Khi phân tích nhân tố khám phá (EFA), các nhà nghiên cứu đều quan tâm đến một số 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. Trị số của KMO lớn (giữa 0,50 và 1) có ý nghĩa là phân tích nhân tố là thích hợp (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005) [2].
Thứ hai, theo Hair và các tác giả (1998, tr. 111) [14] thì Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu quan trọng để đảm bảo mức ý nghĩa thiết thực của EFA, hệ số tải lớn hơn 0,30 được xem là đạt mức tối thiểu, hệ số tải lớn hơn 0,40 được xem là quan trọng, lớn hơn 0,50 được xem là có ý nghĩa thiết thực. Hệ số tải lớn nhất của các biến quan sát phải lớn hơn hoặc bằng 0,50.
Ngoài ra Hair và các tác giả (1998, 111) [14] cũng khuyên như sau: nếu chọn hệ số tải lớn hơn 0,3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải lớn hơn 0,55, nếu cỡ mẫu khoảng 50 thì hệ số tải phải lớn hơn 0,75. Trong bài, tác giả chọn “Suppress absolute values less than” bằng 0,5 để đảm bảo ý nghĩa thiết thực của EFA.
Thứ ba, thang đo được chấp nhận khi tổng phương sai trích ≥ 50% và thứ tư là hệ số eigenvalue có giá trị lớn hơn 1 (Gerbing và Anderson, 1998) [12]. 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 AlTamimi, 2003) [17].
Sau khi kiểm định độ tin cậy của thang đo, phân tích nhân tố khám phá được sử dụng để đánh giá mức độ hội tụ của các biến quan sát theo thành phần. Phương
pháp rút trích được chọn để phân tích nhân tố là Principal components với phép xoay Varimax và điểm dừng khi trích các yếu tố có eigenvalue lớn hơn 1.
Bảng 4.3: Kiểm định KMO and Bartlett's Test
Đo lường sự phù hợp của mẫu bằng KMO. 0.781
Kiểm định Bartlett's Khoảng λ2 461,628
df 105
Sig. 0,000
Nguồn: Dữ liệu nghiên cứu của tác giả
Bảng Kiểm định KMO và Barlett’s trong phân tích nhân tố cho thấy giữa các biến trong tổng thể có mối liên quan với nhau (Sig = 0,000) và hệ số KMO = 0,781 chứng tỏ phân tích nhân tố để nhóm các biến lại với nhau là phù hợp.
Với phương pháp rút trích Principal components với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigenvalue lớn hơn 1, phân tích nhân tố đã trích được 9 nhân tố từ 27 biến quan sát và phương sai trích là 83,829% thỏa mãn yêu cầu.
Bảng 4.4: Phân tích nhân tố khám phá EFA
Thành phần 1 2 3 4 5 6 7 8 9 IF2 0,915 IF3 0,901 IF1 0,884 EM1 0,919 EM3 0,887 EM2 0,874 FHP2 0,964 FHP3 0,835 FHP1 0,831 EA3 0,893
EA2 0,844 EA1 0,828 EF1 0,908 EF3 0,826 EF2 0,797 NT1 0,831 NT2 0,784 NT3 0,692 TN1 0,931 TN2 0,855 TN3 0,779 DV1 0,939 DV2 0,884 DV3 0.781 RR1 0,892 RR2 0,882 RR3 0,793
Nguồn: Dữ liệu nghiên cứu của tác giả
Nhân tố thứ 1 gồm 3 biến quan sát: IF1, IF2, IF3. Nhân tố này được đặt tên là Tính quen thuộc của thông tin, ký hiệu là IF.
Nhân tố thứ 2 gồm 3 biến quan sát: EM1, EM2, EM3. Nhân tố này được đặt tên là Cảm xúc được khơi gợi, ký hiệu là EM.
Nhân tố thứ 3 gồm 3 biến quan sát: FHP1, FHP2, FHP3. Nhân tố này được đặt tên là Niềm vui hưởng thụ, ký hiệu là FHP.
Nhân tố thứ 4 gồm 3 biến quan sát: EA1, EA2, EA3. Nhân tố này được đặt tên là Khả năng tránh sai sót, ký hiệu là EA.
Nhân tố thứ 5 gồm 3 biến quan sát: EF1, EF2, EF3. Nhân tố này được đặt tên là Tính hiệu năng của website, ký hiệu là EF.
Nhân tố thứ 7 gồm 3 biến quan sát: TN1, TN2, TN3. Nhân tố này được đặt tên là Sự trải nghiệm về mua sắm, ký hiệu là TN.
Nhân tố thứ 8 gồm 3 biến quan sát: DV1, DV2, DV3. Nhân tố này được đặt tên là Dịch vụ mang lại, ký hiệu là DV.
Nhân tố thứ 9 gồm 3 biến quan sát: RR1, RR2, RR3. Nhân tố này được đặt tên là Nhận thức rủi ro, ký hiệu là RR.