5. Kết cấu đề tài
3.4.5.Phân tích nhân tố khám phá EFA
Sau khi kiểm định độ tin cậy Cronbach’s Alpha, chúng ta tiến hành đưa các biến phân tích rút trích nhân tố EFA. Theo Hair cùng cộng sự (2014), Phân tích nhân tố khám phá (EFA) là kỹ thuật thống kê đa biến hữu ích để trích xuất thông tin hiệu quả từ các khối dữ liệu lớn liên quan đến nhau. Trước khi tiến hành thực hiện kiểm định phân tích rút trích nhân tố khám phá EFA, chúng ta cần kiểm định điều kiện để thực hiện phân tích EFA. Thông thường, các nhà nghiên cứu sử dụng hệ số KMO (Kaiser- Meyer-Olkin) và kiểm định Bartlett.
● 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Hệ số KMO lớn có ý nghĩa phân tích nhân tố đó là thích hợp.
● Kiểm định Bartlett có mức ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Các tham số thống kê tiếp theo trong phân tích nhân tố khám phá EFA: Correlation matrix – cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích; Eigenvalue – chỉ số xác định số lượng yếu tố. Những yếu tố phù hợp và được để lại trong mô hình phải là những yếu tố có trị số Eigenvalue lớn hơn 1; Ma trận xoay (Rotated Component Matrix) – Gồm những hệ số biểu nhân tố, giúp đơn giản hóa việc giải thích yếu tố và biến.; Factor loading – hệ số tải nhân tố là những hệ số tương quan đơn giữa các biến và các nhân tố. Với hệ số tải nhân tố lớn hơn hoặc bằng 0.5 thì biến quan sát được nhận xét là “có ý nghĩa thống kê tốt” (Hair và cộng sự, 1998). Các nhân tố có hệ số này dưới 0.5 sẽ bị loại khỏi mô hình.