2 Hơn nữa khi quy mô của tổng thể là rất lớn thì cách ạn chế do phương pháp chọn mẫu phi xác suất sẽ được giảm thi ểu rất nhiều vì khi đó sai số sẽđược giảm thiểu nhiều.
3.7.3. Phân tích các nhân tố khám phá
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật sử dụng để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng như tìm ra các mối quan hệ giữa các biến với nhau. Phép phân tích nhân tố của các khái niệm nghiên
cứu được xem xét để cung cấp bằng chứng về giá trị phân biệt và giá trị hội tụ của thang đo. Mức độ thích hợp của tương quan nội tại các biến quan sát trong khái niệm nghiên cứu được thể hiện bằng hệ số KMO (Kaiser – Mever – Olkin). Trị số KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu trị số này nhỏhơn 0.5 thì phân tích nhân tố có khảnăng không thích hợp với dữ liệu.
Đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Bartlett‟s Test of Sphericity trong phân tích khám phá dùng để xem xét sự thích hợp của phân tích nhân tố. Rút trích nhân tốđại diện bằng các biến quan sát được thực hiện với phép quay Varimax và phương pháp trích nhân tố Principle components. Các thành phần với giá trị Eigenvalue lớn hơn 1 và tổng phương sai trích bằng hoặc lớn hơn 50% được xem như những nhân tố đại diện các biến. Hệ số tải nhân tố (Factor loading) biểu diễn các tương quan đơn giữa các biến và các nhân tố bằng hoặc lớn 0.5 mới có ý nghĩa.
Từ kết quả phân tích nhân tố khám phá, tác giả sẽ xem xét lại mô hình nghiên cứu giả thiết, cân nhắc việc liệu có phải điều chỉnh mô hình hay không, thêm, bớt các nhân tố hoặc các giá trị quan sát của các nhân tố hay không?