Chƣơng 1 : CƠ SỞ LÝ LUẬN VÀ PHƢƠNG PHÁP NGHIÊN CỨU
1.7 PHƢƠNG PHÁP NGHIÊN CỨU
1.7.4 Phƣơng pháp phân tích nhân tố (EFA)
Do khối lƣợng thu thập số liệu lớn nên chúng có rất nhiều biến và các biến này có mối liên hệ với nhau và số lƣợng của chúng phải đƣợc giảm bớt xuống đến một sốlƣợng mà chúng ta có thể sử dụng đƣợc. Vì vậy ta phân tích nhân tốđƣợc sử
dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Các nhân tố chung có thể đƣợc diễn tảnhƣ những kết hợp tuyến tính của các biến quan sát:
Fi=Wi1X1+Wi2X2+……..+WikXk
Trong đó:
Fi: ƣớc lƣợng trị số của nhân tố thứ i.
W: quyền số hay trọng số nhân tố (weight or factor score coefficient) k: số biến
Điều kiện để áp dụng phân tích nhân tố là các biến có tƣơng quan với nhau.
Đểxác định các biến có tƣơng quan nhƣ thế nào, ta sử dụng kiểm định Barlett’s để
kiểm định giả thuyết:
H0: các biến khơng có liên quan lẫn nhau H1: có sựtƣơng quan giữa các biến.
Chúng ta mong đợi bác bỏ giả thuyết H0, nghĩa là chấp nhận H1 các biến có liên hệ với nhau. Điều này có đƣợc giá trị P sau khi kiểm định phải nhỏhơn mức ý
nghĩa xử lý α. Đồng thời, phân tích nhân tố đƣợc xem là thích hợp khi giá trị hệ
KMO (Kaiser – Mayser - Olkin) trong khoảng từ 0,5 đến 1, khi đó các tƣơng quan đủ lớn để có thể áp dụng phân tích nhân tố.
Sau khi rút đƣợc các nhân tố và lƣu lại thành các biến mới, các biến này sẽ đƣợc thay cho tập hợp biến gốc đểđƣa vào phân tích hồi quy.
Các biến có hệ số tƣơng quan đơn giữa biến và các nhân tố (factor loading) nhỏ hơn 0,5 sẽ bị loại. Phƣơng pháp trích nhân tố đƣợc sử dụng là Principal Axis
Factoring đƣợc sử dụng kèm với phép quay không vuông gốc Promax. Điểm dừng
trích khi các yếu tốcó “Initial Eigenvalues” > 1. Phân tích nhân tố khám phá (EFA) là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập biến cần thiết cho vấn đề nghiên cứu
cũng nhƣ rất cần thiết trong việc tìm mối quan hệ giữa các biến với nhau. Mức độ
thích hợp của tƣơng quan nội tại giữa các biến quan sát trong các khái niệm nghiên cứu đƣợc thể hiện bằng hệ số Kaiser-Myer- Olkin (KMO) đo lƣờng sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Barlett. KMO có giá trị thích hợp trong khoảng [0,5;1]. Sự rút trích các nhân tố đại diện bằng các biến quan sát đƣợc thực hiện bằng phân tích nhân tố chính với phép quay (Promax). Các thành phần với giá trị Eigenvalue lớn hơn 1 (Gerbing và Anderson, 1998) và tổng phƣơng sai
trích bằng hoặc lớn hơn 50% đƣợc xem nhƣ những nhân tố đại diện các biến. Cuối
cùng, để phân tích nhân tố có ý nghĩa, tất cả các hệ số tải nhân tố (factorloading) phải lớn hơn hệ sốquy ƣớc 0,5 để các khái niệm nghiên cứu đạt giá trị hội tụ (Hair & ctg, 2006). Bên cạnh đó, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải lớn hơn hoặc bằng 0,3 để tạo giá trị phân biệt giữa các nhân tố. Kỹ
thuật phân tích nhân tố (factor analysis) đã đƣợc sử dụng trong nghiên cứu này nhằm rút gọn và gôm các yếu tố thuộc tính đó lại thành một nhân tốcó ý nghĩa hơn, ít hơn về sốlƣợng [12].
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích đƣợc phần biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta
chọn tập hợp các quyền số thứ hai sao cho nhân tố thứ hai giải thích đƣợc phần lớn biến thiên cịn lại và khơng có tƣơng quan với nhân tố thứ nhất.
Tóm lại trong nghiên cứu này, tác giả chỉ chấp nhận bộ số liệu khi giá trị
kiểm định KMO phải lớn hơn 0,7 và giá trị Sig. mức ý nghĩa của kiểm định
Barttestt’s Test phải nhỏhơn 0.05. Tổng phƣơng sai trích phải lớn hơn 1, tổng phần
cách giữ các hệ số tải phải lớn hơn hoặc bằng 0,3 thì biến đó sẽ đƣợc giữ lại và
ngƣợc lại thì biến này sẽ bị loại bỏ.