EFA trước CB-SEM: phân tích chung, tách khối hay đi thẳng CFA?
Vai trò độc lập, trung gian hay phụ thuộc thuộc mô hình cấu trúc. EFA chỉ nhìn covariance giữa các item, vì vậy quyết định gộp hay tách phải dựa trên câu hỏi đo lường và thiết kế xác nhận.
Chuyên đề phân loại thang đo mới, thích nghi và đã xác nhận; hướng dẫn EFA chung hoặc theo khối, xử lý method effects, chia mẫu EFA-CFA, chuyển sang CFA và báo cáo minh bạch khi phải dùng cùng một mẫu.
EFA: quyết định bằng nhiều lớp bằng chứng
- Dữ liệu
Kiểm tra item và ma trận tương quan
- Số nhân tố
Parallel analysis, scree và lý thuyết
- Phép xoay
Chọn theo quan hệ giữa nhân tố
- Đọc tải
Xem tải chéo và nội dung item
Sơ đồ khái niệm. Không loại item chỉ để đạt một ngưỡng tải hay chỉ số đẹp.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Đặt đúng câu hỏi trước khi chạy
Trong CB-SEM, độc lập, trung gian và phụ thuộc là vai trò của latent variables trong structural model. EFA làm việc với correlation hoặc covariance của item và không biết biến nào sẽ dự báo biến nào. Vì vậy, không có quy tắc thống kê yêu cầu tách item chỉ vì cấu trúc của nó nằm bên trái hoặc bên phải mô hình.
Câu hỏi đúng là: các item nào cần được xem cùng nhau để phát hiện cấu trúc, tải chéo và ranh giới khái niệm? EFA là thủ tục khám phá; CFA dùng một mô hình đo lường định trước để đánh giá mức phù hợp (Fabrigar et al., 1999; Brown, 2015).
- Xác định mục tiêu là khám phá hay xác nhận.
- Phân loại từng thang đo là mới, thích nghi hay đã xác nhận.
- Đánh dấu item chung wording, nguồn và thang đáp án.
- Nêu rõ cấu trúc nào thuộc cùng miền nội dung.
- Có kế hoạch dữ liệu độc lập cho CFA nếu EFA làm thay đổi mô hình.
2. Ba tình huống dẫn đến ba chiến lược khác nhau
Phát triển thang đo là quá trình tích lũy bằng chứng, không phải chuỗi alpha, EFA và CFA bắt buộc cho mọi nghiên cứu. DeVellis và Thorpe (2022) nhấn mạnh vai trò của lý thuyết, phát triển item và xác nhận độc lập trong toàn bộ chu trình.
| Tình huống | Chiến lược chính | Điều cần tránh |
|---|---|---|
| Thang đo mới phát triển | EFA rồi CFA trên dữ liệu độc lập | Chốt mô hình từ cùng một mẫu |
| Thang đo được dịch hoặc sửa nhiều | Cognitive interview, pilot, EFA/CFA tùy mức thay đổi | Giả định cấu trúc gốc tự động giữ nguyên |
| Thang đo đã xác nhận trong cùng bối cảnh | Có thể đi thẳng CFA | Chạy EFA như thủ tục bắt buộc |
| Nhiều công cụ thuộc miền khác nhau | Có thể phân tích theo khối có căn cứ | Tách theo vai trò nhân quả |
3. Khi nào nên chạy EFA chung?
Chạy chung hữu ích khi các cấu trúc nằm trong cùng công cụ, cùng miền khái niệm hoặc có nguy cơ bị người trả lời phân biệt kém. Việc đặt item cùng ma trận cho phép phát hiện cross-loading, nhân tố wording và item đang đo khái niệm khác dự kiến.
Nếu ba thang đo về chất lượng dịch vụ, sự hài lòng và niềm tin được trả lời trong cùng bối cảnh, EFA chung có thể cho thấy item hài lòng tải lên nhân tố chất lượng. Chạy riêng từng thang đo sẽ che bằng chứng này. Worthington và Whittaker (2006) xem factor analysis là một phần của quy trình phát triển và tinh chỉnh thang đo, với quyết định item phải gắn nội dung.
Mục đích không phải chứng minh discriminant validity theo tiêu chuẩn CFA, mà là phát hiện sớm item không tập hợp như dự kiến khi cùng xuất hiện trong công cụ.
4. Khi nào tách theo khối có thể bảo vệ được?
Tách khối hợp lý khi các công cụ thuộc domain rõ ràng khác nhau, được quản trị ở các giai đoạn khác nhau, dùng response format khác hoặc trả lời các câu hỏi đo lường độc lập. Ví dụ, thang triệu chứng lâm sàng và bài kiểm tra kiến thức có thể không cần chung một EFA.
Lý do phải được viết trước khi xem tải. Không dùng tách khối để né cross-loading. Nếu các khái niệm sẽ được đặt cùng một measurement model trong CFA, cần một bước đánh giá ranh giới giữa chúng sau đó.
| Lý do | Có thể chấp nhận? | Bằng chứng bổ sung |
|---|---|---|
| Khác miền nội dung và nhiệm vụ trả lời | Có | CFA chung hoặc kiểm tra quan hệ sau đó |
| Khác nguồn công cụ, quản trị tách biệt | Có điều kiện | Mô tả nguồn và mục tiêu mỗi khối |
| Mẫu không đủ cho toàn bộ item | Không phải giải pháp mặc định | Thiết kế lại cỡ mẫu |
| Muốn loại cross-loading khỏi output | Không | Phân tích chung và xử lý nội dung |
5. Wording và phương thức có thể tạo nhân tố giả
Item nghịch, cùng stem, cùng vị trí hoặc cùng nguồn đánh giá có thể tạo clustering không phản ánh cấu trúc nội dung. DeVellis và Thorpe (2022) cảnh báo rằng cách viết giống nhau có thể tạo một nhân tố bề ngoài. Trước khi đặt tên nhân tố, kiểm tra xem các item tải chung có chia sẻ wording hay phương thức.
Không tự động xóa toàn bộ item nghịch. Kiểm tra đảo mã, cognitive interview và mô hình cạnh tranh. Trong CFA, method factor hoặc correlated uniqueness chỉ nên dùng khi có giải thích và không phải cách sửa fit theo modification indices.
6. Vì sao EFA và CFA trên cùng mẫu dễ quá lạc quan?
EFA dùng dữ liệu để chọn số nhân tố, item và tải. CFA trên chính mẫu đó đánh giá một mô hình đã được tối ưu cho nhiễu riêng của mẫu. Fit vì vậy không phải một phép xác nhận độc lập.
Anderson và Gerbing (1988) đề xuất tách measurement model khỏi structural model trong quy trình hai bước. Khi EFA đã thay đổi measurement model, bước CFA cần dữ liệu mới hoặc phần mẫu chưa được dùng để lựa chọn. Nếu không thể, phải gọi kết quả là nội bộ hoặc sơ bộ.
Đổi tên thủ tục từ EFA sang CFA không tạo ra dữ liệu độc lập. Mọi quyết định dựa trên mẫu khám phá phải được kiểm tra ngoài mẫu đó.
7. Thiết kế chia mẫu EFA-CFA
Chia mẫu ngẫu nhiên chỉ hợp lý khi mỗi phần vẫn đủ cho mô hình tương ứng và giữ được thành phần nhóm quan trọng. Với mẫu phân tầng, nên chia trong từng tầng để tránh một nửa thiếu nhóm hiếm. Ghi seed và quy tắc chia trước phân tích.
Nếu N không đủ cho hai nửa ổn định, thường tốt hơn khi dùng toàn bộ mẫu cho một mục tiêu chính và thu validation sample sau, thay vì tạo hai phân tích yếu. Finch và cộng sự (2016) nhấn mạnh rằng một nghiên cứu không phải bằng chứng cuối cùng cho construct validity.
| Thiết kế | Ưu điểm | Giới hạn |
|---|---|---|
| Chia ngẫu nhiên EFA/CFA | Nhanh, dữ liệu độc lập nội bộ | Mỗi phần giảm N |
| Thu mẫu CFA mới | Mạnh hơn về tái lập | Tốn thời gian và chi phí |
| Cross-validation theo nhóm | Kiểm tra tính khái quát | Cần đủ N mỗi nhóm |
| Cùng mẫu, không split | Tận dụng N | Chỉ được gọi là sơ bộ |
8. Từ nghiệm EFA sang measurement model CFA
Khóa nghiệm EFA
Lưu item, factor membership và mọi quyết định loại item.
Đặt mô hình CFA
Mỗi item tải lên cấu trúc dự kiến; không chép cross-loading ngẫu nhiên nếu không có lý do.
Chọn estimator
Chọn ML/MLR hoặc WLSMV theo loại dữ liệu và phân bố.
Đánh giá fit
Xem fit tổng thể, standardized residuals, tải và sai số.
So mô hình cạnh tranh
So mô hình một nhân tố, correlated factors hoặc higher-order khi lý thuyết yêu cầu.
Đánh giá điểm số
Tính reliability và validity evidence phù hợp cấu trúc.
Chuyển structural model
Chỉ kiểm định đường dẫn sau khi measurement model được bảo vệ.
Lưu version
Mọi sửa CFA được ghi lý do và phân biệt confirmatory với post hoc.
9. Ví dụ giả định: ba cấu trúc trong cùng bảng hỏi
Các số dưới đây được tạo để hướng dẫn. Nghiên cứu có 24 item đo chất lượng hướng dẫn, tự tin nghiên cứu và ý định tiếp tục. Mẫu 520 người được chia 260 cho EFA và 260 cho CFA theo khoa.
EFA chung đề xuất ba nhân tố. Hai item tự tin tải chéo với chất lượng vì đều hỏi giảng viên hỗ trợ. Nhóm giữ một item có nội dung độc đáo để viết lại, loại một item trùng. CFA trên nửa còn lại so mô hình ba nhân tố tương quan với mô hình một nhân tố. Mô hình ba nhân tố phù hợp hơn; structural paths chỉ được ước lượng sau khi measurement model ổn định.
| Phát hiện | Quyết định | Bằng chứng cần tiếp |
|---|---|---|
| Hai item tải chéo do cùng hỏi hỗ trợ | Sửa wording, loại item trùng | CFA trên nửa mẫu còn lại |
| Ba nhân tố tương quan vừa phải | Giữ oblique solution | Correlated-factor CFA |
| Mô hình một nhân tố fit kém | Không gộp điểm tổng | Báo cáo mô hình cạnh tranh |
10. Khi nào không cần chạy EFA trước CB-SEM?
Có thể đi thẳng CFA khi thang đo đã có mô hình rõ, không thay đổi nội dung, ngôn ngữ, response format hay nhóm đích đáng kể. Quyết định vẫn cần căn cứ; không phải vì CFA là phương pháp cao hơn.
Nếu CFA không phù hợp, không quay lại EFA trên cùng dữ liệu rồi quay về CFA như thể độc lập. Có thể dùng ESEM, xem mô hình cạnh tranh hoặc chuyển phân tích sang exploratory mode và xác nhận ở dữ liệu mới. Brown (2015) mô tả CFA như mô hình giả thuyết, không phải công cụ dò tìm tự do.
11. Bảy sai lầm thường gặp
| Sai lầm | Vấn đề | Cách sửa |
|---|---|---|
| Tách theo độc lập/phụ thuộc | Vai trò nhân quả không phải cấu trúc đo | Tách theo câu hỏi đo lường |
| EFA mọi thang đo đã xác nhận | Thủ tục không cần thiết | Nêu mục tiêu và đi CFA nếu phù hợp |
| Tách để né cross-loading | Che vấn đề phân biệt | Chạy chung các cấu trúc cùng miền |
| EFA và CFA cùng mẫu | Fit quá lạc quan | Mẫu độc lập hoặc giới hạn kết luận |
| Dựa riêng KMO | Không đánh giá cấu trúc | PA, rotation, pattern và nội dung |
| Sửa CFA theo MI liên tục | Capitalization on chance | Mô hình cạnh tranh có lý thuyết |
| Chạy structural model quá sớm | Đường dẫn dựa trên đo lường yếu | Khóa measurement model trước |
12. Mẫu báo cáo APA 7 và bảng kiểm
Mẫu báo cáo tiếng Việt
Các item được phân tích [chung/theo khối] vì [lý do đo lường], không dựa trên vai trò độc lập hoặc phụ thuộc. Mẫu [N] được [chia ngẫu nhiên/phân tầng/không chia] thành EFA n = [ ] và CFA n = [ ]. EFA dùng [correlation, extraction, rotation, cách giữ nhân tố]. Nghiệm [số] nhân tố dẫn đến [quyết định item]. CFA trên [dữ liệu độc lập/cùng mẫu với giới hạn] kiểm định [mô hình] bằng [estimator] và được so với [mô hình cạnh tranh]. Structural model chỉ được phân tích sau khi measurement model đạt bằng chứng cần thiết.
- Phân biệt measurement và structural roles.
- Nêu trạng thái thang đo trước nghiên cứu.
- Giải thích chạy chung hoặc tách khối.
- Nêu cách chia mẫu và seed nếu có.
- Báo cáo correlation, extraction và rotation.
- Nêu cách chọn số nhân tố.
- Ghi item bị loại, sửa hoặc giữ.
- Kiểm tra method effects.
- Nêu estimator CFA.
- So mô hình cạnh tranh khi phù hợp.
- Không gọi cùng mẫu là xác nhận độc lập.
- Khóa measurement model trước structural model.
- Nêu giới hạn khi validation sample chưa có.
Kết luận
Không tách EFA theo nhãn độc lập hoặc phụ thuộc. Hãy gom những item cần được kiểm tra ranh giới cùng nhau và chỉ tách khi công cụ, domain hoặc nhiệm vụ trả lời thực sự khác.
EFA tạo giả thuyết đo lường. CFA kiểm tra giả thuyết đó. Sức mạnh của quy trình nằm ở dữ liệu độc lập và nhật ký quyết định, không nằm ở việc chạy đủ tên các kỹ thuật.
Tài liệu tham khảo
- 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. https://doi.org/10.1037/0033-2909.103.3.411
- Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press. https://www.guilford.com/books/Confirmatory-Factor-Analysis-for-Applied-Research/Timothy-Brown/9781462515363
- DeVellis, R. F., & Thorpe, C. T. (2022). Scale development: Theory and applications (5th ed.). SAGE. https://us.sagepub.com/en-us/nam/scale-development/book269114
- Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272-299. https://doi.org/10.1037/1082-989X.4.3.272
- Finch, W. H., Immekus, J. C., & French, B. F. (2016). Applied psychometrics using SPSS and AMOS. Information Age Publishing. https://www.infoagepub.com/products/Applied-Psychometrics-using-SPSS-and-AMOS
- Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806-838. https://doi.org/10.1177/0011000006288127
Ghi chú học thuật: Nếu EFA làm thay đổi số nhân tố hoặc item, CFA cần dữ liệu độc lập để đóng vai trò xác nhận. Khi không có validation sample, hãy giảm mức khẳng định.