Ta có thể chọn các trọng số nhân tố sao cho nhân tố thứ nhất giải thích được phần lớn biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta chọn một tập hợp các trọng số thứ hai sao cho nhân tố thứ hai giải thích được phần lớn các biến thiên còn lại vàkhông có tương quan với nhân tố thứ nhất. Nguyên tắc này được áp dụng như vậy để tiếp tục chọn trọng số cho các nhân tố tiếp theo. Do vậy các nhân tố được ước lượng sao cho các trọng số của chúng không giống như các giá trị của biến gốc và không có tương quan gì với nhau. Hơn nữa nhân tố thứ nhất giải thích được nhiều nhất biến thiên của dữ liệu, nhân tố thứ hai giải thích được nhiều thứ nhì.
3.7.3.2. Các tiêu chí đánh giá quan trọng
Khi phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chí sau:
- Kiểm định Bartlett (Bartlett’s test of sphericity): xem xét giả thuyết Ho: 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 tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Kiểm định KMO (Kaiser-Meyer-Olkin): nhằm kiểm định mức độ tương quan giữa các biến, là một chỉ tiêu dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (0.5 ≤ KMO ≤ 1.0) thì các tương quan giữa các biến quan sát đủ lớn đến mức có thể áp dụng phân tích nhân tố, có nghĩa là khi đó phân tích nhân tố là thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Tiêu chí Communality (phần chung): Lượng biến thiên của một biến được giải thích chung với các biến khác, đó cũng chính là phần biến thiên được giải thích bởi các nhân tố chung, giá trị này yêu cầu phải ≥ 0.5 (Hoàng Trọng, 2009).
- Tổng phương sai trích TVE (Total Variance Explained): tổng này thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường. Tổng này phải đạt từ 50% trở lên thì mô hình EFA phù hợp (Nguyễn Đình Thọ, 2011).
- Tiêu chí Eigenvalue: đây là một tiêu chí đơn giản và phổ biến nhất để đánh giá số lượng nhân tố được rút trích. Nó thể hiện phần biến thiên được giải thích bởi mỗi nhân tố so với biến thiên toàn bộ, nếu phần biến thiên được giải thích này lớn (≥1), thì thành tố rút ra có ý nghĩa tóm tắt thông tin tốt. Như vậy, chỉ những thành tố có Egenvalue ≥ 1 mới được xem là có ý nghĩa. Còn những thành tố có Eigenvalue < 1 được xem là không có ý nghĩa và không đáng quan tâm (Hoàng Trọng, 2009).
- Hệ số tải nhân tố (Factor loading) ≥ 0.5. Nếu biến quan sát có hệ số tải nhân tố < 0.5 sẽ bị loại (Nguyễn Đình Thọ, 2011).
- 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 (Nguyễn Đình Thọ, 2011).
3.7.3.3. Mục đích của phân tích nhân tố
Phân tích nhân tố được tiến hành nhằm bốn mục đích sau:
- Tìm ra một nhóm nhân tố tiềm ẩn dưới nhiều biến. Với mục đích này người ta dùng phân tích nhân tố kiểu R (R factor analysis).
- Kết hợp số lượng mẫu lớn ban đầu thành một tập hợp mẫu đại diện nhỏ hơn. Với mục đích này người ta dùng phân tích nhân tố kiểu Q (Q factor analysis).
- Chọn ra các biến phù hợp cho các phân tích tiếp theo như hồi quy hay tương quan.
- Tạo ra một tập hợp các biến mới thay thế một phần hay toàn bộ các biến cũ để tham gia vào các phân tích tiếp theo như hồi quy hay tương quan.
3.7.4. Phương pháp phân tích hồi quy đa biến
3.7.4.1. Khái niệm
Phân tích hồi quy đa biến là một kỹ thuật thống kê phổ biến dùng để phân tích mối quan hệ giữa một biến phụ thuộc và một số biến độc lập. Công thức tổng quát như sau:
Yt= β0+ β1Xt1+ β2Xt2+...+ βkXtk + ut
Trong đó:
- Xti và Yt: Là các giá trị quan sát thứ t;
