VII Sự truyền miệng
3.7.3 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu, rất có ích cho việc xác định các tập hợp nhóm biến. Phân tích nhân tố sẽ giúp nhà nghiên cứu rút ra đuợc những nhân tố tiềm ẩn từ một tập hợp các biến quan sát nhỏ hơn, có ý nghĩa hơn. Một số tiêu chuẩn áp dụng khi phân tích EFA trong nghiên cứu nhu sau: Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thơng qua giá trị thống kê Kaiser- Meyer-Olkin (KMO). Theo đó, trị số của KMO > 0,5 thì phân tích nhân tố là thích hợp, nguợc lại KMO < 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệ. Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho luợng biến thiên đuợc giải thích b ởi các nhân tố) và chỉ số Cumulative (tổng phuơng sai trích cho biết phân tích nhân tố giải thích đuợc b ao nhiêu phần trăm và b ao nhiêu phần trăm b ị thất thốt). Các nhân tố có Eigenvalue < 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn biến gốc (biến tiềm ẩn truớc khi EFA). Nên các nhân tố chỉ đuợc rút trích tại Eigenvalue > 1 và đuợc chấp nhận khi tổng phuơng sai trích Cumulative > 50%. Theo Gerb ing và Anderson trị số Eigenvalue và tổng phuơng sai trích là b ao nhiêu cịn phụ thuộc vào phuơng pháp trích và phép xoay nhân tố, phuơng pháp trích Pricipal Axis Factoring với phép xoay Promax sẽ phản ánh cấu trúc dữ liệu chính xác hơn phuơng pháp trích Pricipal components với phép xoay Varimax (Thọ & Trang, 2002). Nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phuơng pháp trích Pricipal components với phép xoay Varimax, cịn nếu sau EFA là phân tích nhân tố khẳng định (CFA) và phân tích mơ hình cấu trúc tuyến tính (SEM) thì nên sử dụng phương pháp trích Pricipal Axis Factoring với phép xoay Promax (Nguyễn
Khánh Duy, 2009).
Hệ số tải nhân tố (Factor loading) biểu thị tương quan đơn giữa các b iến với các nhân tố, hệ số này cho biết mỗi biến đo lường sẽ thuộc về nhân tố nào. Nếu hệ số tải nhân tố Factor loading > 0,3 được xem là đạt mức tối thiểu, Factor loading > 0,4 được xem là quan trọng, Factor loading > 0,5 được xem là có ý nghĩa thực tiễn. Và nếu cỡ mẫu khoảng 100 đến 350 thì nên chọn tiêu chuẩn Factor loading > 0,5 (Hair và công sự, 1998). Trong nghiên cứu này, các khái niệm nghiên cứu hầu hết là những khái niệm mới với mẫu nghiên cứu có kích thước tương đối lớn (379 đơn vị), sau EFA là phân tích nhân tố khẳng định (CFA) và phân tích mơ hình cấu trúc tuyến tính (SEM). Nên trong q trình phân tích Cronb ach’s alpha, tác giả quyết định giữ lại các thang đo có hệ số Cronb ach’s alpha > 0,6, loại các b iến quan sát có tương quan biến tổng < 0,3. Trong q trình phân tích nhân tố khám phá EFA, tác giả sử dụng phương pháp trích Pricipal Axis Factoring với phép xoay Promax, loại bỏ các biến quan sát có trị số Factor loading < 0,5.