Sau khi lo i b các bi n không đ m b o đ tin c y thông qua phân tích Cronbach’s Alpha, ph ng pháp phân tích nhân t khám phá EFA (Exploratory Factor Analysis) đ c s d ng đ xác đ nh đ giá tr h i t (convergent validity), đ giá tr phân bi t (discriminant validity) và đ ng th i thu g n các tham s c l ng theo t ng nhóm bi n.
Phân tích nhân t khám phá (EFA) s tr l i câu h i li u các bi n quan sát dùng đ xem xét s tác đ ng c a các y u t thành ph n đ n ý đ nh s d ng d ch v Ebanking
có đ k t dính cao không và chúng có th rút g n l i thành m t s y u t ít h n đ xem xét hay không.
Các bi n quan sát có tr ng s i (factor loading) nh h n 0.50 trong EFA s ti p t c b lo i b đ thang đo đ t đ c giá tr h i t . đ t đ giá tr phân bi t, khác bi t gi a các nhân t ph i l n h n ho c b ng 0.3 ( iA – iB ≥0.3). V n đ lo i b bi n có tr ng s nhân t th p c n chú ý đ n giá tr n i dung c a bi n đó đóng góp vào giá tr n i dung c a khái ni m nó đo l ng. N u i không quá nh , ví d i =0.40 chúng ta không nên lo i nó (Nguy n ình Th , 2011).
S l ng nhân t đ c xác đ nh d a trên ch s Eigenvalue – đ i đi n cho ph n bi n thiên đ c gi i thích b i m i nhân t . S l ng nhân t đ c xác đ nh nhân t (d ng nhân t ) có Eigenvalue t i thi u b ng 1 (≥ 1) và nh ng nhân t có Eigenvalue nh h n 1 s b lo i ra kh i mô hình. Tiêu chu n ph ng sai trích (Variance explained criteria): t ng ph ng sai trích ph i đ t t 50% tr lên, ngh a là ph n chung ph i l n h n ph n riêng và sai s (t 60% tr lên đ c coi là t t) (Nguy n ình Th , 2011).
Các thông s th ng kê trong phân tích EFA nh sau:
- Ki m đnh KMO: KMO là ch s dùng đ so sánh đ l n c a h s t ng quan gi a các bi n đo l ng v i đ l n c a h s t ng quan riêng ph n c a chúng (Nguy n ình Th , 2011, trích t Norusis, 1994). H s KMO càng l n càng t t vì ph n chung gi a các bi n càng l n. H s KMO ph i đ t giá tr t 0.5 tr lên (KMO ≥ 0.5) th hi n phân tích là phù h p. H s KMO <0.5 thì không th ch p nh n đ c (Nguy n ình Th , 2011, trang 397, trích t Kaiser, 1974).
- Ki m đ nh Bartlett: dùng đ xem xét ma tr n t ng quan có ph i là ma tr n đ n v hay không. Ki m đ nh Barlett có ý ngh a th ng kê khi Sig < 0.05. i u này ch ng t các bi n quan sát có t ng quan v i nhau trong t ng th .
Tuy nhiên, thì trong th c t , v i s h tr c a các ph n m m x lý th ng kê SPSS, chúng ta có th nhìn vào k t qu tr ng s nhân t và ph ng sai trích đ t yêu c u thì v n đ ki m đ nh Bartlett, KMO không còn ý ngh a n a vì chúng luôn luôn đ t yêu c u (Nguy n ình Th , 2011, trang 397).
- Các h s t i nhân t nh h n 0.4 trong EFA s ti p t c b lo i đ đ m b o s h i t gi a các bi n (Gerbing & Anderson, 1988). Ph ng pháp trích h s s d ng là Principal Components và đi m d ng khi trích các y u t eigenvalue l n h n 1, t ng ph ng sai trích b ng ho c l n h n 50%.
Trong nghiên c u này, tác gi quy t đ nh s d ng tiêu chu n sau đ th c hi n phân tích nhân t khám phá:
- KMO n m trong kho ng t 0.5 đ n 1
- Ki m đ nh Barlett có ý ngh a th ng kê (sig <0.05)
- S d ng ph ng pháp trích nhân t Principal components v i phép xoay Varimax: gi l i các bi n có h s t i nhân t >0.4 và đi m d ng khi trích các y u t có eigenvalue l n h n 1, t ng ph ng sai rút trích >50%.