tối ưu, những biến quan tiếp giáp có ý nghĩa sâu sắc thống kê tốt.

Tuy nhiên, Hair và những cộng sự cũng cho rằng, câu hỏi chọn ngưỡng thông số tải cũng đề xuất xem xét cho cỡ mẫu, team tác giả gợi nhắc bảng kích thước mẫu quan trọng tương ứng với mức thông số tải cần lựa lựa chọn như bên dưới đây:

*

Các tác giả cho rằng bảng cỡ mẫu mã – hệ số tải tiêu chuẩn chỉnh này được chỉ dẫn tương đối cứng rắn và nên được coi như xét cùng với con số số lượng biến chuyển quan sát hay số yếu tố trích được trong phân tích EFA để tiến công giá quality biến quan liêu sát. Với khuôn khổ mẫu phệ hoặc con số biến gia nhập vào EFA nhiều, hệ số tải phải lấy tại mức thấp; với gần như trường phù hợp số yếu tố trích được ở EFA lớn, ngưỡng thông số tải yêu cầu lấy ở tại mức cao hơn.


Mặc dù thông số tải Factor Loading bao gồm trị tuyệt đối hoàn hảo ở nấc 0.3 đến 0.4 đạt điều kiện tối thiểu vươn lên là được đồng ý biến tất cả ý nghĩa. Tuy nhiên, mức 0.5 trở lên sẽ là ngưỡng xuất sắc và cân xứng nhất khi đánh giá unique biến quan liền kề trên thực nghiệm.Việc chọn thông số tải đề nghị xem xét kèm với kích thước mẫu, con số biến quan sát tham gia vào EFA cùng số nhân tố trích được sống EFA. Cỡ chủng loại lớn, số lượng biến quan gần cạnh lớn, hệ số tải vẫn lấy nghỉ ngơi ngưỡng phải chăng hơn; giả dụ số lượng nhân tố trích được lớn, thông số tải đề xuất lấy cao hơn.

3. đối chiếu nhân tố tìm hiểu EFA trên SPSS 26

Sử dụng tập dữ liệu thực hành gồm tên 350 – DLTH 1.sav của tài liệu SPSS 26 Phạm Lộc Blog, tương xứng với quy mô nghiên cứu và bảng câu hỏi khảo sát tại bài viết Bảng khảo sát những yếu tố ảnh hưởng đến sự chấp thuận của nhân viên. Sau bước kiểm định Cronbach’s Alpha, biến hóa LD7 vẫn được reviews là thay đổi ít góp phần vào thang đo Lãnh đạo với cần loại bỏ khỏi thang đo cho quá trình phân tích tiếp theo. Bởi vì vậy, ở bước reviews EFA (bước triển khai sau Cronbach’s Alpha), bọn họ sẽ ko đưa trở nên này vào phân tích. Với tính chất quy mô đơn giản, đã xác định rõ ràng biến độc lập, thay đổi phụ thuộc. Họ sẽ thực hiện phân tích nhân tố tò mò riêng mang lại biến độc lập và phát triển thành phụ thuộc.

Để tiến hành phân tích yếu tố khám phá trong SPSS 26, bọn họ vào Analyze > Dimension Reduction > Factor…

*

3.1 so sánh EFA cho đổi thay độc lập

Ngoại trừ phát triển thành LD7, đưa các biến quan lại sát hòa bình còn lại vào mục Variables. Chăm chú các tùy chọn mặt phải, họ sẽ đi qua lần lượt các tùy lựa chọn này.

*

– Descriptives: Tích vào 3 mục: Initial solution, Coefficients, KMO and Barlett’s thử nghiệm of sphericity. Nhấp Continue để trở về cửa sổ ban đầu.

*

– Extraction: Đề tài nghiên cứu này là nghiên cứu lặp lại, đã có triết lý nền cụ thể về các nhân tố, thang đo. Họ sẽ thực hiện phép trích PCA (Principal Components hoặc Principal Components Analysis) với mục tiêu thu gọn con số biến quan gần kề về các yếu tố tóm tắt thông tin tốt nhất có thể và tiêu chí trích Eigenvalue to hơn 1. Tích chọn vào những mục Scree Plot, Based on Eigenvalue.

*

– Rotation: quy mô nghiên cứu giúp chỉ tất cả biến tự do và biến đổi phụ thuộc, vì thế phép cù Varimax là tương xứng nhất. Nhấp Continue để trở lại cửa sổ ban đầu.

*

– Options: Tích vào Sorted by size nhằm ma trận xoay thu xếp thành từng cột dạng bậc thang để dễ dàng đọc hiệu quả hơn, chúng ta cũng có thể tích hoặc không tích, vấn đề này không tác động đến kết quả. Nên nhớ rằng, trang bị tự các yếu tố trong công dụng ma trận xoay không phản ảnh mức độ đặc biệt của yếu tố đó. Với mục Suppress small coefficients, còn nếu như không tích chọn, ma trận xoay đã hiển thị tổng thể hệ số thiết lập của mỗi biến đổi quan giáp ở từng nhân tố.

*

Trường hòa hợp chỉ mong ma trận xoay hiện tại lên phần lớn ô có thông số tải từ 0.3, 0.4 giỏi 0.5 … trở lên, họ sẽ tích vào Suppress small coefficients. Lúc này hàng Absolute value below đang sáng lên và cho phép nhập vào ngưỡng hệ số tải mà lại nếu thông số tải bên dưới ngưỡng đó sẽ không hiển thị trong bảng ma trận xoay. Trong ví dụ thực hành này, để tiện cho bài toán theo dõi kết quả, người sáng tác muốn ma trận xoay chỉ hiển thị những ô có thông số tải trường đoản cú 0.3 trở lên đề xuất sẽ nhập vào 0.3. Tiếp nối nhấp vào Continue để ngừng hoạt động sổ.

*

Tại cửa sổ tiếp theo, lựa chọn OK để xuất tác dụng ra output.

*

Có khá nhiều bảng sống output, toàn bộ các bảng này đều góp phần vào câu hỏi đánh giá hiệu quả phân tích EFA là tốt hay tệ. Mặc dù nhiên, sinh hoạt đây người sáng tác tập trung vào cha bảng hiệu quả chính: KMO & Barlett’s Test, Total Variance Explained với Rotated Component Matrix, bởi áp dụng ba bảng này chúng ta đã hoàn toàn có thể đánh giá được kết quả phân tích EFA cân xứng hay ko phù hợp.

*

*

*

Kết quả lần EFA đầu tiên: KMO = 0.887 > 0.5, sig Bartlett’s kiểm tra = 0.000 trở thành DN4 cài đặt lên sinh hoạt cả hai yếu tố là Component 4 cùng Component 6 với hệ số tải theo lần lượt là 0.612 và 0.530, mức chênh lệch hệ số tải bởi 0.612 – 0.530 = 0.082 biến chuyển LD5 có hệ số tải ở tất cả các nhân tố đều nhỏ5.

Tác giả sử dụng phương thức các loại một lượt những biến xấu vào một lần đối chiếu EFA. Từ bỏ 28 vươn lên là quan gần cạnh ở lần so sánh EFA vật dụng nhất, vứt bỏ DN4 cùng LD5 và gửi 26 thay đổi quan sát còn sót lại vào so sánh EFA lần sản phẩm hai.

*

Hệ số KMO = 0.879 > 0.5, sig Barlett’s thử nghiệm = 0.000 50%, như vậy, 6 nhân tố được trích lý giải được 63.357% trở thành thiên tài liệu của 26 thay đổi quan sát tham gia vào EFA.

*

Kết trái ma trận xoay đến thấy, 26 vươn lên là quan sát được tạo thành 6 nhân tố, tất cả các biến chuyển quan sát đều phải sở hữu hệ số tải yếu tố Factor Loading to hơn 0.5 và không còn các vươn lên là xấu.

Như vậy, phân tích nhân tố tìm hiểu EFA cho các biến hòa bình được triển khai hai lần. Lần máy nhất, 28 đổi mới quan liền kề được gửi vào phân tích, có 2 thay đổi quan gần kề không đạt điều kiện là DN4 cùng LD5 được đào thải để thực hiện phân tích lại. Lần phân tích sản phẩm công nghệ hai (lần cuối cùng), 26 biến hóa quan sát quy tụ và sáng tỏ thành 6 nhân tố gồm các biến quan gần kề được trình bày trong bảng bên dưới:

*

3.2 phân tích EFA cho trở nên phụ thuộc

Tương từ với các thao tác làm việc trên biến đổi độc lập, tiến hành tiến hành phân tích nhân tố khám phá EFA cho đổi thay phụ thuộc.

*

Hệ số KMO = 0.712 > 0.5, sig Barlett’s demo = 0.000 1. Nhân tố này lý giải được 72.339% biến hóa thiên dữ liệu của 3 thay đổi quan gần kề tham gia vào EFA.

*

Như đang đề cập trước đó ở mục 9.7. Giả dụ chỉ gồm một yếu tố được trích, ma trận xoay sẽ không còn hiển thị, cũng chính vì vậy họ sẽ tấn công giá kết quả qua bảng ma trận yếu tố chưa xoay. Kết quả cho thấy thêm 3 biến chuyển quan sát quy tụ về 1 cột và toàn bộ các biến chuyển quan sát đều sở hữu hệ số sở hữu nhân tố to hơn 0.5.

*

Lưu ý rằng, nếu như sau cách phân tích nhân tố EFA, cấu trúc thang đo bị thay đổi so cùng với thang đo gốc: hình thành nhân tố mới, nhân tố giảm đổi mới quan sát, nhân tố tăng biến đổi quan sát… họ nên thực hiện kiểm định độ tin cẩn thang đo Cronbach’s Alpha để review lại các thang đo mới được ra đời sau EFA.

Leave a Reply

Your email address will not be published. Required fields are marked *

x