Bài giảng Hướng dẫn sử dụng SPSS trong nghiên cứu marketing: Phân tích nhân tố EFA - Ngô Thái Hưng

Bài giảng Hướng dẫn sử dụng SPSS trong nghiên cứu marketing: Phân tích nhân tố EFA gồm có những nội dung chính sau: Khái niệm và ứng dụng, mô hình nhân tố trực giao, phương pháp phân tích. Mời các bạn cùng tham khảo để biết thêm nội dung chi tiết!
Nội dung trích xuất từ tài liệu:
Bài giảng Hướng dẫn sử dụng SPSS trong nghiên cứu marketing: Phân tích nhân tố EFA - Ngô Thái Hưng ĐẠI HỌC TÀI CHÍNH - MARKETINGChuyên đề: HƯỚNG DẪN SỬ DỤNG SPSSTRONG NGHIÊN CỨU MARKETING Ngô Thái HưngPhần 7 PHAÂN TÍCH NHAÂN TOÁ EFA NỘI DUNG• Khái niệm và ứng dụng• Mô hình nhân tố trực giao• Phương pháp phân tích – Thành phần chính – Phép quay• Kết luận Khái niệm và ứng dụng• PTNT là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các số liệu• Trong nghiên cứu ta có thể thu thập một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được.PHƯƠNG PHÁP PHÂN TÍCH Phân tích nhân tố sơ bộPHƯƠNG PHÁP PHÂN TÍCH f1 f2 fm X1 X2 X3 X4 X5 X6 X8 X9 Xp ε1 ε2 ε3 ε4 ε5 ε6 ε7 ε8 εp Phân tích nhân tố xác địnhPHƯƠNG PHÁP PHÂN TÍCHMô hình nhân tố trực giao X 1 − µ1 = l11 f1 + ... + l1m f m + ε1 X 2 − µ2 = l21 f1 + ... + l2 m f m + ε 2 ⋮ X p − µ p = l p1 f1 + ... + l pm f m + ε p Hệ số lij gọi là hệ số nhân tố tải, là những hệ số tương quan đơn giữa biến X i và các nhân tố f j . µi Trung bình của biến X i j = 1, m i = 1, pPHƯƠNG PHÁP PHÂN TÍCHKhi đó:Ký hiệu dưới dạng ma trận: X − µ = Lf + εPhương sai của biến Xi là: var( X i ) = li1 + li2 + ⋯ + lim + ψ i 2 2 2Ma trận phương sai – hiệp Σ = cov( X ) = cov( Lf + ε )phương sai: => Σ = LL + ψ T cov( X , f ) = L PHƯƠNG PHÁPT PHÂN TÍCHKý hiệu dạng ma trận Σ = LL + ψƯớc lượng L: Phương pháp phân tích thành phần chính L≃ ( λ1c1, λ2 c2 ,..., λm cm ) Chọn số lượng nhân tố m Chọn m bằng số giá trị riêng lớn hơn giá trị riêng trung bình. Đối với R , giá trị riêng trung bình là 1 , đối với λj Σ là ∑ p j =1 p Số lượng nhân tốPriori determination: Từ lý thuyết, kinhnghiệm, các kết quả nghiên cứu trướcDựa vào giá trị riêng (eigenvalue) thể hiệnphần biến thiên được giải thích bởi mỗi nhântố so với biến thiên toàn bộ nếu phần biếnthiên được giải thích này lớn (giá trị riêng lớnhơn 1), thì nhân tố rút ra có ý nghĩa thông tintốt nhất CÁC THAM SỐKaiser – Meyer-Olkin (KMO): là một chỉ sốdùng để xem xét sự thích hợp của phântích nhân tố. Trị số của KMO lớn ( giữa0.5 và 1) là điều kiện đủ để phân tích nhântố, còn nếu trị số này nhỏ hơn 0.5 thì phântích các nhân tố không có khả năng thíchhợp với dữ liệu. Ví Dụ• Một bé gái 12 tuổi đưa ra 5 nhận định về một cá thể nào đó thông qua 7 loại người quen• Phân loại này dựa trên 5 tính từ : tốt, thông minh, vui vẻ, dễ mến, và công bằng. Bảng số liệu Người Tốt Thông minh Vui vẻ Dễ mến Công bằngHọc sinh nam 1 1 5 5 1 1 Phụ nữ 8 9 7 9 8Học sinh nam 2 9 8 9 9 8 Bố 9 9 9 9 9 Thầy 1 9 1 1 9 Học sinh nữ 9 7 7 9 9Học sinh nam 3 9 7 9 9 7• Ma trận tương quan đối với 5 biến như sau 1.000 .296 .881 .995 .545     .296 1.000 −.022 .326 .837  R =  .881 −.022 1.000 .867 .130     .995 .326 .867 1.000 .544   .545   .837 .130 .544 1.000 Số in đậm chỉ ra hai nhóm biến: {1,3,4} và {2,5}.Ta mong muốn sự tương quan trong số các biếncó thể được giải thích khá tốt bằng hai yếu tố Giá trị riêng của R là 3.263, 1.538, .168, .031 và 0Hai véc tơ riêng  .537   − .186   .288   .651      c 1 =  .434  v à c 2 =  − .473       .537   − .169   .390   .538     THAO TAÙCTHAO TAÙC PHAÂN TÍCH NHAÂN TOÁSử dụng phương pháp trích Principal AxisFactoring với phép xoay PromaxQuan tâm đến tiêu chuẩn : |Factor Loading| lớn nhất của mỗi Item >=0.5Quan tâm đến tiêu chuẩn: Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và |FactorLoading| bất kỳ phải >=0.3 (Jabnoun & Al-Tamimi, 2003)Tổng phương sai trích &g ...