6. Bố cục của luận văn
2.3.3.3. Phân tích nhân tố EF A Yếu tố khám phá
Các thành phần đã được kiểm định thang đo bằng hệ số Cronbach’s Alpha sẽ tiếp tục đưa vào phân tích EFA. Phân tích EFA sẽ giúp rút gọn một tập k biến quan sát thành một tập F (F<k) các thành phần có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các thành phần với các biến quan sát hay nói cách khác thông qua phân tích EFA ta sẽ xem xét mối quan hệ giữa các biến ở tất cả các nhân tố khác nhau nhằm phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu (khác với kiểm định Cronbach Alpha chỉ xem xét mối quan hệ giữa các biến trong cùng một nhóm, cùng một nhân tố). Trong phân tích EFA thì có nhiều phép trích nhân tố, ở nghiên cứu này tác giả sử dụng phép trích Principal Components với phép xoay Varimax để phân tích. Một kết quả phân tích EFA tốt cần đảm bảo các tiêu chí (Nguyễn Đình Thọ, 2013): - Chỉ số Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO) được sử dụng đo lường độ chính xác của EFA, xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn phải đạt giá trị 0.5 trở lên (từ 0.5 đến 1) là điều kiện đủ để phân tích nhân tố thích hợp. Trường hợp trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.
- Kiểm định Barlett (Bartlett’s test of sphericity) xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Trường hợp kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét.
- Phương pháp tính hệ số với phép quay Varimax và điểm dừng khi trích các yếu tố Eigenvalue lớn hơn 1. Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.
Hệ số tải nhân tố (Factor Loading) 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. Trong phân tích nhân tố các biến có hệ số tải nhân tố (factor loading) nhỏ hơn 0.5 sẽ tiếp tục bị loại (Hair và cộng sự, 1998). Nếu một biến quan sát nằm thuộc 2 nhân tố trở lên thì khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải lớn hơn hoặc bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Nguyễn Đình Thọ, 2011);
- Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình phân tích EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.