Sau khi phân tích độ tin cậy của thang đó, bƣớc tiếp theo để thu nhỏ và tóm tắt các dữ liệu nhằm xác định tập hợp biến cần thiết cho vấn đề nghiên cứu chúng ta tiếp tục sử dụng phƣơng pháp phân tích nhân tố khám phá EFA nhằm xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố.
Sau khi phân tích nhân tố, chỉ những nhân tố thỏa mãn điề kiện mới đƣa vào chạy hồi quy trong bƣớc phân tích tiếp theo.
Các tham số thống kê quan trọng trong phân tích nhân tố gồm:
Chỉ số KMO (Kaiser – Meyer – Olkin measure of sampling adequacty): là một chỉ số dùng để xem xét mức độ thích hợp của phân tích nhân tố. Chỉ số KMO phải đủ lớn (>0.5) (Hair & cộng sự, 2006) thì phân tích nhân tố là thích hợp, còn nếu nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu
Chỉ số Eigenvalue: đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố, chỉ những nhân tố có Eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích, ngƣợc lại sẽ bị loại khỏi mô hình (Hair & cộng sự, 2006)
Phƣơng sai trích (Variance Explained Criteria): t ng phƣơng sai trích phải lớn hơn 50% (Hair & cộng sự, 2006)
Hệ số tải nhân tố (factor loadings): là hệ số tƣơng quan đơn giữa các biến và nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ chặt chẽ với nhau. Mẫu khoảng 200, hệ số tải nhân tố đƣợc chấp nhận là lớn
hơn 0.5 (Hair & cộng sự, 2006), các biến có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại khỏi mô hình.
Kiểm định Barlett: để kiểm tra độ tƣơng quan giữa các biến quan sát và t ng thể, phân tích chỉ có ý nghĩa khi sig có giá trị nhỏ hơn 5% (Hair & cộng sự, 2006)
Kết quả phân tích nhân tố khám phá EFA các biến độc lập nhƣ sau:
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. .818 Bartlett's Test of Sphericity Approx. Chi-Square 1161.685 Df 45 Sig. .000 Thang đo rút trích đƣợc: - Chỉ số KMO = 0.818 nên phù hợp
- Kiểm định Bartleft có mức ý nghĩa 0.000 nên phù hợp - T ng phƣơng sai trích đƣợc là 72.195% nên phù hợp