Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu nên để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu, chúng ta thu thập được một số lượng biến lớn và hầu hết các biến có mối liên hệ với nhau và số của chúng phải được giảm xuống đến một số lượng mà chúng ta có thể sử dụng được. Liên hệ giữa các nhóm biến có liên hệ lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản.
Phân tích nhân tố được sử dụng trong các trường hợp sau:
- Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan trọng một tập hợp biến.
- Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan trong một tập hợp biến.
- Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít không có tương quan với nhau để thay thế tập hợp biến gốc có tương qua với nhau để thực hiện một phân tích đa biến tiếp theo sau ( như hồi quy hay phân tích biệt số).
24
- Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong các phân tích đa biến kế tiếp. Phân tích nhân tố còn có vô số ứng dung trong lĩnh vực nghiên cứu kinh tế và xã hội.
Khi phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn như:
- Thứ nhất, hệ số KMO (Kaiser – Meyer - Olkin) ≥ 0,5, mức ý nghĩa của kiểm định Bartlett ≤ 0,05. (KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa tống kê (Sig ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể ( Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005, tr.262).
- Thứ 2, hệ số tài nhân tố (Factor loading) ≥ 0,5. Nếu biết quan sát nào có hệ số tài nhân tố < 0,5 sẽ bị loại. (Theo Hair & ctg 1998, tr.111) Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading > 0,3 được xem là đạt mức tối thiểu, Factor loading > 0,4 được xem là quan trọng, Factor loading ≥ 0,5 được xem là có ý nghĩa thực tiễn, Hair & ctg (1998, tr.111) cũng khuyên bạn đọc như sau: nếu chọn tiêu chuẩn factor loading > 0,3 thì cỡ mẫu của bạn ít nhất là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0,55 , nếu cỡ mẫu của bạn khoảng 50 thì factor loading phải > 0,75.
- Thứ ba, thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
- Thứ tư là hệ số eigenvalue có giá trị lớn hơn 1 (Trần Đức Long, 2006, tr.47) trích từ Gerbing & Anderson (1998), “An update paradigm for scale development incorporing unidimensionality and its assessments”, Journal of marketing research, Vol.25, tr.186 - 192)
- Tiêu chuẩn thứ năm, là khác biệt hệ số tài nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố (Bùi Nguyên Hùng & Võ Khánh Toàn (2005) trích từ Jabnoun & Al-Tamimi (2003) “Measuring perceived service quality at UAE commercial banks”, International Journal of quality and reliability management, (20) ,4).
Kiểm định chi bình phƣơng (Chi - square): được sử dụng trong nghiên cứu này để kiểm định mối liên hệ giữa thu nhập và số tiền chi trung bình…
Kiểm định Chi square (CMIN): biểu thị mức độ phù hợp tổng quát của toàn bộ mii hình tại mức ý nghĩa 5% (Joserkog và Sorbom, 1989). Trong các nghiên cứu thuộc lĩnh vực khoa học xã hội, tất cả các mối quan hệ nhân quả đề nghị có độ tin cậy ở mức 95% (p = 0,005) (Cohen, 1988). Nghĩa là, với độ tin cậy là 95% ta không thể bác bỏ giá thuyết H0 (giả thuyết mô hình tốt). Tuy nhiên, kiểm định này có nhược điểm là phụ thuộc vào kích thước mẫu.
25
Chi tiêu Chi - square theo bậc tự do (CMIN/df): trong thực tế, nếu cỡ mẫu < 200 thì chỉ này phải < 3. Như vậy mô hình được xem là phù hợp (Kettinger và Lee, 1995).
Các chỉ số liên quan khác: để đánh giá độ phù hợp của mô hình lý thuyết so với dữ liệu thực tế thị trường, tác giả dựa trên 3 chỉ số quan trọng sau:
- Chỉ số TLI > 0,9. - Chỉ số CFI > 0,9. - Chỉ số RMSEA < 0,08.