Phân tích nhân tố được dùng để tóm tắt dữ liệu và rút gọn tập hợp các yếu tố quan sát thành những yếu tố chính dùng trong các phân tích, kiểm định tiếp theo (gọi là các nhân tố). Các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phân tích nhân tố khám phá được dùng để kiểm định giá trị khái niệm của thang đo.
Khi phân tích nhân tố khám phá, các nhà nghiên cứu đều quan tâm đến một số tiêu chuẩn. (1) Tiêu chuẩn thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Kiểm định Barlett xem các biến quan sát có tương quan với nhau trong tổng thể. Trị số của KMO lớn (giữa 0.50 và 1) có ý nghĩa là phân tích nhân tố là thích hợp; ngược lại, KMO nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Nếu kiểm định này có ý nghĩa thống kê (sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Trọng & Ngọc, 2008). (2) Hệ số tải nhân tố là chỉ tiêu thứ hai để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0.3 là mức tối thiểu chấp nhận được; lớn hơn 0.4 là quan trọng; lớn hơn 0.5 là có ý nghĩa thực tiễn. Tiêu chuẩn chọn mức giá trị hệ số tải nhân tố: cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải nhân tố lớn hơn 0.3; nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải nhân tố lớn hơn 0.55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0.75 (Hair, 2009). (3) Tiêu chí thứ ba là thang đo chấp nhận được khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Thọ & Trang, 2011). (4) Hệ số eigenvalue là chỉ tiêu thứ tư và phải có giá trị lớn hơn 1 (Gerbing và Anderson, 1988). (Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố). (5) Tiêu chuẩn thứ năm là khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003).
Sau khi phân tích EFA, các thang đo được chấp nhận sẽ tiếp tục được kiểm định mô hình bằng CFA và SEM nên cần quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra có thể tương quan với nhau, và cũng rất quan tâm đến sự phân biệt rõ ràng giữa các nhân tố. Vì vậy nghiên cứu này sẽ sử dụng phương pháp trích Principal Axis
28
Factoring với phép xoay Promax trong phân tích EFA khi phân tích định lượng chính thức. Theo Gerbing & Anderson (1988), Phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal). Đối với thang đo đa hướng, sử dụng phương pháp trích yếu tố là Principal Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố EigenValue lớn hơn hoặc bằng 1. Phương pháp này được cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng phương pháp trích Principal Components với phép quay Varimax. Đối với thang đơn hướng thì sử dụng phương pháp trích yếu tố Principal Components.
Từ cơ sở lý thuyết trên, mô hình “Các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với sản phẩm của BIOSUN” với 38 biến quan sát sử dụng phân tích nhân tố EFA theo các bước sau:
o Sử dụng phương pháp trích yếu tố Principal Axis Factoring với phép quay
Promax. Điểm dừng khi trích các yếu tố có Eigen Values > 1.
o Xem xét trị số KMO.
o Để phân tích EFA có giá trị thực tiễn tiến hành loại các biến quan sát có hệ số
tải nhân tố nhỏ hơn 0.5.
o Xem lại thông số Eigenvalues (đại diện cho phần biến thiên được giải thích bởi
mỗi nhân tố) có giá trị lớn hơn 1.
Xem xét tổng phương sai trích (yêu cầu lớn hơn hoặc bằng 50%: cho biết các nhân tố được trích giải thích % sự biến thiên của các biến quan sát.