Tất cả các biến quan sát được đưa vào phân tích nhân tố khám phá (EFA) nhằm rút gọn, tóm tắt dữ liệu và tính độ tin cậy các biến quan sát có mối quan hệ chặt chẽ với nhau hay không. Một biến quan sát khi được đưa vào phân tích nhân tố sẽ có hệ số tải nhân tố (Factor loading) sẽ cho biết biến quan sát thuộc về nhân tố nào. Một số tiêu chuẩn mà các nhà nghiên cứu cần quan tâm trong phân tích nhân tố khám phá (EFA) như sau:
- Hệ số KMO (Kaiser-Mayer-Olkin) ≥ 0.5 và mức ý nghĩa của kiểm định Bartlett ≤ 0.05. - Hệ số tải nhân tố (Factor loading) > 0.3, nếu biến quan sát nào có hệ số tải nhân tố < 0.3 sẽ bị loại.
- Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%. - Số eigenvalue > 1.
- Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0.3 để tạo giá trị phân biệt giữa các nhân tố.
Lần 1:
Tổng số 31 biến quan sát đưa vào phân tích
Kết quả phân tích nhân tố khám phá EFA của mô hình
BẢNG 4.9: KMO and Bartlett’s Test (lần 1)
Yếu tố cần đánh giá Giá trị chạy So sánh
Hệ số KMO 0,936 0,5 < 0,936 < 1
Giá trị Sig trong kiểm định
Bartlett .000 0,000 < 0,05
Phương sai trích 61,863 61,863 > 50%
Giá trị Eigenvalue 1,956 1,956 > 1
Tiêu chuẩn của phương pháp phân tích nhân tố là chỉ số KMO phải lớn hơn 0,5 (Garson, 2003) và kiểm định Barlett’s có mức ý nghĩa sig < 0,05 để chứng tỏ dữ liệu dùng phân tích nhân tố là thích hợp và giữa các biến có tương quan với nhau. Giá trị Kaiser- Meyer-Olkin Measure of Sampling Adequacy (KMO)=0,936.
Kết quả phân tích nhân tố cho thấy chỉ số KMO là 0,936 > 0,5, điều này chứng tỏ dữ liệu dùng để phân tích nhân tố là hoàn toàn thích hợp.
Kết quả kiểm định Barlett’s là 10237,443 với mức ý nghĩa Sig. = 0,000 < 0,05. Thực hiện phân tích nhân tố theo Principal components với phép quay Promax. Kết quả cho thấy 31 biến quan sát ban đầu được nhóm thành 5 nhóm.
Giá trị tổng phương sai trích = 61,863% > 50%: đạt yêu cầu; khi đó có thể nói rằng 5 nhân tố này giải thích 61,863% biến thiên của dữ liệu. Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 5 có Eigenvalues thấp nhất là 1,956 > 1
BẢNG 4.10: Ma trận xoay lần 1 Pattern Matrixa Factor 1 2 3 4 5 PF8 .863 PF7 .851 PF5 .829 PF6 .828 PF9 .775 PF2 .732 PF1 .723 PF4 .667 PU2 .870 PU5 .810 PU6 .805 PU3 .772 PU4 .772 PU1 .765 MAV2 .770 MAV1 .770 MAV3 .758 MAV6 .752 MAV5 .750 MAV4 .684 PEU4 .827 PEU1 .809 PEU3 .801 PEU5 .793 PEU2 .776 SN2 .911 SN1 .810 SN4 .749 SN3 .681 SN5 .521 .548
Loại biến SN5 do biến này tải lên ở cả 2 nhân tố. Loại biến PF3 do biến có giá trị nhỏ hơn 0,5. Các biến còn lại đều lớn hơn 0,5 tiến hành phân tích lại các nhân tố còn lại.
Lần 2: Tổng số 29 biến quan sát được đưa vào phân tích
Kết quả phân tích nhân tố khám phá EFA của mô hình
BẢNG 4.11: KMO and Bartlett’s Test (lần 2)
Yếu tố cần đánh giá Giá trị chạy So sánh
Hệ số KMO 0,939 0,5 < 0,939 < 1
Giá trị Sig trong kiểm định
Bartlett .000 0,000 < 0,05
Phương sai trích 60,751 60,751 > 50%
Giá trị Eigenvalue 1,799 1,799 > 1
Tiêu chuẩn của phương pháp phân tích nhân tố là chỉ số KMO phải lớn hơn 0,5 (Garson, 2003) và kiểm định Barlett’s có mức ý nghĩa sig < 0,05 để chứng tỏ dữ liệu dùng phân tích nhân tố là thích hợp và giữa các biến có tương quan với nhau.
Giá trị Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO)=0,939. (adsbygoogle = window.adsbygoogle || []).push({});
Kết quả phân tích nhân tố cho thấy chỉ số KMO là 0,939 > 0,5, điều này chứng tỏ dữ liệu dùng để phân tích nhân tố là hoàn toàn thích hợp. Kết quả kiểm định Barlett’s là 8730,955 với mức ý nghĩa Sig. = 0,000 < 0,05.
Lúc này bác bỏ giả thuyết H0: các biến quan sát không có tương quan với nhau trong tổng thể. Như vậy, giả thuyết về ma trận tương quan giữa các biến là ma trận đồng nhất bị bác bỏ, tức là các biến có tương quan với nhau và thỏa điều kiện phân tích nhân tố.
BẢNG 4.12: Ma trận xoay lần 1 Pattern Matrixa Factor 1 2 3 4 5 PF8 .851 PF7 .841 PF6 .822 PF5 .818 PF9 .760 PF2 .723 PF1 .715 PF4 .662 PU2 .854 PU5 .811 PU6 .803 PU4 .773 PU3 .752 PU1 .749 MAV1 .778 MAV2 .769 MAV5 .763 MAV3 .762 MAV6 .752 MAV4 .694 PEU1 .802 PEU4 .795 PEU3 .789 PEU2 .767 PEU5 .758 SN2 .851 SN1 .798 SN4 .699 SN3 .638
Thực hiện phân tích nhân tố theo Principal components với phép quay Promax. Kết quả cho thấy 29 biến quan sát được nhóm thành 05 nhóm. Giá trị tổng phương sai trích = 60,751% > 50%: đạt yêu cầu.
Điều này chứng tỏ 60,751% biến thiên của dữ liệu được giải thích bởi 5 nhân tố. Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 5 có Eigenvalues thấp nhất là 1,799 > 1. Các hệ số tải nhân tố của 29 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 các nhân tố đảm bảo được giá trị hội tụ và phân biệt khi phân tích EFA.
4.2.3. Điều chỉnh thang đo sau khi phân tích các nhân tố khám phá
Dựa vào kết quả phân tích nhân tố khám phá (EFA), các nhân tố được rút ra đều đạt yêu cầu về giá trị và độ tin cậy.
Các yếu tố ảnh hưởng của app công nghệ trên điện thoại đến hành vi lựa chọn điểm đến của du khách chịu ảnh hưởng bởi nhân tố:
BẢNG 4.13: Câu hỏi nghiên cứu sau khi điều chỉnh
Biến quan sát
Kí
hiệu Mô tả thang đo
Nhân tố 1:
Nhận thức tính dễ sử
dụng (PEU)
PEU1 App du lịch thì dễ sử dụng đối với tôi
PEU2 Việc học cách sử dụng app du lịch thì dễ dàng đối với tôi.
PEU3 Các app du lịch có hướng dẫn sử dụng rõ ràng
PEU4 Các chức năng trong các app du lịch dễ hiểu và rõ ràng
PEU5 Các app du lịch có giao diện đơn giản.
Nhân tố 2:
Nhận thức sự hữu ích
(PU)
PU1 Tôi cảm thấy hữu ích khi sử dụng các app du lịch
PU2 Sử dụng các app du lịch giúp tôi tiết kiệm thời gian.
PU3 Sử dụng các app du lịch giúp tôi dễ dàng tìm kiếm thông tin
về các điểm đến
PU4 Sử dụng các app du lịch giúp tôi có nhiều trải nghiệm thú vị
PU5 Sử dụng các app du lịch khi đi du lịch là xu hướng của tôi
PU6 Các app du lịch luôn nhanh chóng nắm bắt những nhu cầu (adsbygoogle = window.adsbygoogle || []).push({});
mới của tôi.
Nhân tố số 3:
Nhận thức tính linh hoạt
(PF)
PF1 Tôi có thể sử dụng app du lịch ở bất kì thời điểm nào
PF2 Tôi có thể sử dụng app du lịch ở mọi địa điểm.
PF4 Tôi có thể đồng bộ hóa app du lịch trên các thiết bị di động
PF5 Tôi có thể sử dụng nhiều hình thức thanh toán trên app du
lịch.
PF6 Mỗi app du lịch thì hoạt động tương đương với mọi nhà mạng
viễn thông
PF7 Mỗi app du lịch đều hỗ trợ cho nhiều hệ điều hành khác nhau
PF8 Mỗi app du lịch sử dụng nhiều ngôn ngữ khác nhau.
PF9 Các app du lịch thì thích ứng nhanh với sự thay đổi của các
Nhân tố 4:
Chuẩn chủ quan (SN)
SN1 Gia đình và bạn bè có ảnh hưởng đến ý định sử dụng app du
lịch của tôi
SN2 Đồng nghiệp có ảnh hưởng đến ý định sử dụng app du lịch
của tôi
SN3 Các quảng cáo trên phương tiện truyền thông có ảnh hưởng
đến ý định sử dụng app du lịch của tôi
SN4 Các đánh giá, phản hồi thông tin về các app du lịch có ảnh
hưởng đến ý định sử dụng app du lịch của tôi.
Nhân tố 5:
Sự đa dạng của các ứng dụng di động
(MAV)
MAV1 Các app du lịch hiện nay hấp dẫn tôi
MAV2 Các app du lịch hiện nay đa dạng
MAV3 (adsbygoogle = window.adsbygoogle || []).push({});
Có nhiều app du lịch đáp ứng được các nhu cầu đa dạng của tôi (đặt vé máy bay, phương tiện đi lại, đặt phòng, giao đồ ăn, thanh toán trực tuyến, bản đồ, phiên dịch…)
MAV4 Các app du lịch thì thường xuyên cập nhật các phiên bản mới
MAV5 Các app du lịch hiện nay đạt mức mong đợi của tôi.
MAV6 Có nhiều thương hiệu app du lịch phục vụ cho một loại hình
dịch vụ.
Như vậy, thang đo đã bị thay đổi sau khi phân tích nhân tố khám phá (EFA) với tổng số 5 thang đo độc lập với 29 biến quan sát, 1 thang đo trung gian (Ý định sử dụng ứng dụng hỗ trợ du lịch trên thiết bị di động) với 3 biến quan sát và 1 thang đo phụ thuộc (Ý định tham quan các địa điểm du lịch) với 3 biến quan sát.