3. Phân tích dữ liệu
3.1. Phân tích nhân tố khám phá
Phân Tích Nhân Tố Khám Phá (Exploratory Factor Analysis) là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát có mối tương quan với nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998).
Theo Hair cùng một số tác giả (1998, 111), Multivariate Data Analysis, Prentice-Hall International, Inc, thì hệ số tải nhân tố (Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0.3 được xem là đạt được mức tối thiểu, factor loading > 0.4 được xem là quan trọng và > 0.5 được xem là có ý nghĩa thực tiễn. Theo Hair cùng một số tác giả (1998, 111) cũng đưa ra lời khuyên rằng: nếu chọn tiêu chuẩn factor loading > 0.3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0.55, nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải > 0.75. Vì cỡ mẫu trong nghiên cứu này là khá lớn nên có thể chọn hệ số tải nhân tố > 0.3 là mức tối thiểu để đảm bảo ý nghĩa thiết thực của EFA. Ngoài ra hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0,50 và mức ý nghĩa của kiểm định Bartlett <= 0,5 để đảm bảo việc thực hiện EFA là phù hợp với dữ liệu phân tích. Và thang đo được chấp nhận nếu tổng phương sai trích lớn hơn 50% theo Nunnally & Burnstein (1994).
Theo Gerbing & Anderson (1988), khi phân tích EFA đối với thang đo của các yếu tố trên thì phương pháp trích Principal Component Analysis với phép xoay Varimax và điểm dừng khi trích các yếu tố phải có Engenvalue lớn hơn 1 vì Eigen value 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 thì nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt.