Bảng kết quả phân tích nhân tố biến độc lập:
Qua bước phân tích Cronbach’s Alpha cho thấy, 27 biến quan sát của 7 nhân tố ảnh hưởng đến sự hài lòng của khách hàng về chất lượng dịch vụ tại The Coffee House. Tất cả đều đủ yêu cầu về độ tin cậy, vì vậy EFA được thực hiện
Phân tích nhân tố khám phá (EFA) được dùng để rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Số lượng các nhân tố cơ sở tùy thuộc vào mô hình nghiên cứu, trong đó chúng ràng buộc nhau bằng cách xoay các vector trực giao nhau để không xảy ra hiện tượng tương quan.
Trong nghiên cứu này, phân tích nhân tố khám phá (EFA) được áp dụng để thử nghiệm mô hình với thử nghiệm Kaiser-Meiyer-Okin (KMO) và Bartlett bằng cách sử dụng Principal Axis Factoring với phép quay vuông góc Varimax.
Để chạy EFA cho biến độc lập ta tiến hành các bước như sau:
Analyze -> Dimension Reduction -> Factor.
Khi cửa sổ hiện lên, nhóm đưa tất cả các biến độc lập vào mục Variables (Biến DTC1 đã bị loại trước đó sẽ không đưa vào).
Ở mục Descriptives: Tick vào mục KMO and Barlett’s test of sphericity để xuất KMO và giá trị sig của kiểm định Barlett.
Ở mục Extraction: Ở mục Method chọn sử dụng phép trích Principal Components.
Ở mục Rotation: Chọn phép quay Varimax. (vì cơ bản đã xác định được biến độc lập và biến phụ thuộc)
Ở mục Option: Ở mục Coefficient Display Format, tick vào ô Sorted by size – sắp xếp ma trận xoay thành từng cột dạng bậc thang và Suppres small coefficients – giúp loại bỏ các hệ số tải không đạt tiêu chuẩn khỏi ma trận xoay. Tại mục này có hàng Absolute value below, với kích thước mẫu file dữ liệu là 225 nên nhóm sẽ nhập vào giá trị hệ số tải Factor Loading tiêu chuẩn là 0.5.
Bảng 2. : Kết quả hệ số KMO và kiểm định Barflett
KMO and Bartlett's Test
Đo lường chỉ số KMO của tập hợp mẫu .766
Kiểm định Bartlett's Test của Sphericity
Khoảng Chi bình phương 2442.626
df 231
Trình bày kết quả hệ số KMO (Kaiser-Meyer-Olkin) và kiểm định Bartlett. Hệ số KMO là 0,766 > 0,5 chứng tỏ phân tích nhân tố khám phá là thích hợp. Kiểm định Bartlett với mức ý nghĩa thống kê là 0,000 (Sig Bartlett’s Test < 0.05), tức là các biến quan sát có tương quan với nhau trong tổng thể. Do đó, phân tích nhân tố khám phá là phù hợp để kiểm định thang đo.
Hệ số tải nhân tố (Factor loading) > 0,5. Do đó, khi phân tích nhân tố (loại bỏ các giá trị nhỏ hơn 0,5) ta được bảng dữ liệu sau (BẢNG..)
Bảng 2. : Bảng kết quả phân tích nhân tố khám phá (EFA) các biến độc lập.
Thành phần Hệ số nhân tố tải 1 2 3 4 5 6 Yếu tố hữu hình 3 0.867 Yếu tố hữu hình 4 0.852 Yếu tố hữu hình 2 0.847 Yếu tố hữu hình 5 0.784 Yếu tố hữu hình 1 0.754 Năng lục phục vụ 1 0.881 Năng lục phục vụ 4 0.880 Năng lục phục vụ 2 0.862 Năng lục phục vụ 3 0.824 Độ tin cậy 4 0.867 Độ tin cậy 2 0.852 Độ tin cậy 5 0.795 Độ tin cậy 3 0.752 Khả năng đáp ứng 3 0.896 Khả năng đáp ứng 1 0.874
Khả năng đáp ứng 2 0.874 Mức độ đồng cảm 2 0.918 Mức độ đồng cảm 3 0.847 Mức độ đồng cảm 1 0.839 Chất lượng sản phẩm 2 0.868 Chất lượng sản phẩm 1 0.830 Chất lượng sản phẩm 3 0.777 Eigenvalue 3.735 3.527 2.557 2.318 2.091 1.874 Phương sai trích (%) 16.976 16.032 11.622 10.538 9.504 8.520
Phương sai tích lũy (%)
16.976 33.008 44.631 55.169 64.672 73.193
KMO = 0.766
Qua kết quả trên ta thấy được:
Thực hiện phân tích nhân tố theo Principal Components với phép quay Varimax. Kết quả phân tích nhân tố khám phá được thể hiện ở bảng trên cho thấy 23 biến quan sát được nhóm thành 06 nhóm. Phương sai trích được là 89.918% > 50% thể hiện rằng nhân tố rút ra được giải thích 89.918% biến thiên của dữ liệu, tại hệ số Eigenvalue=3.597. Do vậy, phân tích nhân tố khám phá là phù hợp.
Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 6 có Eigenvalues thấp nhất là 1.874%.
Các hệ số tải nhân tố của 23 biến quan sát đều lớn hơn 0.5 và không có trường hợp biến nào cùng lúc tải lên cả hai nhân tố với hệ số tải gần nhau nên nhân tố đảm bảo được giá trị hội tụ và phân biệt khi phân tích EFA.
Bảng kết quả phân tích nhân tố biến phụ thuộc:
Để chạy EFA của biến phụ thuộc, nhóm thực hiện các bước tương tụ như cách làm với biến độc lập.
Bảng 2. : Kết quả hệ số KMO và kiểm định Barflett
KMO and Bartlett's Test
Đo lường chỉ số KMO của tập hợp mẫu .859
Kiểm định Bartlett's Test của Sphericity Khoảng chi bình phương 1072.689 df 6 Sig. .000
Bảng 2. : Bảng kết quả phân tích nhân tố khám phá (EFA) của biến phụ thuộc Thành phần Hệ số tải nhân tố 1 Sự hài lòng 3 0.957 Sự hài lòng 2 0.946 Sự hài lòng 1 0.945 Sự hài lòng 4 0.945 Eigenvalue 3.597
Phương sai tích lũy (%) 89.918
KMO = 0.859
Kiểm định Bartlett’s: Sig. = 0,000 Qua kết quả phân tích trên ta thấy được:
Hệ số KMO = 0.859 > 0,5 chứng tỏ phân tích nhân tố khám phá là thích hợp. Kiểm định Bartlett với mức ý nghĩa thống kê là 0,000 (Sig Bartlett’s Test < 0.05), tức là các biến quan sát có tương quan với nhau trong tổng thể. Phương sai trích được là 89.918% > 50% thể hiện rằng nhân tố rút ra được giải thích 89.918% biến thiên của dữ liệu, tại hệ số Eigenvalue=3.597. Do vậy, phân tích nhân tố khám phá là phù hợp.
Sau khi phân tích nhân tố EFA ta thấy rằng mô hình lý thuyết ban đầu đề ra là phù hợp với nghiên cứu. Các biến độc lập và biến phụ thuộc đã đạt được độ tin cậy và tính giá trị dễ sử dụng cho các phân tích tiếp theo.
Như vậy có thể thấy tất cả các thang đo đã đạt giá trị phân biệt và giá trị hội tụ rõ rệt. Dựa vào kết quả này, lệnh Transform/Computer Variable/Mean được sử dụng để nhóm các biến quan sát đạt yêu cầu thành 6 nhân tố độc lập gồm có DTC, KNDU, NLPV, MDDC, YTHH, CLSP và 1 nhân tố phụ thuộc SHL. Các nhân tố đại diện này sẽ được sử dụng trong bước xây dựng phương trình hồi quy tiếp theo.