3.2 PHƢƠNG PHÁP NGHIÊN CỨU
3.2.4.2 Phân tích khám phá nhân tố EFA
Sau khi các nhân tố đƣợc kiểm định bằng Cronbach’s Alpha sẽ tiếp tục đƣợc đƣa vào phân tích khám phá nhân tố EFA. Phân tích khám phá nhân tố sẽ giúp nhà nghiên cứu rút ra đƣợc 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 khám phá nhân tố EFA trong nghiên cứu nhƣ sau:
- Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thông qua giá trị thống kê Kaiser-Meyer-Olkin (KMO). Theo đó, trị số của KMO lớn hơn 0,5 thì phân tích nhân tố là thích hợp (Garson, 2002), ngƣợc lại nếu trị số KMO nhỏ hơn 0,5 thì áp dụng phƣơng pháp phân tích nhân tố khơng thích hợp với dữ liệu đang có.
- Số lƣợng nhân tố: số lƣợng nhân tố đƣợc xác định dựa vào chỉ số phƣơng sai tổng hợp của từng nhân tố (eigenvalue) đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser thì những nhân tố có eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mơ hình nghiên cứu (Garson, 2002)
- Phƣơng sai giải thích (variance explained criteria): Tổng phƣơng sai trích phải lớn hơn 50% (Hair và cộng sự, 1998).
- Độ giá trị hội tụ: Để thang đo đạt giá trị hội tụ thì hệ số tƣơng quan đơn giữa các biến và các hệ số chuyển tải nhân tố (factor loading) phải lớn hơn hoặc bằng 0,5 trong một nhân tố (Gerbing & Anderson, 1988)
- Phƣơng pháp rút trích nhân tố là các thành phần chính (Principal compontens) với phép xoay vng góc (Varimax) để đảm bảo số lƣợng nhân tố là bé nhất (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Sau khi tiến hành phân tích EFA, căn cứ trên dữ liệu thực tế tác giả sẽ tiến hành đặt lại tên cho các nhân tố hình thành và điều chỉnh mơ hình cũng nhƣ các giả thuyết nghiên cứu ban đầu cho phù hợp dữ liệu thực tế.