Home | KTL nâng cao | Phân biệt PCA vs EFA

Phân biệt PCA vs EFA

Phân tích thành phần chính (PCA) và phân tích nhân tố khám phá (EFA) là 2 phương pháp được sử dụng phổ biến trong các nghiên cứu thị trường. Cả hai phương pháp PCA vs EFA đều có cách thực hiện tương đối giống nhau. Tuy nhiên, mỗi phương pháp đều có mục tiêu riêng và sự phân biệt giữa 2 phương pháp PCA vs EFA vẫn còn rất nhiều điểm mơ hồ. Bài viết này thể hiện một số quan điểm của tác giả nhằm phân biệt PCA vs EFA. Đầu tiên là sự giống nhau giữa PCA vs EFA.

SỰ GIỐNG NHAU GIỮA PCA vs EFA

  1. Cả PCA vs EFA đều là một kỹ thuật tinh giản dữ liệu, dựa trên sự kết hợp của các biến liên tục (tỉ lệ, khoảng). Đối với các biến có dữ liệu rời rạc thì chúng ta có thể sử dụng các phân tích lớp ẩn (Latent Class Analysis).
  2. PCA vs EFA đều là kỹ thuật phân tích tỉ lệ các phương sai như tổng phương sai, phương sai tin cậy, phương sai chung, phương sai riêng, phương sai đặc thù và sai số phương sai giữa các biến. Các thuật ngữ phương sai này có thể được giải thích đơn giản như sau:
  • Tổng phương sai (total variance): bao gồm tất cả phương sai trong tập biến.
  • Phương sai tin cậy (reliable variance): chính là phương sai trong tập biến được giải thích.
  • Phương sai chung (common variance): phương sai trong mỗi biến được giải thích bởi các biến còn lại.
  • Phương sai riêng (unique variance): chính là phần phương sai đặc thù của mỗi biến không được giải thích bởi các biến còn lại.
  • Phương sai đặc thù (specific variance): phương sai riêng của mỗi bi trừ đi sai số phương sai.
  • Sai số phương sai (error variance): chính là phần phương sai không được giải thích của biến, nó được xem là phương sai ngẫu nhiên.

Mối quan hệ giữa các phương sai trong phân tích PCA vs EFA được minh họa ở hình bên dưới:

SỰ KHÁC NHAU GIỮA PCA vs EFA

Phần nội dung có thu phí bên dưới đã được ẩn. Vui lòng đăng nhập hoặc đăng ký gói Premium. Trân trọng!