- Xác định thứ tự ưu tiên cải tiến chất lượng dịch vụ
2.3.3.2.Phân tích nhân tố khám phá (Exploratory Factor Analysis)
23 QL3 Thực hiện thành công bất cứ cuộc gọi ở nơi đâu (tại Việt Nam) vì nhà cung cấp có vùng phủ sóng rộng
2.3.3.2.Phân tích nhân tố khám phá (Exploratory Factor Analysis)
Được tiến hành bằng cách lấy một loạt các biến số và phân chia chúng vào nhóm nhỏ các nhân tố. Trong các nhóm nhỏ này, tất cả các biến số đều có mối quan hệ với nhau. Phân tích nhân tố có thể xác định các biến số ẩn cơ bản giải thích sự tương quan giữa các điểm số kiểm nghiệm thực tế. Mục đích của việc sử dụng nhân tố là nhằm tạo điều kiện dễ dàng hơn cho việc khảo sát các mơ hình hay mối quan hệ ẩn đối với một loạt các biến số và quyết định xem liệu thơng tin có thể được ngưng kết hoặc tóm lược theo từng nhóm nhân tố hay thành tố nhỏ hơn hay không.
Đối với phương pháp phân tích nhân tố, trị số KMO (Kaiser-Mayer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Khoảng thích hợp của trị số này là từ 0,5 đến 1. Trường hợp trị số KMO có giá trị vượt ra ngồi khoảng đó thì phân tích nhân tố có thể khơng thích hợp với dữ liệu. Bên cạnh việc sử dụng trị số KMO để xem xét, phân tích nhân tố cịn sử dụng đại lượng Eigenvalue để xác
định số lượng nhân tố. Theo tiêu chuẩn Kaiser thì chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình và tổng phương sai trích phải lớn hơn 50%. Trong nghiên cứu này phương pháp Principal components với phép xoay Varimax được sử dụng và loại bỏ các biến có hệ số tải theo Hair và cộng sự (2006).
Bảng 2.22: Hệ số tải và kích thước mẫu
Thứ tự Hệ số tải Kích thước mẫu
1 0,30 350 2 0,35 250 3 0,40 200 4 0,45 150 5 0,50 120 6 0,55 100 7 0,60 85 8 0,65 70 9 0,70 60 10 0,75 50 Nguồn: Hair và cộng sự (2006)