NƯỚC NGOÀIH2(+)
1.2.7.2 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998). Trong phân tích nhân tố, ta cũng quan tâm đến chỉ số KMO (Kaiser - Meyer - Olkin) để xem xét sự thích hợp của mô hình phân tích nhân tố và tổng phương sai trích cho thấy khả năng giải thích
của các nhân tố thay cho các biến ban đầu. Nếu chỉ số KMO nằm trong khoảng 0,5 đến 1 thì ta sử dụng phân tích nhân tố là thích hợp với dữ liệu nghiên cứu và thang
đo chỉ được chấp nhận khi tổng phương sai trích lớn hơn 50%. Để xác định số nhân tố có rất nhiều phương pháp để sử dụng, trong nghiên cứu này tác giả lựa chọn
phương pháp thông dụng nhất là sử dụng hệ số eigenvalue (determination based on eigen value): chỉ có những nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích.
Nhược điểm của phương pháp này là khi qui mô mẫu lớn (trên 200), có
nhiều khả năng sẽ có nhiều nhân tố thỏa mãn mức ý nghĩa thống kê mặc dù trong thực tế có nhiều nhân tố chỉ giải thích được một phần nhỏ toàn bộ biến thiên. Tiếp
theo ta tiến hành xoay nhân tố theo phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Compontents với phép xoay Varimax (Orthogonal) (Gerbing & Anderson, 1988). Trong phương pháp phân tích nhân tố được quan tâm nhất là hệ số tải nhân tố Factor loading. Theo Hair & ctg (1998), factor loading là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA, factor loading >0,3 được xem là đạt được mức tối thiểu và cỡ mẫu nên chọn ít nhất là 350, Factor loading >0,4 được xem là quan trọng, nếu cỡ mẫu khoảng 100 thì factor loading >0,5 được xem là có ý nghĩa thực tiễn, với số mẫu 106 nên tác giả chọn hệ số tải nhân tố Factor loading >0,5
(Được trích từ Thọ, 2011). [10]