Phân tích nhân tố (Exploratory Factor Analysis) là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu, rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét dưới dạng một số các nhân tố cơ bản. Mỗi một biến quan sát sẽ được
tính một tỷ số gọi là Hệ số tải nhân tố (factor loading). Hệ số này cho người nghiên cứu biết được mỗi biến đo lường sẽ "thuộc về" những nhân tố nào.
Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser-Meyer-Olkin (KMO) phải có giá trị lớn (0,5<KMO<1) thể hiện phân tích nhân tố là thích hợp, nếu hệ số KMO<0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Đồng thời, hệ số tải nhân tố của từng biến quan sát phải có giá trị > 0,45, điểm dừng khi Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) > 1 (mặc định của chương trình SPSS), và tổng phương sai dùng để giải thích bởi từng nhân tố > 50% mới thỏa yêu cầu của phân tích nhân tố (Gerbing & Anderson, 1988). Khi tiến hành phân tích nhân tố, tác giả đã sử dụng phương pháp trích (Extraction method) là Principal Axis factoring với phép xoay (Rotation) Promax và phương pháp tính nhân tố là phương pháp Regression.
Phân tích nhân tố khám phá dùng để kiểm định giá trị khái niệm của thang đo:
Phương pháp: Đối với thang đo đơn hướng thì sử dụng phương pháp trích yếu tố Principal Components. Thang đo chấp nhận được khi tổng phương sai trích được ≥ 50%.
Tiêu chuẩn đánh giá: Hệ số tải nhân tố phải ≥ 0,5 để đảm bảo mức ý nghĩa thiết thực của EFA.
Các mức giá trị của hệ số tải nhân tố: > 0,3 là mức tối thiểu chấp nhận được; > 0,4 là quan trọng; > 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 > 0,3, nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải nhân tố > 0,55, nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải > 0,75 (Hair Jr, Babin, & Black, 2009).
a. Phân tích tương quan (Phân tích hệ số Pearson)
Người ta sử dụng một số thống kê có tên là Hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nếu giữa 2 biến có sự tương quan chặt thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Trong phân tích tương quan Pearson, không có sự phân biệt giữa các biến độc lập và biến phụ thuộc mà tất cả đều được xem xét như nhau.
Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Hiệu ứng khác của sự tương quan khá chặt giữa các biến độc lập là nó làm tăng
độ lệch chuẩn của các hệ số hồi quy và làm giảm trị thống kê t của kiểm định ý nghĩa của chúng nên các hệ số có khuynh hướng kém ý nghĩa hơn khi không có đa cộng tuyến trong khi hệ số xác định R square vẫn khá cao. Trong quá trình phân tích hồi quy bội, đa cộng tuyến được SPSS chuẩn đoán bằng lựa chọn Collinearity Diagnostic.
b. Phân tích hồi quy tuyến tính bội.
Phân tích hồi quy sẽ xác định mối quan hệ nhân quả giữa biến phụ thuộc (SHL) và các biến độc lập (PCPV, STT, STN, SHH, HADN, TCTG, TXKH). Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp ta dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập.
Nghiên cứu được thực hiện theo công cụ phân tích Enter: Tất cả các biến đưa vào một lần và xem xét các kết quả thống kê có liên quan.
Sử dụng kiểm định mô hình hồi quy bội để phân tích mối quan hệ của các biến độc lập với một biến phụ thuộc để giải thích tính phù hợp cũng như sự tác động của các yếu tố trong mô hình.
Quy trình kiểm định giả thuyết được thực hiện theo các bước sau:
Thứ nhất: Đánh giá độ phù hợp của mô hình hồi quy thông qua hệ số xác định R2
và R2 có hiệu chỉnh. Hệ số R2
hiệu chỉnh (Adjusted coefficient of determination): Đo lường mức ý nghĩa giải thích của các biến độc lập đối với biến phụ thuộc trong mô hình.
Thứ hai: Kiểm định giả thuyết về độ phù hợp của mô hình. Giá trị Sig< 0,05 thì mô hình có ý nghĩa thống kê (Hoàng Trọng & Chu Nguyễn Mộng Ngọc 2008).
Thứ ba: Kiểm định giả thuyết về ý nghĩa của từng hệ số hồi quy
Thứ tư: Kiểm định hiện tượng đa cộng tuyến trong mô hình hồi quy tìm được
Thứ năm: Xác định mức độ ảnh hưởng của các nhân tố tác động đến sự hài lòng khi sử dụng thẻ tín dụng Citibank của khách hàng: Hệ số β (Standardizeed Beta Coefficent) nói lên mức độ tác động của các biến độc lập đối với biến phụ thuộc với giá trị kiểm định ý nghĩa của hệ số β là Sig<0,05. Hệ số β của nhân tố nào càng lớn thì nhân tố đó có mức độ ảnh hưởng cao hơn các nhân tố khác trong mô hình nghiên cứu.