7 bước phân tích nhân tố khẳng định CFA trong SPSS AMOS kèm hướng dẫn đọc kết quả chi tiết

Sau khi đã có số liệu thống kê thì bước tiếp theo là chạy phân tích nhân tố khẳng định (CFA) trên SPSS để xác định độ phù hợp của mô hình đang sử dụng. Vậy làm cách nào để phân tích và đọc kết quả CFA chính xác nhất? Hãy cùng Luận văn 1080 tham khảo ngay bài viết bên dưới!

Mục lục

1. Bản chất của CFA

1.1. Khái niệm và giả định cơ bản

Phân tích nhân tố khẳng định (CFA – Confirmatory Factor Analysis) là một phương pháp thống kê định lượng được sử dụng để kiểm định mức độ phù hợp của mô hình đo lường với dữ liệu thực tế. CFA giả định rằng các biến quan sát (observed variables) phản ánh các nhân tố tiềm ẩn (latent factors), và các mối quan hệ này phải được xác định trước dựa trên lý thuyết hoặc giả thuyết nghiên cứu.

Để chạy CFA, bạn phải dùng AMOS (một phần mềm đi kèm SPSS, thường gọi là IBM SPSS AMOS).

Khác với Exploratory Factor Analysis (EFA), CFA mang tính xác nhận lý thuyết và không phải dùng để khám phá các nhân tố tiềm ẩn mới.

1.2. Chỉ số đánh giá độ phù hợp của mô hình

Một số chỉ số quan trọng thường được dùng trong CFA để đánh giá model fit:

Chi-square goodness of fit test
Comparative Fit Index (CFI)
Tucker-Lewis Index (TLI)
Root Mean Square Error of Approximation (RMSEA)
Standardized Root Mean Square Residual (SRMR)

Các chỉ số này giúp đánh giá xem mô hình lý thuyết có phản ánh đúng dữ liệu quan sát hay không, từ đó quyết định giữ nguyên hay điều chỉnh mô hình.

1.3. Lưu ý và giới hạn

CFA không tự động cải thiện độ tin cậy hay tính hợp lý của mô hình, mà chỉ kiểm định mức độ phù hợp. Để cải thiện mô hình, nhà nghiên cứu cần điều chỉnh cấu trúc mô hình, loại bỏ biến không phù hợp, hoặc thay đổi giả thuyết dựa trên kết quả CFA.
Phân tích nhân tố khẳng định giúp xác định cách các đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của nhóm biến quan sát (indicators).
CFA đặc biệt hữu ích để kiểm tra tính hợp lệ và độ tin cậy của thang đo, từ đó đưa ra các kết luận chính xác hơn.
SPSS chỉ hỗ trợ EFA, nếu muốn chạy CFA, cần sử dụng AMOS, LISREL, Mplus hoặc R (lavaan).

>> Đọc thêm: Khai Phá Kiến Thức Về Hệ Số Tương Quan R Mà Bạn Có Thể Chưa Biết

2. Mục đích và ứng dụng

2.1. Mục đích

Mục đích chính của phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis – CFA) là kiểm tra độ tin cậy và tính hợp lý của các mô hình đo lường dựa trên dữ liệu quan sát được. CFA giúp đánh giá mức độ phù hợp giữa mô hình lý thuyết và dữ liệu thực tế thông qua các chỉ số đánh giá model fit.

Phân tích CFA cung cấp thông tin hệ thống, cho phép kiểm tra xem các biến quan sát có mối quan hệ hỗ trợ lẫn nhau về mặt lý thuyết hay không, đồng thời xác định mức độ phù hợp của mô hình đo lường với dữ liệu.

Lưu ý: CFA không khám phá các nhân tố mới như EFA, mà tập trung xác nhận các giả thuyết lý thuyết đã được xác định trước.

2.2. Ứng dụng của CFA

Phân tích nhân tố khẳng định CFA được áp dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là tâm lý học, giáo dục, kinh doanh, y tế và khoa học xã hội. Các ứng dụng cụ thể bao gồm:

2.2.1. Kiểm tra tính hợp lệ và độ tin cậy

CFA giúp kiểm tra tính hợp lệ (validity) và độ tin cậy (reliability) của các thang đo, bảng câu hỏi. Phương pháp này cho phép đánh giá xem các dữ liệu quan sát có phù hợp với mô hình lý thuyết hay không, từ đó quyết định giữ nguyên hay điều chỉnh mô hình đo lường.

Thực tế, nhiều nhà nghiên cứu vẫn nhầm lẫn giữa CFA và EFA khi sử dụng SPSS, dẫn đến kết quả không chính xác nếu không hiểu rõ bản chất và giới hạn của từng phương pháp.

2.2.2. Xác nhận mô hình lý thuyết

CFA mang tính xác nhận lý thuyết, giúp kiểm chứng mô hình dựa trên giả thuyết nghiên cứu đã xác định từ trước. Một số ứng dụng cụ thể gồm:

Đánh giá tính hợp lý của các mô hình đo lường, đặc biệt là các mô hình đo lường trong lĩnh vực tâm lý học và giáo dục. Phân tích CFA có thể được dùng để xác định xem một bộ câu hỏi trong một cuộc nghiên cứu, khảo sát có đang kiểm nghiệm cùng một cấu trúc cơ bản hay không, ví dụ như sự hài lòng của nhân viên hay sự trầm cảm của nhân viên trong công việc.
Xác định mối quan hệ giữa các biến quan sát được và các đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của các biến quan sát được.
Kiểm tra tính phù hợp của các mô hình giải thích sự biến động của các biến quan sát được.
So sánh tính phù hợp của các mô hình đo lường khác nhau và chọn ra mô hình tốt nhất để giải thích sự biến động của các biến quan sát được.
Tìm hiểu về các đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của các biến quan sát được và đánh giá tính tin cậy của các đại lượng này.

⇒ Phân tích nhân tố khẳng định CFA được sử dụng phổ biến trong các nghiên cứu khoa học và có nhiều ứng dụng để giúp nghiên cứu đưa ra các kết luận và giải pháp chính xác hơn.

>> Tham khảo thêm: Dịch vụ viết thuê luận văn được nhiều học viên cao học lựa chọn

3. Hướng dẫn các bước phân tích CFA trong AMOS của phần mềm SPSS

3.1. Bước 1: Chuẩn bị bộ dữ liệu trong AMOS

Trước khi tiến hành phân tích CFA, cần chuẩn bị dữ liệu trên SPSS và lưu dưới định dạng .sav(SPSS data file) để AMOS có thể đọc được. Bộ dữ liệu phân tích nên có cấu trúc hình chữ nhật, trong đó:

Mỗi hàng là một cá nhân tham gia khảo sát
Mỗi cột là một biến quan sát (observed variable)

Các biến này thường được mã hóa bằng thang đo Likert (ví dụ từ 1 đến 5). Trong bước này, cần đặc biệt chú ý và xử lí đến các vấn đề như dữ liệu thô bị thiếu (missing values), dữ liệu ngoại lệ (outliers), hoặc những sai sót khi nhập liệu,… để làm sạch dữ liệu.

Các bước xử lý nâng cao như kiểm tra đa cộng tuyến(multicollinearity) hay tương quan giữa các biến quan sát có thể được thực hiện trước trong SPSS để tăng chất lượng dữ liệu trước khi phân tích CFA.

3.2. Bước 2: Kiểm tra sơ bộ thang đo bằng EFA

Trước khi tiến hành CFA, nhà nghiên cứu thường thực hiện phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) trên SPSS. Mục đích của bước này là xác định sơ bộ cấu trúc nhân tố, đồng thời kiểm tra xem các biến quan sát (observed variables) có thực sự hội tụ về cùng một nhân tố tiềm ẩn (latent construct) như kỳ vọng hay không. Đây là khâu quan trọng nhằm đảm bảo mô hình CFA sau đó được thiết lập đúng và có ý nghĩa thống kê.

Kết quả từ EFA cho phép loại bỏ những biến có tải nhân tố (factor loading) thấp hoặc không phù hợp. Việc sàng lọc này giúp mô hình CFA vận hành trơn tru hơn và nâng cao độ tin cậy trong phân tích.

3.3. Bước 3: Vẽ mô hình CFA trên AMOS

Mở AMOS Graphics và bắt đầu xây dựng mô hình đo lường. Trong đó:

Các nhân tố tiềm ẩn (latent variables) được biểu diễn bằng hình ellipse
Các biến quan sát (observed variables) được biểu diễn bằng hình chữ nhật.

Từ mỗi nhân tố tiềm ẩn, vẽ mũi tên một chiều đến các biến quan sát tương ứng. Đồng thời, mỗi biến quan sát cần được gắn với một sai số (error term), được thể hiện bằng hình tròn nhỏ.

Việc xây dựng mô hình đúng ngay từ đầu rất quan trọng vì nó phản ánh giả thuyết nghiên cứu của bạn.

3.4. Bước 4: Kiểm tra tính phù hợp của mô hình

Sử dụng các chỉ số đánh giá tính phù hợp của mô hình như chi-square, RMSEA, CFI, TLI và SRMR để đánh giá tính phù hợp của mô hình với dữ liệu quan sát được. Chỉ số chi-square thường được sử dụng để kiểm tra tính phù hợp chung của mô hình, trong khi các chỉ số khác được sử dụng để đánh giá các khía cạnh khác của tính phù hợp của mô hình.

Kiểm định mô hình nghiên cứu đo lường: Kiểm định mô hình nghiên cứu đo lường trong phần mềm thống kê SPSS, bao gồm số lượng nhiều nhân tố tiềm ẩn, số lượng các tiêu chí cho từng nhân tố, cấu trúc trong mối quan hệ giữa các nhân tố và các chỉ tiêu với nhau.

3.5. Bước 4: Đánh giá mối quan hệ giữa các nhân tố và biến quan sát

Đánh giá mối quan hệ giữa các nhân tố và biến quan sát được bằng cách xem xét ma trận tải trọng (loading matrix), ma trận hiệp phương sai (covariance matrix) và ma trận hiệp tương quan (correlation matrix) của các biến quan sát được và các nhân tố.

3.6. Bước 5: Tính toán và giải thích các nhân tố tiềm ẩn

Tính toán và giải thích các đại lượng ẩn (factors) đóng góp vào giải thích sự biến động của các biến quan sát được. Phân tích các hệ số tải trọng(factor loadings) của các biến quan sát được và các nhân tố để hiểu các đại lượng ẩn đóng góp vào giải thích sự biến động của các biến quan sát được.

3.7. Bước 6: Đánh giá tính tin cậy và hợp lý của mô hình

Đánh giá mô hình CFA dựa trên cả độ tin cậy (reliability) và tính hợp lý (validity). Việc này có thể được thực hiện bằng cách kiểm tra độ tin cậy của thang đo (ví dụ Cronbach’s Alpha, Composite Reliability) và tính hợp lý thông qua sự khớp giữa giá trị quan sát và giá trị dự đoán từ mô hình. Các chỉ số này phản ánh mô hình có thật sự đáng tin cậy và phù hợp để diễn giải hay không.

3.8. Bước 7: Kết luận và diễn giải kết quả phân tích

Dựa trên các kết quả phân tích, đưa ra kết luận và tóm tắt về tính phù hợp của mô hình CFA với dữ liệu quan sát được, mối quan hệ giữa các nhân tố và biến quan sát được, và đại lượng ẩn đóng góp vào giải thích sự biến động của các biến quan sát được.

Đánh giá các đại lượng ẩn, tải trọng và các chỉ số đánh giá tính phù hợp và tính tin cậy của mô hình.

Nếu kết quả phân tích nhân tố khẳng định CFA là hợp lý và tin cậy, ta có thể sử dụng mô hình để giải thích mối quan hệ giữa các nhân tố và các biến quan sát được trong nghiên cứu.

Lưu ý! Trong quá trình phân tích và đọc kết quả phân tích nhân tố khẳng định CFA, cần chú ý đến việc lựa chọn các chỉ số đánh giá tính phù hợp và tính tin cậy của mô hình phù hợp với mục đích nghiên cứu và dữ liệu quan sát được.

Các chỉ số đánh giá tính phù hợp và tính tin cậy của mô hình có thể có sự khác biệt tùy thuộc vào mục đích và đặc thù của nghiên cứu, vì vậy cần thực hiện các bước phân tích và đọc kết quả phân tích nhân tố khẳng định CFA một cách cẩn thận và chính xác.

4. Hướng dẫn đọc và hiểu kết quả phân tích nhân tố khẳng định CFA

Sau khi hoàn thành quá trình phân tích nhân tố khẳng định CFA, bạn sẽ nhận được một báo cáo kết quả phân tích. Dưới đây là hướng dẫn chi tiết để đọc và hiểu kết quả phân tích nhân tố khẳng định CFA:

4.1. Kiểm tra mức độ phù hợp của mô hình

Sau khi thực hiện CFA, bước đầu tiên là kiểm tra tính phù hợp của mô hình thông qua các chỉ số đánh giá. Các chỉ số phổ biến gồm:

Chi-square/df: phản ánh sự khác biệt giữa mô hình và dữ liệu. Giá trị ≤ 3 được chấp nhận, ≤ 2 là rất tốt, tuy nhiên chỉ số này nhạy cảm với cỡ mẫu nên cần được chuẩn hóa theo bậc tự do.
RMSEA (Root Mean Square Error of Approximation): đo sai lệch trung bình trên mỗi bậc tự do; ≤ 0.05 rất tốt, 0.05–0.08 chấp nhận được, > 0.10 kém.
CFI (Comparative Fit Index): so sánh độ phù hợp của mô hình nghiên cứu với mô hình độc lập; ≥ 0.90 đạt yêu cầu, ≥ 0.95 rất phù hợp.
TLI (Tucker-Lewis Index): đánh giá sự cải thiện của mô hình so với mô hình độc lập, đồng thời xét đến độ phức tạp; ≥ 0.90 đáng tin cậy, ≥ 0.95 rất tốt.
SRMR (Standardized Root Mean Square Residual): đo sai số trung bình còn lại giữa ma trận tương quan quan sát và dự đoán; ≤ 0.08 đạt chuẩn, càng nhỏ càng khớp với dữ liệu.

Những chỉ số này giúp xác định xem mô hình giả thuyết có khớp với dữ liệu thực tế hay không. Nếu chưa đạt, cần xem xét các gợi ý điều chỉnh trong AMOS (Modification Indices) để cải thiện.

4.2. Xác định số lượng và nội dung của các nhân tố

Khi mô hình đã được xác nhận là phù hợp, cần xem xét ma trận tải trọng (factor loadings) của các biến quan sát. Ma trận tải trọng thể hiện mức độ tương quan giữa biến quan sát và nhân tố tiềm ẩn.

Các biến có hệ số tải trọng ≥ 0.5 được coi là chấp nhận được.
Hệ số ≥ 0.7 cho thấy biến quan sát có tính đại diện rất tốt cho nhân tố.

Dựa vào kết quả này, có thể khẳng định số lượng nhân tố cũng như nội dung từng nhân tố trong mô hình nghiên cứu.

4.3. Đánh giá độ tin cậy nội của các nhân tố

Để kiểm tra tính nhất quán nội bộ của các biến trong cùng một nhân tố, chỉ số Cronbach’s Alpha thường được sử dụng.

Giá trị Cronbach’s Alpha ≥ 0.70 được xem là đạt yêu cầu.
Nếu giá trị này cao hơn (≥ 0.80), mức độ tin cậy càng tốt.

Điều này chứng tỏ các biến quan sát trong cùng một thang đo có sự đồng nhất cao, phản ánh chính xác khái niệm nghiên cứu.

4.4. Đánh giá độ tin cậy ngoại và giá trị hội tụ/phân biệt

Ngoài tính tin cậy nội, cần đánh giá độ tin cậy ngoại của mô hình thông qua hai chỉ số:

Composite Reliability (CR): phản ánh độ tin cậy tổng hợp, giá trị ≥ 0.70 được xem là chấp nhận.
Average Variance Extracted (AVE): phản ánh phương sai trung bình trích được, giá trị ≥ 0.50 cho thấy nhân tố giải thích tốt sự biến thiên của các biến quan sát.

Đồng thời, cần kiểm tra giá trị hội tụ (convergent validity) và giá trị phân biệt (discriminant validity) để khẳng định các nhân tố vừa đo lường tốt các biến quan sát liên quan, vừa khác biệt rõ ràng với các nhân tố khác trong mô hình.

Song song với phân tích định lượng, phân tích định tính cũng là một phương pháp được nhiều học viên sử dụng rất nhiều trong xử lý số liệu. Phân tích định tính là 1 phương pháp tiếp cận, nhằm tìm cách mô tả, phân tích các đặc điểm văn hóa, hành vi con người và của nhóm người, từ quan điểm của các nhà nghiên cứu.

Có rất nhiều phương pháp phân tích định tính được sử dụng hiện nay. Luận văn 1080 sẽ chia sẻ thêm cho các bạn về phân tích định tính đầy đủ nhất trong bài viết này.

5. Phân biệt giữa EFA và CFA

5.1. Giống nhau

Mặc dù EFA (Exploratory Factor Analysis) và CFA (Confirmatory Factor Analysis) là hai phương pháp phân tích nhân tố khác nhau, nhưng cũng có những điểm giống nhau:

Cả hai phương pháp đều được sử dụng để phân tích cấu trúc nhân tố của một tập dữ liệu.
Cả hai phương pháp đều được sử dụng để giảm kích thước của dữ liệu bằng cách xác định các nhân tố tiềm ẩn đằng sau các biến quan sát.
Cả hai phương pháp đều sử dụng ma trận tương quan giữa các biến đầu vào để xác định các nhân tố.
Cả hai phương pháp đều cần đánh giá tính phù hợp mô hình và chất lượng kết quả phân tích nhân tố để đảm bảo tính hợp lý và tin cậy của các kết quả.

5.2. Khác nhau

EFA (Exploratory Factor Analysis) và CFA (Confirmatory Factor Analysis) đều là phương pháp phân tích nhân tố thường được sử dụng trong nghiên cứu khoa học. Tuy nhiên, hai phương pháp này có sự khác biệt về mục đích, cách tiếp cận, và cách đánh giá kết quả.

Dưới đây là bảng phân biệt giữa EFA và CFA:

Nội dung so sánh	EFA	CFA
Mục đích	Tìm ra các cấu trúc tiềm ẩn từ biến dữ liệu quan sát được	Kiểm định và xác nhận cấu trúc nhân tố đã được giả thuyết hoặc đề xuất trước đó
Tiếp cận	Không giả định cấu trúc nhân tố	Giả định cấu trúc nhân tố trước đó
Giả định về mô hình	Không giả định về mô hình nhân tố trước đó	Giả định về mô hình nhân tố trước đó
Đặc điểm	Thường được sử dụng khi chưa có mô hình nhân tố trước đó hoặc muốn tìm hiểu sâu hơn về cấu trúc dữ liệu	Thường được sử dụng để kiểm tra mô hình nhân tố EFA đã được đề xuất trước đó có phù hợp với dữ liệu thực tế hay không.
Sử dụng	Thường được sử dụng khi chưa có mô hình nhân tố trước đó hoặc muốn tìm hiểu sâu hơn về cấu trúc dữ liệu	Thường được sử dụng để kiểm tra mô hình nhân tố đã được đề xuất trước đó
Đặc điểm dữ liệu	Số lượng biến độc lập lớn hơn hoặc bằng số lượng quan sát	Số lượng biến độc lập ít hơn hoặc bằng số lượng quan sát
Độ phức tạp	Phân tích mô tả dữ liệu	Phân tích hồi quy đa biến
Đánh giá kết quả	Tính phù hợp mô hình và các chỉ số đánh giá mô hình như KMO, Bartlett’s test, communalities, scree plot, các chỉ số đo lường độ phù hợp như RMSEA, CFI, TLI	Tính phù hợp mô hình và các chỉ số đánh giá mô hình như chi-squared test, degrees of freedom, RMSEA, CFI, TLI, SRMR, các chỉ số tải trọng như standardized loading, modification indices
Công cụ phân tích	Thường sử dụng phương pháp PCA (Principal Component Analysis), AFA (Alpha Factor Analysis), PA (Parallel Analysis)	Sử dụng phương pháp SEM (Structural Equation Modeling)

Phân tích CFA là một hệ thống quy trình thống kê phức tạp và việc diễn giải các kết quả đòi hỏi sự hiểu biết về các phương pháp của phân tích và ước lượng các giả định thống kê. Các bạn có thể cần tham khảo ý kiến của những chuyên gia thống kê về phân tích CFA để giải thích đầy đủ nhất về kết quả phân tích CFA.

Nếu thấy khó khăn trong việc phân tích hãy nhanh chóng liên hệ Luận văn 1080 để được cung cấp dịch vụ xử lý số liệu SPSS nhanh nhất, uy tín nhất, đạt chất lượng cao nhất Việt Nam. Hãy liên ngay chúng tôi để nhận nhiều ưu đãi tốt nhất

Như vậy, bài viết trên đã tổng hợp bản chất, mục đích, ứng dụng cũng như cách phân tích, đọc kết quả và phân biệt phân tích CFA và EFA chi tiết, có kèm theo hình ảnh minh họa cụ thể để các bạn dễ dàng tham khảo, tìm hiểu. Hy vọng sẽ giúp thêm kiến thức cho các bạn. Chúc các bạn phân tích CFA thành công

Bài đăng này hữu ích như thế nào?

Bấm vào một ngôi sao để đánh giá nó!