K ẾT LUẬN CHƯƠNG III
4.2.4. K ết quả phân tích nhân tố khám phá EFA
Sau khi thực hiện đánh giá độ tin cậy của thang đo bằng phương pháp Cronbach Alpha, các biến đạt tiêu chuẩn được đưa vào phân tích nhân tố khám phá EFA. Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng
hầu hết nội dung thông tin của tập biến ban đầu (Hair et al. 2009). Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất và điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu sau:
- Kiểm định Barlett có ý nghĩa thống kê khi Sig. ≤ 0,05 (các biến có tương quan với nhau trong tổng thể)
- 0,5 ≤ Hệ số KMO (Kaiser-Meyer-Olkin) ≤ 1 (Kaiser, 1974)
- Hệ số tải nhân tố (Factor loading ) > 0,5 (Theo Hair & ctg, 1998) - Thang đo được chấp nhận khi tổng phương sai trích ≥ 50% (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2008)
- Eigenvalue ≥ 1 (điểm dừng khi trích các yếu tố có Eigenvalue ≥ 1 khi sử dụng phương pháp trích Pricipal Components Analysis với phép xoay Varimax)
Sau khi tiến hành phân tích nhân tố khám phá EFA theo nguyên tắc thỏa mãn các điều kiện đã đề ra đề tài xác định được số lượng nhân tố thích hợp còn lại đảm bảo giá trị hội tụ giữa các biến, sự tương quan giữa các biến quan sát với nhau trong nhân tố. Kết quả cụ thể khi thực hiện phân tích nhân tố khám phá EFA thu được như sau:
Kết quả phân tích EFA các biến độc lập
Bảng 4.10 Kết quả kiểm định KMO và Bartlett's Hệ số KMO
Giá trị Chi-Square
Mô hình kiểm tra Bartlett df Sig. 0,877 3044,302 231 0,000 (Nguồn: Kết quả xử lý bằng phần mềm SPSS) Theo kết quả kiểm định trong bảng kiểm định KMO và Bartlett's (Bartlett’s test of sphericity) tại Bảng 4.10 phía trên cho thấy Hệ số KMO = 0,877 thỏa mãn điều kiện lớn hơn 0,5 và nhỏ hơn 1, hệ số Sig. = 0,000 thỏa điều kiện nhỏ hơn 0,05. Điều này cho thấy các biến quan sát trong nhân tố có mối tương quan với nhau và phù hợp để sử dụng trong phân tích.
Tại mức giá trị Eigenvalue = 1,048 thỏa mãn điều kiện lớn hơn 1 (Bảng số 2 Phụ lục VI) phân tích trích được 7 nhân tố bao gồm 22 biến quan sát được giữ lại phân tích trong mô hình nghiên cứu. Giá trị tổng phương sai trích tại mức này là 74,37% > 50% đạt yêu cầu. Có thể nói rằng bảy nhân tố trích được trong EFA phản ánh được 74,37% sự biến thiên của tất cả các biến quan sát được đưa vào.
Kết quả phân tích trong bảng ma trận xoay nhân tố (Bảng 4.11) cho thấy tất cả 7 nhân tố bao gồm 22 biến quan sát đề có hệ số tải (Factor loading) lớn hơn 0,5 và đạt từ mức tương đối cao (0,751 trở lên) cho thấy biến quan sát có ý nghĩa thống kê rất tốt (Theo Hair & ctg, 1998). Do đó tất cả các biến này đều được giữ lại để sử dụng trong các phân tích tiếp theo.
Bảng 4.11 Ma trận xoay nhân tố Nhân tố 1 2 3 4 5 6 7 PL1 PL2 PL3 PL4 KS3 KS1 KS2 DV2 DV3 DV1 KT2 KT3 KT1 TC2 TC3 TC1 TD2 TD1 TD3 CP2 CP3 CP1 0,870 0,846 0,816 0,804 0,824 0,778 0,777 0,836 0,822 0,770 0,830 0,805 0,761 0,801 0,781 0,781 0,799 0,790 0,773 0,785 0,765 0,751 (Nguồn: Kết quả xử lý bằng phần mềm SPSS)
Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al. 2009). Mục tiêu chính của phân tích EFA là xác định được số lượng các nhân tố ảnh hướng đến một tập các biến đo lường và cường độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường. Từ kết quả phân tích EFA trên đề tài đã xác định được số lượng nhân tố cũng như các biến quan sát có ý nghĩa còn lại để tiến hành các phân tích tiếp theo và được rút gọn, nhóm lại bằng lệnh trung bình (mean) thành các nhóm nhân tố như sau:
Nhân tố thứ nhất bao gồm 4 biến quan sát: PL1, PL2, PL3 và PL4 được nhóm lại với nhau bằng lệnh trung bình đặt tên là nhóm pháp lý ký hiệu PL.
Nhân tố thứ hai bao gồm 3 biến quan sát: TC1, TC2 và TC3 được nhóm lại với nhau bằng lệnh trung bình đặt tên là nhóm tiếp cận ký hiệu TC.
Nhân tố thứ ba bao gồm 3 biến quan sát: CP1, CP2 và CP3 được nhóm lại với nhau bằng lệnh trung bình đặt tên là nhóm phí dịch vụ ký hiệu CP.
Nhân tố thứ tư bao gồm 3 biến quan sát: DV1, DV2 và DV3 được nhóm lại với nhau bằng lệnh trung bình đặt tên là nhóm dịch vụ gia tăng ký hiệu DV.
Nhân tố thứ năm bao gồm 3 biến quan sát: KT1, KT2 và KT3 được nhóm lại với nhau bằng lệnh trung bình đặt tên là nhóm kịp thời ký hiệu KT.
Nhân tố thứ sáu bao gồm 3 biến quan sát: TD1, TD2 và TD3 được nhóm lại với nhau bằng lệnh trung bình đặt tên là nhóm thái độ ký hiệu TD.
Nhân tố thứ bảy bao gồm 3 biến quan sát: KS1, KS2 và KS3 được nhóm lại với nhau bằng lệnh trung bình đặt tên là nhóm kiểm soát ký hiệu KS.
Kết quả phân tích EFA biến phụ thuộc
Thực hiện phân tích nhân tố khám phá EFA tương tự như đối với phân tích các biến độc lập, kết quả phân tích đối với biến phụ thuộc cho thấy tất cả các biến thuộc nhóm nhân tố phụ thuộc đều đáp ứng tốt các yêu cầu trong phân tích nhân tố EFA (Bảng 4.12). Hệ số Eigenvalue đáp ứng điều kiện theo phương pháp trích Pricipal Components Analysis với phép xoay Varimax có tổng phương sai trích là
57,3% lớn hơn 50%. Các biến quan sát đảm bảo giá trị hội tụ không bị phân tán (Bảng số 5 Phụ lục VI), hệ số tải các biến quan sát đều lớn hơn 0,5 (Bảng số 6 Phụ lục VI). Từ kết quả đó có thể kết luận là tất cả các biến quan sát thuộc nhân tố này hoàn toàn phù hợp, có giá trị thống kê tốt và được giữ lại để sử dụng cho các phân tích tiếp theo.
Bảng 4.12 Kết quả kiểm định KMO và Bartlett's Hệ số KMO
Giá trị Chi-Square
Mô hình kiểm tra Bartlett df Sig. 0,907 817,134 21 0,000 (Nguồn: Kết quả xử lý bằng phần mềm SPSS)
Để thực hiện các phân tích tiếp theo đề tài cũng gom các biến quan sát trong biến phụ thuộc bao gồm QD1, QD2, QD3, QD4, QD5, QD6 VÀ QD7 thành một nhóm bằng lệnh trung bình (mean) đặt tên là quyết định, ký hiệu QD.