Điều kiện để phân tích EFA:
Kiểm định Bartlett để xem xét ma trận tương quan(hệ sốtương quan giữa các biến) có phải là ma trận đơn vị không? Và tính hệ số KMO.
44
Tác giả sử dụng hàm cortest.bartlett() trong gói psych của William Revelle để
kiểm định bartlett. Kết quả là: chi-bình phương = 4811.1, df =300,
p=0.00(<0.05)(phụ lục 4a, trang xii) vậy ma trận tương quan không phải là ma trận
đơn vị phù hợp để phân tích EFA.
Tiếp theo tác giả tính hệ số KMO và MSA thông qua hàm paf trong gói rela của Michael Chajewski. Kết quả(phụ lục 4a, trang xii): KMO = 0.86141(>0.5) Keiser(1970).Từđó cho thấy thỏa mãn điều kiện để phân tích EFA.
Tính toán sốlượng nhân tốtrích theo các phương pháp khác nhau:
Tác giả sử dụng hàm nScree() trong gói nFactors đểxác định sốlượng nhân tố
giữ lại trong phân tích EFA của Gilles Raiche kết quả (phụ lục 4a, trang xxii)
Theo phương pháp Keiser(1960)(quy tắc K1: Eigenvalues > 1) thì sốlượng nhân tố giữ lại là 6 nhân tố.
Theo phương pháp Optimal Coordinate(OC) của Raiche, Roipel, and Blais (2006): thì sốlượng nhân tố giữ lại là 3 nhân tố.
Theo phương pháp Acceleration Factor(AF) của Raiche, Roipel, and Blais (2006): thì sốlượng nhân tố giữ lại là 1 nhân tố.
Theo phương pháp Horn’s Parallel Analysis: Sốlượng nhân tố giữ lại là 25.
Nghĩa là không rút trích được nhân tố nào. Mỗi biến quan sát là 1 nhân tố riêng lẻ.
Tiếp theo tác giả sử dụng hàm pca() trong gói stats để phân tích thành phần chính rồi vẽđồ thị screeplot thông qua hàm screeplot() để tìm sốlượng nhân tố trích phù hợp. Kết quả là(phụ lục 4a, trang xxii): Sốlượng nhân tố phù hợp là 6 nhân tố(Hình 4.2).
45
Hình 4.1: Đồ thịđiểm gãy
Nguồn: Tác giả tính toán
Dựa trên kết quả tính toán trên. Tác giả lựa chọn sốlương nhân tố trích cho dữ liệu này là 6 nhân tố. Kết quảnày được sử dụng để phân tích nhân tố.
Phân tích nhân tố:
Tác giả sử dụng phép trích nhân tố Maximum Likelihood(ML). Lý do là vì lý do trong phân tích nhân tốkhám phá là ta chưa chắc chắn các biến cấu thành các nhân tố như lý thuyết hay không, thêm vào đó phương pháp này tối đa hóa sự khác biệt của các yếu tố, phương pháp ML cũng là phương pháp tiếp theo để phân tích CFA và SEM( Jame Gaskin 2014).
Để phân tích nhân tố tác giả sử dụng hàm factanal() trong gói stats với phép quay xiên promax. Kết quả(phụ lục 4a, trang xii):
Xét phần riêng (uniquenesses) của các biến quan sát: Ta thấy có 3 biến quan sát có phần riêng lớn đó là: NhuCau5(uniqueness = 0.841>0.5),
46
NhuCau6(uniqueness = 0.830>0.5), TimKiem4(uniqueness = 0.873). Như vậy phần chung(Communalities) của 3 biến này nhỏhơn 0.5(Communality = 1-
uniqueness) . Không đạt yêu cầu về trích phần chung của các biến quan sát. Các biến còn lại đều đạt yêu cầu về phần chung trích được(Communality > 0.5). Xét trọng số nhân tố của các biến quan sát: Tất cả các biến đều có trọng số nhân tố cao(>0.5) ngoại trừ trọng số của 3 biến: NhuCau5, NhuCau6, TimKiem4 cả 3 biến này có tải trọng nhỏ(<0.5) không đạt yêu cầu về tải trọng. Ngoài ra biến NhuCau4 có tải trọng vào 2 yếu tố(yếu tố thứ 2 và yếu tố thứ 6) tuy nhiên tải trọng vào yếu tố thứ 6 nhỏ(=0.107).
Tổng phương sai tích lũy cho 6 yếu tốnày là 62.2% (>50%) đạt yêu cầu về phương sai trích.
Trong 3 biến không đạt yêu cầu về trọng sốcũng như phần chung trích được. Ta thấy phần chung trích được của biến TimKiem4 là nhỏ nhất(0.127). Mặt khác câu hỏi của biến TimKiem4 là “Bạn tìm kiếm thông tin về smartphone là dựa vào kinh nghiệm của bản thân mình”. Các bạn sinh viên đã từng mua và sử dụng, trải nghiệm nhiều smartphone và rất có kinh nghiệm nên khi các bạn mua các lần sau thì dựa vào kinh nghiệm đã từng mua và sử dụng và trải nghiệm của mình. Ngày nay smartphone không còn là mặt hàng xa sỉ và cao cấp đối với sinh viên, nhưng khi tìm kiếm thông tin về
sản phẩm thi các bạn sinh viên không dựa vào kinh nghiệm của mình. Vì vậy tác giả
quyết định loại biến này khi đưa vào phân tích EFA lần 2.