Sau khi kiểm tra Cronbach’s Alpha, công việc tiếp theo là sử dụng phân tích nhân tố khám phá EFA để đánh giá sơ bộ tính đơn hướng, giá trị hội tụ và giá trị phân biệt của thang đo.
Phân tích nhân tố khám phá (EFA) là thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà dựa vào mối tương quan giữa các biến, được sử dụng phổ biến để đánh giá giá trị thang đo (tính đơn hướng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến (Nguyễn Đình Thọ, 2013, tr. 378). Theo Hair và cộng sự (1998) (Hair & ctg (1998), Multivariate data analysis, Prentice – Hall International, dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005), phân tích nhân tố EFA là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát thành một nhóm để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung thông tin của biến ban đầu.
Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao
gồm:
- Hệ số KMO (Kaiser - Meyer – Olkin) là chỉ số thể hiện mức độ phù hợp của EFA, EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1. Cụ thể: KMO >= 0.9: rất tốt; KMO >= 0.8: tốt; KMO >= 0.7: được; KMO >= 0.6: tạm được; KMO >= 0.5: xấu.
Trường hợp KMO < 0,5 thì không chấp nhận được. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể (Nguyễn Đình Thọ, tr. 414 [8]; Nguyễn Khánh Duy, 2009, tr.14 [4])
- Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố có Engenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Engenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Tuy nhiên, trị số Engenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay nhân tố (dẫn theo Nguyễn Khánh Duy (2009), tr. 14).
- Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005, tr. 262), kiểm định
Bartlett (Bartlett’s test) xem xét giả thiết Ho độ tương quan giữa các biến quan sát bằng
0 trong tổng thể. Nếu như kiểm định này có ý nghĩa thống kê, tức là Sig < 0, 05 thì các quan sát có tương quan với nhau trong tổng thể.
- Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Dẫn theo Nguyễn Khánh Duy, “ theo Hair và cộng sự (1998, tr.111), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading > 0,3 được xem là đạt mức tối thiểu; Factor loading > 0,4 được xem là quan trọng, >= 0.5 được xem là có ý nghĩa thực tiễn”. Trường hợp chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất phải là 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0,55; nếu cỡ mẫu khoảng 50 thì Factor loading > 0,75 (Nguyễn Khánh Duy, 2009, tr. 14). Trong nghiên cứu này, mẫu nghiên cứu n = 280; hơn nữa, sau EFA là phân tích hồi qui đa biến. Vì thế, trong quá trình Cronbach’s Alpha, người thực hiện quyết định giữ lại các thang đo có trị số Cronbach’s Alpha ≥ 0,6 và loại các biến quan sát có tương quan biến tổng < 0,3.
- Để phân tích EFA có giá trị thực tiễn, tiến hành loại các biến quan sát theo ba nguyên tắc:
Loại bỏ những biến có hệ số tải < 0,5
Loại bỏ biến có hệ số tải nằm ở hai nhóm nhân tố đều lớn hơn 0,5 nhưng hai
hệ số tải này chênh lệch < 0,3. Và trong trường hợp hai hệ số tải này lớn hơn 0,5 và chênh lệch > 0,3 thì loại bỏ biến nằm trong nhóm không có nhân tố hoặc nhóm nhân tố chỉ chứa một biến.
Những biến được phân nhóm, trong nhóm đó chỉ có 1 hoặc 2 biến cần loại bỏ
những biến đó, vì chúng ta chỉ chấp nhận nhóm từ 3 biến trở lên.