CÁC PHÂN TÍCH DỮ

LIỆU CƠ BẢN TRONG

SPSS
LECTURER: HOANG TPM LE (PH.D.)
NỘI DUNG
1. Kiểm tra độ tin cậy của thang đo
2. Phân tích nhân tố khám phá EFA
 Mục tiêu bài học
LO1: Hiểu được các khái niệm cơ bản trong Kiểm tra độ
tin cậy thang đo.
LO2: Hiểu được các khái niệm cơ bản trong phân tích
nhân tố khám phá EFA.
LO3: Chạy và đọc dữ liệu trong bảng kết quả Cronbach’s
Alpha
1. KIỂM TRA ĐỘ TIN CẬY
THANG ĐO
 1.1. Reliability test (kiểm tra độ uy tín):
- Cronbach’s alpha: đo lường tính nhất quán nội bộ (internal consistency
reliability)
- Tính nhất quán nội bộ: các biến quan sát trong một thang đo phải có sự
tương quan chặt chẽ nhau, cùng giải thích cho một khái niệm (to
evaluate the consistency of an individual item’s performance to items’
homogeneity)
=> Nếu một thang đo mà các biến quan sát có sự tương quan càng chặt
chẽ, thang đo đó càng có tính nhất quán cao, hệ số Cronbach’s Alpha sẽ
càng cao.
 Cùng chiều tích cực
BI1 The fashion brand that I am using is well established.
Thương hiệu thời trang này thì được thiết lập tốt

BI2 The fashion brand that I am using has a clean image.

Thương hiệu thời trang này có hình ảnh trong sạch

BI3 The fashion brand that I am using has a differentiated image in comparison
with the other brand.
Hình ảnh của thương hiệu thời trang này khác biệt với các thương hiệu thời
trang đối thủ.
 Cùng chiều tiêu cực
BI1 The fashion brand that I am using is not well established.
Thương hiệu thời trang này thì không được thiết lập tốt

BI2 The fashion brand that I am using has a unclean image.

Thương hiệu thời trang này có hình ảnh không trong sạch

BI3 The fashion brand that I am using has an undifferentiated image in

comparison with the other brand.
Hình ảnh của thương hiệu thời trang này không khác biệt với các thương
hiệu thời trang đối thủ.
 Thang đo có sự ngược chiều
BI1 The fashion brand that I am using is well established.
Thương hiệu thời trang này thì được thiết lập tốt

BI2 The fashion brand that I am using has an unclean image.

Thương hiệu thời trang này có hình ảnh không trong sạch

BI3 The fashion brand that I am using has a differentiated image in comparison
with the other brand.
Hình ảnh của thương hiệu thời trang này khác biệt với các thương hiệu thời
trang đối thủ.
1.2. Các chỉ số quan trọng trong kiểm tra
độ tin cậy:
- Cronbach alpha (α) ≥ 0.7 (George & Mallery, 2019; Nunnally, 1978); α > 0.6
(Peterson, 1994)
- Hệ số tương quan biến tổng (Corrected Item – Total Correlation): nếu total
correlation < 0.3 = biến quan sát đang đo lường một ý nghĩa khác với các
biến quan sát còn lại trong thang đo
total correlation > 0.3 (Pallant, 2020).
xác định được biến quan sát nào ít đóng góp cho thang đo và từ đó
cân nhắc việc loại bỏ biến quan sát để tăng độ tin cậy cho thang đo
- Cronbach's alpha if item deleted value: giá trị Cronbach’s Alpha mới của
thang đo khi biến quan sát đó bị loại khỏi thang đo  loại bỏ biến quan sát
nếu giá trị alpha mới lớn hơn giá trị alpha tổng ban đầu (Matkar, 2012)
(remove the item with values > Cronbach’s alpha)
Bước 1: Analyze  Scale  Reliability
analysis
Bước 2: Chọn bộ thang đo cần kiểm tra vào ô Items
 Nhấn Statistics
Bước 3: Nhấp chọn vào 3 ô: Item, Scale, Scale if item
deleted  Nhấn “Continue”
Item: Thống kê mô tả từng biến quan sát

Scale: Thống kê mô tả cả thang đo

Scale if item deleted: giá trị tin cậy của
thang đo nếu biến quan sát bị loại bỏ
2. PHÂN TÍCH NHÂN TỐ
KHÁM PHÁ EFA
2.1. Exploratory factor analysis (EFA) là gì?
- Phân tích EFA (Exploratory Factor Analysis) là phân tích nhân tố khám phá, chức năng
chính dùng để khám phá ra các nhân tố tiềm ẩn.

2.2. Các trị số quan trọng trong EFA?

- Kaiser-Meyer-Olkin (KMO): 0.5 < KMO < 1
- Bartlett's Test of Sphericity: p-value < 0.05
Bộ dữ liệu thì phù hợp cho việc chạy EFA

- Trị số Eigenvalue: xác định số lượng nhân tố trong phân tích EFA. Chỉ có những nhân tố nào có
Eigenvalue > 1 mới được giữ lại trong mô hình phân tích.

- Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là phù hợp
(Gerbing & Anderson, 1988)  số nhân tố tải được trong bộ thang đo giải thích được trên
50% biến thiên của dữ liệu.
2.2. Exploratory factor analysis (EFA) là gì?

- Hệ số tải (Absolute Factor loadings): hay còn gọi là trọng số nhân tố có thể hiểu là mối
tương quan giữa biến quan sát với nhân tố Loadings ≥ 0.5  loại bỏ hệ số tải loadings <
0.5
- Sự khác biệt giữa các Trị tuyệt đối của hệ số tải (Differences between Absolute factor
loadings in each item) ≥ 0.3 (Jabnoun & Al-Tamimi, 2003)  loại bỏ loadings with
difference < 0.3 .
Thang đo thì thích hợp và đủ tính thống nhất giữa các các biến quan sát trong cùng 1
nhân tố và đủ sự khác biệt giữa các nhân tố với nhau
- Có 2 cách xoay dữ liệu tùy vào mục đích nghiên cứu và mô hình nghiên cứu:
Để xác nhận thang đo cho mô hình SEM có biến trung gian: Principal axis factoring
(Extraction) + Promax (rotation)
Để tìm ra nhân tố mới: Principal component (Extraction) + Varimax (Rotation)
Sự khác biệt giữa phép xoay Varimax và
Promax
Varimax: xoay vuông góc  sau khi quay trục các nhân tố vẫn ở vị trí vuông góc với
nhau. Giả định: các nhân tố không có sự tương quan với nhau.
Phép quay vuông góc (Orthogonal Methods) gồm Varimax, Equimax, Quartimax : các đề tài
chỉ có hai loại biến độc lập và phụ thuộc.
Promax: xoay không vuông góc  sau khi quay trục các nhân tố sẽ di chuyển đến vị trí
phù hợp nhất. Phép quay này giả định các nhân tố có sự tương quan với nhau.
Phép quay không vuông góc (Oblique Methods) gồm Promax, Oblimin, Orthoblique: các đề
tài có sự xuất hiện của biến trung gian, lúc này sẽ có các biến vừa đóng vai trò độc lập
vừa đóng vai trò phụ thuộc.
Sự khác biệt giữa phép trích Principal
components và Principal axis factoring
Principal Components Analysis (Phân tích thành phần chính- phép trích mặc định): giả
định các biến quan sát không có phương sai riêng (unique variance)
=> 100% sự biến đổi của biến quan sát đều được giải thích bởi các nhân tố được trích.
=> các nhân tố được trích ra sẽ thường sẽ có tổng phương sai trích là lớn nhất so với
các phép trích còn lại.
Principal Axis Factoring (Common Factor Analysis): giả định các biến quan sát tồn tại
phần phương sai riêng (unique variance)
=> sự biến đổi của biến quan sát ngoài việc được giải thích bởi các nhân tố được trích
thì còn được giải thích bởi phương sai riêng (bao gồm cả sai số phương sai).
=> các nhân tố được trích sẽ thường sẽ có tổng phương sai trích thấp hơn so với PCA.
Mô hình nghiên cứu
Nhu cầu về tài
năng (NCO)
H1+
Nhu cầu về tự
chủ (NAU)
H2+

Nhu cầu về mối H3+ Sự hài lòng

quan hệ (NRE) trong công việc
H4+ (LSA)
Nhu cầu về giải
trí (NAR) H5+

Nhu cầu về vật

chất (NMA)
Giả thuyết nghiên cứu:
H1: Nhu cầu về tài năng có ảnh hưởng tích cực đến sự hài lòng của nhân viên
trong công việc.
H2: Nhu cầu về tự chủ có ảnh hưởng tích cực đến sự hài lòng của nhân viên
trong công việc.
H3: Nhu cầu về mối quan hệ có ảnh hưởng tích cực đến sự hài lòng của nhân
viên trong công việc.
H4: Nhu cầu về giải trí có ảnh hưởng tích cực đến sự hài lòng của nhân viên
trong công việc.
H5: Nhu cầu về vật chất có ảnh hưởng tích cực đến sự hài lòng của nhân viên
trong công việc.
Bước 1: Analyze  Dimension reduction
 Factor
Bước 2: Thả toàn bộ biến quan sát của mô hình vào ô Variables
 Chọn Descriptives  Click chọn ô “KMO and Barttett’s test of
sphericity”  Nhấn “Continue”
Bước 3: Chọn Extraction  Principal components
 Nhấn “Continue”
Bước 4: Rotation  Varimax Nhấn
“Continue”
Bước 5: Options  Click chọn “Sorted by size” và “
Suppress small coefficient  Nhấn “Continue” 
Chọn mức 0.2 tại ô “Absolute value below”
Bước 6: Đọc kết quả trên cửa sổ output
view
KMO > 0.5
P-value < 0.05
Bước 6: Đọc kết quả trên cửa sổ output
view:Eigenvalues > 1; Total variance explained > 50%.
Bước 6: Đọc kết quả
trên cửa sổ output
view – Bảng Rotated
Component Matrix
(không loại các hệ số tải nhỏ hơn 0.2)

- Hệ số tải > 0.5

- Sự khác biệt giữa các hệ số
tải > 0.3
Bước 6: Đọc kết quả
trên cửa sổ output
view – Bảng Rotated
Component Matrix
(không loại các hệ số tải nhỏ hơn 0.2 –
Suppress small coefficient; không sắp
xếp theo kích thước hệ số tải – sorted
by size)

- Hệ số tải > 0.5

- Sự khác biệt giữa các hệ số
tải > 0.3
Bước 6: Đọc kết
quả trên cửa sổ
output view –
Bảng Rotated
Component Matrix
- Hệ số tải > 0.5
- Sự khác biệt giữa các hệ số
tải > 0.3
Thực hành với mô hình 17 biến:
NCO
Sự hài lòng DSA
NAU trong công việc
(LSA) ANX
NRE
FEA
NAR
BOR
NMA PMR
DEP
NMR
ADD
APP

FSE

FGF
Loại bỏ các biến có hệ số tải < 0.5 và có sự
khác biệt hệ số tải giữa các nhân tố < 0.3
 1 2 3 4 5 6 7 8 9 10 11

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Bộ thang đo cuối cùng của mô hình nghiên cứu sau khi phân tích nhân tố khám phá bao gồm 14 biến tiềm ẩn và 48 biến quan sát.
Tài liệu trích dẫn
Nachtigall, C., Kroehne, U., Funke, F., & Steyer, R. (2003). Pros and cons of structural equation
modeling. Methods Psychological Research Online, 8(2), 1-22.
Peterson, R. A. (1994). A meta-analysis of Cronbach's coefficient alpha. Journal of consumer
research, 21(2), 381-391.
George, D., & Mallery, P. (2019). IBM SPSS statistics 26 step by step: A simple guide and reference.
Routledge.
Pallant, J. (2020). SPSS survival manual: A step by step guide to data analysis using IBM SPSS.
McGraw-hill education (UK).
Nunnally, J. C. (1978). An overview of psychological measurement. Clinical diagnosis of mental
disorders: A handbook, 97-146.
Matkar, A. (2012). Cronbach's alpha reliability coefficient for standard of customer services in
Maharashtra state cooperative bank. IUP Journal of Bank Management, 11(3), 89.
Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and
recommended two-step approach. Psychological bulletin, 103(3), 411–423.
Jabnoun, N., & Hassan Al‐Tamimi, H. A. (2003). Measuring perceived service quality at UAE
commercial banks. International Journal of Quality & Reliability Management, 20(4), 458-472.
FOR MORE DETAILS: PLEASE CONTACT ME AT
LTPMHOANG@HCMIU.EDU.VN
MS TEAM