STT Biến độc lập và biến phụ thuộc Số biến quan sát còn lại Hệ số Cronbach’ Alpha 1 Độ tin cậy 5 0.939 2 Sự phản hồi 5 0.754 3 Năng lực Phục vụ 5 0.780 4 Sự cảm thông 5 0.807
5 Phương tiện hữu hình 5 0.921
6 Đánh giá chung 3 0.733
Nguồn: Dữ liệu chạy phần mềm SPSS 20.0
3.4.3 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 biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét dưới dạng
một số các nhân tố cơ bản. Mỗi một biến quan sát sẽ được tính một tỷ số, được gọi là Hệ số tải nhân tố (factor loading). Hệ số này cho người nghiên cứu biết mỗi biến đo lường sẽ “thuộc về” những nhân tố nào.
Định nghĩa hệ số tải nhân tố: Hệ số tải nhân tố (Factor Loading)x hay còn
gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
Theo Hair & các cộng sự (1998, 111) cũng khuyên rằng nếu cỡ mẫu nhỏ hơn 350 và lớn hơn 100 thì factor loading nên chọn giá trị 0.5
Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser-Meyer – Olkin) phải có giá trị lớn (0,5 < KMO <1) thể hiện phân tích nhân tố là thích hợp, còn nếu hệ số KMO <0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Ngoài ra, hệ số tải nhân tố của từng biến quan sát phải có giá trị lớn hơn 0,5 (Hair, 1998), và tổng phương sai dùng để giải thích bởi từng nhân tố lớn hơn 50% mới thỏa yêu cầu của phân tích nhân tố (Gerbing & Anderson, 1988).
KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, .5 < KMO < 1 thì phân tích nhân tố là thích hợp (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, Tập 2, tr31- Năm 2008, NXB Hồng Đức)
Diễn giải kết quả phân tích nhân tố EFA
Để tiến hành phân tích nhân tố, tác giả đã sử dụng phương pháp rút trích các thành phần chính (Principal Components) với phép xoay Varimax và phương pháp tính nhân tố là phương pháp Regression.
Sau khi đạt yêu cầu về kiểm tra độ tin cậy, 28 biến quan sát sẽ được đưa vào phân tích nhân tố. Quá trình phân tích được thực hiện như sau:
Phân tích các nhân tố tác động đến chất lượng dịch vụ thẻ ATM
Kiểm định KMO và Bartlett’s với 28 biến cho thấy hệ số KMO khá cao (0.789 > 0.5) với tổng phương sai dùng để giải thích các nhân tố là 77.664% > 50% nên thỏa mãn điều kiện của phân tích nhân tố. Tuy nhiên ma trận xoay có giá trị biến bị
trùng lặp xem hình 3.6 nên cần loại bỏ và kiểm định lần 2 với các biến đã được loại bỏ là: HH02,HH03,CT04
Hình 3.6 Kiểm định KMO và Bartlett’s lần 1
Nguồn: Dữ liệu chạy từ phần mềm SPSS 20.0
Kiểm định KMO và Bartlett’s lần 2: Hệ số KMO là 0.762, tổng phương sai dùng để giải thích các nhân tố là: 77.690%. Tuy nhiên ma trận xoay (hình 3.7) có biến trùng lặp nên cần loại bỏ biến: CT01, HH04
Hình 3.7 Kiểm định KMO và Bartlett’s lần 2
Nguồn: Dữ liệu chạy từ phần mềm SPSS 20.0
Kiểm định KMO và Bartlett’s lần 3: Hệ số KMO là 0.779, tổng phương sai dùng để giải thích nhân tố là 79.472%. Ma trận xoay không có thành phần bị trùng lặp.
Hình 3.8 Kiểm định KMO và Bartlett’s lần 3
Nguồn: Dữ liệu chạy từ phần mềm SPSS 20.0
Như vậy, kết quả phân tích các nhân tố tác động đến chất lượng dịch vụ thẻ ATM đã rút trích được 4 nhân tố với 20 biến quan sát.
Thang đo sự hài lòng của khách hàng gồm 3 biến quan sát HL1, HL2, HL3. Các biến này sẽ được đưa vào phân tích nhân tố để kiểm tra mức độ hội tụ.
Hình 3.9 Kiểm định KMO biến phụ thuộc
Nguồn: Trích xuất từ phần mềm SPSS 20.0
Kiểm định KMO đạt được giá trị là 0,646, Eigenvalues >1 và tổng phương sai dùng để giải thích nhân tố là 65.223% lớn hơn 50% thỏa điều kiện của phân tích nhân tố. Như vậy, kết quả phân tích nhân tố sự hài lòng của khách hàng cho thấy cả 3 biến quan sát đều có Hệ số tải > 0.5 và dùng để giải thích thang đo mức độ hài lòng khách hàng là hợp lý