6. Kết cấu của đề tài: Gồm 3 phần
2.2.3. Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá được tiến hành sau khi kiểm tra độ tin cậy của các thang đo. Phương pháp principal components với phép quay varimax là phương pháp được chon để phân tích nhân tố.
Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này giúp cho việc tìm mối quan hệ giữa các biến với nhau và xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu.
Trong phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
Hệ số KMO (Kaiser – Meyer – Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0.5 đến 1 thì phân tích này mới thích hợp với mức ý nghĩa Barlett ≤ 0.05. Nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Bảng 2.6: Kiểm định KMO và Bartlett’s Test
Biến độc lập
Biến phụ thuộc
Hệ số KMO .731 .737
Kiểm định Bartlett’s Approx. Chi-Square 1810.296 396.334
Bậc tự do (Df) 378 3
Mức ý nghĩa (Sig) .000 .000
Kết quả phân tích EFA cho thấy 29 biến quan sát của các nhân tố độc lập được nhóm thành 7 nhân tố. Thống kê Chi-square của kiểm định Bartlett đạt giá trị 1810.296. Hệ số KMO = 0.731, kiểm định Bartlett có sig. = 0.000 < 0.05 nên biến quan sát là tương quan với nhau trong tổng thể (Sig = 0,000 <0,05) (Phụ lục 4). Do vậy 7 thang đo rút ra được đều đạt yêu cầu.
Hệ số tải nhân tố (Factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Nghiên cứu sử dụng phương pháp trích nhân tố principal components nên các hệ số tải nhân tố phải có trọng số lớn hơn 0.5 thì mới đạt yêu cầu. Một phần
quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố được xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) cho biết nhân tố và biến có liên quan chặt chẽ với nhau.
Để đảm bảo giá trị phân biệt giữa các nhân tố thì khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0.3.
Bảng 2.7:11 Ma trận xoay nhân tố của biến độc lập
Nhân tố 1 2 3 4 5 6 7 HI2 .777 HI1 .755 HI4 .741 HI5 .712 HI6 .697 HI3 .685 SD4 .835 SD3 .829 SD2 .808 SD1 .791 LD1 .839 LD3 .836 LD4 .810 LD2 .773 BM2 .817 BM4 .783 BM3 .774 BM1 .758 QT2 .811 QT4 .784 QT1 .742 QT3 .728 AH1 .887 AH3 .869 AH2 .827 CP3 .896 CP1 .875 CP2 .816 Eigenvalue 3.822 2.909 2.645 2.542 2.365 2.119 1.973 Phương sai trích 13.651 10.390 9.445 9.078 8.448 7.566 7.047 Tổng Phương sai trích 65.625
Nguồn: kết quảxửlý sốliệu điều tra của tác giả
Bảng 2.8:11Ma trận xoay nhân tố của biến phụ thuộc
NHÂN TỐ 1
YD1 .953
YD3 .927
YD2 .912
Sau khi tiến hành phân tích nhân tố khám phá EFA, số biến quan sát được giữ lại là 28 biến và các biến đó đều có hệ số tải lớn hơn 0.7 (đạt chuẩn > 0.5).
Như vậy, ta thấy có 7 nhân tố được trích sau khi được phân tích nhân tố bằng phương pháp Principal Components với phép quay Varimax. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc. Hệ số eigenvalue có giá trị lớn hơn 1. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Qua phân tích nhân tố rút trích được 7 nhân tố có Eigenvalue >1, thấp nhất là 1.973. Tổng phương sai trích đạt 65.625% > 50% Số lượng các nhân tố được trích này phù hợp với các thành phần ban đầu của thang đo, chứng tỏ phân tích EFA cho việc nhóm các biến quan sát này lại với nhau là thích hợp. Và kết quả này được đưa vào phân tích hồi quy tuyến tính đa biến (nhân tố).