Phần này sẽ thực hiện phân tích nhân tố khám phá (EFA) cho 13 câu hỏi trong bảng hỏi để xác định các nhân tố của hoạt động giảng dạy của giảng viên được khảo sát trong bảng hỏi.
Trước hết cần kiểm tra xem phương pháp phân tích nhân tố có phù hợp trong phân tích này hay không. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau, kiểm định Bartlett và chỉ số KMO sẽ giúp chúng ta giải quyết vấn đề này.
Kiểm định Barlett dùng để xem xét giả thuyết các biến có tương quan trong tổng thể hay không. Nếu kiểm định Bartlett cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét [2, 17].
50
Chỉ số KMO là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Nếu chỉ số KMO lớn (giữa 0,5 và 1) thì phân tích nhân tố là thích hợp, còn nếu như chỉ số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu [2, 17].
Do vậy điều kiện cần để sử dụng phương pháp phân tích nhân tố là kiểm nghiệm Bartlett phải có ý nghĩa thống kê và hệ số KMO phải nằm trong khoảng từ 0,5 đến 1.
Sử dụng phần mềm SPSS, cho kết quả kiểm định Bartlett và chỉ số KMO trong bảng 3.1.:
Bảng 3.1. Kết quả kiểm định KMO và Bartlett's
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .952
Approx. Chi-Square 50441.428
df 78
Bartlett's Test of Sphericity
Sig. .000
Bảng 3.1 cho ta mức ý nghĩa p-value (Sig.) = 0,000 của kiểm định Bartlett, và chỉ số KMO = 0,952. Hai giá trị trên cho chúng ta thấy: kiểm nghiệm Bartlett có ý nghĩa thống kê hay các biến có tương quan với nhau trong tổng thể và giá trị KMO rất lớn – gần 1. Do đó, phương pháp phân tích nhân tố phù hợp với dữ liệu trong nghiên cứu này.
Với giả định các nhân tố có tương quan với nhau nên nghiên cứu sử dụng phương pháp trích Principal Component Analysis với phép xoay Promax.
Khi sử dụng phương pháp phân tích nhân tố, chúng ta sẽ kiểm tra các chỉ số: tổng thể phương sai trích, Eigenvalues, Factor loading (viết tắt là: FL) để đảm bảo mức ý nghĩa thực tiễn của phân tích nhân tố (theo Hair và các cộng sự (1998, 111)) [2, 17].
51
Theo nghiên cứu của Gerbing và Anderson (1988), các giá trị tổng thể phương sai trích cần > hoặc = 50% và Eigenvalues có giá trị > 1 (phần biến thiên được giải thích bởi mỗi nhân tố > 1) [2].
Factor loading là những hệ số tương quan đơn giữa các biến và các nhân tố, FL > 0.3 được xem là đạt được mức tối thiểu, FL > 0,4 được xem là quan trọng, FL >= 0,5 được xem là có ý nghĩa thực tiễn [2].
Sử dụng phần mềm SPSS sẽ cho các bảng kết quả của phương pháp phân tích nhân tố khám phá EFA như sau:
Bảng 3.2. Tổng phương sai tích lũy của phương pháp phân tích nhân tố khám phá EFA
Component Initial Eigenvalues
Extraction Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % 1 8.432 64.859 64.859 8.432 64.859 64.859 2 .773 5.948 70.807 3 .603 4.642 75.450 4 .529 4.071 79.521 5 .466 3.581 83.102 6 .433 3.332 86.435 7 .359 2.760 89.195 8 .315 2.427 91.622 9 .285 2.193 93.814 10 .252 1.942 95.756 11 .234 1.804 97.560 12 .169 1.303 98.863 13 .148 1.137 100.000
Extraction Method: Principal Component Analysis.
Trong bảng phương sai tích lũy (bảng số3.2.), giá trị của tổng phương sai trích tích lũy = 64,86% > 50% và các giá trị Eigenvalues đều lớn hơn 1.
52 Bảng 3.3. Ma trận nhân tố Component 1 C1 .719 C2 .817 C3 .832 C4 .818 C5 .766 C6 .831 C7 .843 C8 .823 C9 .814 C10 .769 C11 .734 C12 .837 C13 .853
Extraction Method: Principal Component Analysis. a 1 components extracted.
Do số liệu chỉ có 1 nhân tố nên không có bảng ma trận xoay nhân tố. Nhìn vào bảng số 3.3., ta có thể thấy tất cả các quan sát đều có hệ số tải nhân tố (Factor loading) > 0,5.
Với các kết quả: giá trị của tổng phương sai trích tích lũy = 64,86% > 50%, các giá trị Eigenvalues đều lớn hơn 1, tất cả các quan sát đều có hệ số tải nhân tố (Factor loading) > 0,5, điều này cho thấy các kết quả phân tích nhân tố trong nghiên cứu này có mức ý nghĩa thực tiễn và phương pháp phân tích nhân tố khám phá chỉ rút ra được 1 nhân tố.
