4. Kết quả nghiên cứu
4.3 Phân tích nhân tố khám phá EFA
- Sau khi phân tích độ tin cậy của thang đo, bước tiếp theo để thu nhỏ và tóm tắt các dữ liệu nhằm xác định tập hợp biến cần thiết cho vấn đề nghiên cứu chúng ta tiếp tục sử dụng phương pháp phân tích nhân tố khám phá EFA nhằm xem xét mức độ
hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố.
Sau khi phân tích nhân tố, chỉ những nhóm nhân tố thỏa mãn điều kiện mới có thể
tham gia vào phần chạy hồi quy trong phân tích tiếp theo.
Các tham số thống kê quan trọng trong phân tích nhân tố gồm:
Chỉ số KMO (Kaiser – Meyer – Olkin measure of sampling adequacty): là một chỉ số dùng để xem xét mức độ thích hợp của phân tích nhân tố. Chỉ số
KMO phải đủ lớn (>0.5) (Hair & cộng sự, 2006) thì phân tích nhân tố là thích hợp, còn nếu nhỏhơn 0.5 thì phân tích nhân tố có khảnăng không thích
hợp với dữ liệu.
Chỉ sốEigenvalue: đại diện cho lượng biến thiên được giải thích bởi nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích, các nhân tố có Eigenvalue nhỏhơn 1 sẽ bị loại khỏi mô hình (Hair & cộng sự, 2006).
Phương sai trích (Variance Explained Criteria): tổng phương sai trích phải lớn hơn 50% (Hair & cộng sự, 2006).
Hệ số tải nhân tố (factor loadings): là hệ tố tương quan đơn giữa các biến và nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ
chặt chẽ với nhau. Với mẫu khoảng 200, hệ số tải nhân tốđược chấp nhận là lớn hơn 0.5 (Hair & cộng sự, 2006), các biến có hệ số tải nhân tố nhỏhơn 0.5
sẽ bị loại khỏi mô hình.
Kiểm định Bartlett: để kiểm tra độtương quan giữa các biến quan sát và tổng thể, phân tích chỉ só ý nghĩa khi sig có giá trị nhỏ hơn 5% (Hair & cộng sự, 2006).