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

Chia sẻ: Dạ Du | Ngày: | Loại File: PDF | Số trang:25

Thêm vào BST

Báo xấu

4
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

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!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

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

ĐẠI HỌC TÀI CHÍNH - MARKETING Chuyên đề: HƯỚNG DẪN SỬ DỤNG SPSS TRONG NGHIÊN CỨU MARKETING Ngô Thái Hưng
Phần 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 bộ
PHƯƠNG 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 định
PHƯƠNG PHÁP PHÂN TÍCH Mô 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, p
PHƯƠNG PHÁP PHÂN TÍCH Khi đó: Ký hiệu dưới dạng ma trận: X − µ = Lf + ε Phương sai của biến Xi là: var( X i ) = li1 + li2 + ⋯ + lim + ψ i 2 2 2 Ma trận phương sai – hiệp Σ = cov( X ) = cov( Lf + ε ) phương sai: => Σ = LL + ψ T cov( X , f ) = L
PHƯƠNG PHÁPT PHÂN TÍCH Ký hiệu dạng ma trận Σ = LL + ψ Ước 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 tố Priori determination: Từ lý thuyết, kinh nghiệm, các kết quả nghiên cứu trước Dựa vào giá trị riêng (eigenvalue) thể hiện phần biến thiên được giải thích bởi mỗi nhân tố so với biến thiên toàn bộ nếu phần biến thiên được giải thích này lớn (giá trị riêng lớn hơn 1), thì nhân tố rút ra có ý nghĩa thông tin tốt nhất
CÁC THAM SỐ Kaiser – Meyer-Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn ( giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố, còn nếu trị số này nhỏ hơn 0.5 thì phân tích các nhân tố không có khả năng thích hợp 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 bằng Học sinh nam 1 1 5 5 1 1 Phụ nữ 8 9 7 9 8 Học 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 9 Học 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 biến có thể được giải thích khá tốt bằng hai yếu tố Giá trị riêng của R là 3.263, 1.538, .168, .031 và 0
Hai véc tơ riêng  .537   − .186   .288   .651      c 1 =  .434  v à c 2 =  − .473       .537   − .169   .390   .538     
THAO TAÙC
THAO TAÙC
PHAÂN TÍCH NHAÂN TOÁ Sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax Quan tâm đến tiêu chuẩn : |Factor Loading| lớn nhất của mỗi Item >=0.5 Quan tâm đến tiêu chuẩn: Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và |Factor Loading| bất kỳ phải >=0.3 (Jabnoun & Al- Tamimi, 2003) Tổng phương sai trích >=50% (Gerbing & Anderson, 1988) KMO>=0.5, Kiểm định Bartlett có ý nghĩa thống kê (Sig