Phân tích nhân tố khám phá các thang đo ảnh hưởng đến sự hài lòng khách hàng (bảng 4.13) cho thấy các biến quan sát có tương quan với nhau trên tổng thể. Bên cạnh đó, hệ số KMO khá cao 0,876 (0,876 > 0,5) và sig = 0,000 < 0,05 kết quả này chứng tỏ dữ liệu phù hợp để phân tích bước tiếp theo, phân tích nhân tố EFA.
Bảng 4.13: Kết quả định KMO và Bartlett’s
Đo lường độ xác thực của dữ liệu trong mẫu nghiên cứu (KMO) 0,876
Kiểm định Bartlett
Giá trị chi bình phương (ChiSquare) 4157,648 Bậc tự do (df) 276
Mức ý nghĩa 0,000
Trong nghiên cứu này, sử dụng kỹ thuật phân tích nhân tố (Factor analysis) nhằm rút gọn và gom các biến quan sát đó lại thành một nhân tố mới có ý nghĩa hơn, ít hơn về mặt số lượng. Xác định mối quan hệ phụ thuộc lẫn nhau giữa các biến thông qua phân tích nhân tố.
Trong công trình nghiên cứu của Hair và cộng sự (1999) có rất nhiều vấn đề cần phải xử lý trong việc phân tích nhân tố khám phá EFA. Trước tiên, cần phải xác định mục tiêu nghiên cứu, các biến trong mô hình phân tích nhân tố phải cụ thể. Phân tích nhân tố đòi hỏi người nghiên cứu phải xác định trước một số vấn đề như: số lượng các nhân tố cần phân tích, phương pháp sử dụng để đảo trục nhân tố, cũng như điều kiện hệ số tương quan ngưỡng để loại bỏ các nhân tố.
Trong nghiên cứu, thường số nhân tố sau khi xử lý ít hơn số biến ban đầu. Có nhiều cách để xác định số nhân tố phù hợp, chẳng hạn như:
Quyết định trước số nhân tố
Quyết định dựa vào phương sai tổng hợp của từng nhân tố (Eigenvalue), trong cách tiếp cận này có những nhân tố có phương sai tổng hợp lớn hơn 1 mới được đưa vào mô hình.
Quyết định dựa vào phần trăm phương sai của từng nhân tố. Số lượng nhân tố được chọn vào mô hình phải có tổng phương sai tích lũy giữa hai nhân tố ít nhất là 0,5 thì mới
xem là đạt yêu cầu và chỉ số 0,5 được xem là điểm ngưỡng để loại bỏ các câu hỏi khác trong phân tích nhân tố khám phá.
Kết quả phân tích nhân tố khám phá các thang đo ảnh hưởng đến sự hài lòng khách du lịch cho thấy các nhân tố mới này có giá trị Eigenvalue = 1,159 thỏa mãn điều kiện Kaiser lớn hơn 1, Phương sai trích 64,262 % > 50 %, đảm bảo hình thành nhân tố mới. Như vậy mô hình cuối cùng được hình thành từ kết quả phân tích nhân tố (bảng 4.14) bao gồm 5 nhân tố và 24 biến như sau:
Nhân tố thứ nhất bao gồm các biến quan sát DACTHU03, DACTHU04, DACTHU05, DACTHU06, DACTHU07, DACTHU08, DACTHU09 được đặt tên là “Đặc thù địa phương”.
Nhân tố thứ hai bao gồm các biến quan sát PHUONGT04, PHUONGT05, PHUONGT06, PHUONGT07, PHUONGT08, DACTHU01 được đặt tên là “Phương tiện hữu hình”.
Nhân tố thứ ba bao gồm các biến quan sát DAPU01, DAPU02, DAPU03, DAPU04 được đặt tên là “Sự đáp ứng”.
Nhân tố thứ tư bao gồm các biến quan sát NANGLU01, NANGLU02, NANGLU03, NANGLU04 được đặt tên là “Năng lực phục vụ”.
Nhân tố thứ năm bao gồm các biến quan sát TINCA01, TINCA02, TINCA03, được đặt tên là “Độ tin cậy”.
Bảng 4.14: Kết quả phân tích nhân tố EFA
Rotated Component Matrixa
Component 1 2 3 4 5 DACTHU06 ,826 DACTHU05 ,807 DACTHU04 ,728 DACTHU08 ,666 DACTHU07 ,622 DACTHU03 ,550 DACTHU09 ,533 PHUONGT06 ,797 PHUONGT05 ,772 PHUONGT07 ,729 PHUONGT08 ,724 PHUONGT04 ,691 DACTHU01 ,609 DAPU02 ,881 DAPU03 ,826 DAPU01 ,734 DAPU04 ,724 NANGLU02 ,808 NANGLU03 ,745 NANGLU04 ,723 NANGLU01 ,696 TINCA02 ,766 TINCA01 ,748 TINCA03 ,702