7. Kết cấu của đề tài
3.2 Phân tích nhân tố khám phá (EFA) các nhân tố ảnh hưởng đến việc
lựa chọn chính sách kế toán ở các DNNVV trên địa bàn tỉnh Bình Định
Phương pháp phân tích nhân tố khám phá (EFA) được sử dụng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu này, phương pháp EFA dựa vào mối tương quan giữa các biến với nhau để rút gọn thành những nhân tố có nghĩa hơn. Cụ thể, khi đưa tất cả các biến thu thập được vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ được gom thành các nhóm biến có liên hệ để xem xét và trình bày dưới dạng các nhân tố cơ bản tác động đến Lựa chọn chính sách kế toán ở các DNNVV trên địa bàn tỉnh Bình Định.
Nghiên cứu tiến hành sử dụng phương pháp trích hệ số Principal component với phép quay Varimax tại điểm dừng khi trích các yếu tố có Eigenvalue > 1. Thang đo nào có tổng phương sai trích từ 50% trở lên là được chấp nhận (Gerbing & Anderson, 1988). Các biến có trọng số (Factor loading) nhỏ hơn 0.5 sẽ bị loại. Tại mỗi khái niệm có chênh lệch trọng số (Factor loading) lớn nhất và bất kỳ phải đạt ≥ 0.3 (Jabnoun & AL-Tamini, 2003). 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), điều này thể hiện phân tích nhân tố là thích hợp. Nếu hệ số KMO < 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Theo Kaiser (1974), KMO ≥ 0.9 là rất tốt; 0.9 > KMO ≥ 0.8 là tốt; 0.8 > KMO ≥ 0.7 là được; 0.7 > KMO ≥ 0.6 là tạm được, 0.6> KMO ≥ 0.5 là xấu và KMO < 0.5 là không thể chấp nhận được (Hoàng Trọng và Mộng Ngọc, 2008).
Nghiên cứu tiến hành phân tích nhân tố khám phá (EFA) theo từng bước. Lần đầu thực hiện EFA, 20 biến đã nhóm lại thành 06 nhân tố. Sau khi thực hiện phép quay, có 6 nhóm chính thức được hình thành.
3.2.1. Phân tích nhân tố khám phá (EFA)
Khi phân tích nhân tố, nghiên cứu đặt ra 2 giả thuyết:
Giả thuyết Ho: Các biến trong tổng thể không có tương quan với nhau.
Giả thuyết H1: Các biến trong tổng thể có tương quan với nhau.
Bảng 3.9: Hệ số KMO và kiểm định Barlett các thành phầnKMO and Bartlett's Test
Hệ số KMO (Kaiser-Meyer-Olkin) .743
Mô hình kiểm tra của Bartlett Giá trị Chi-Square 1304.196
Bậc tự do 190
Sig (giá trị P – value) .000
Nguồn:Phân tích dữ liệu – phụ lục kết quả nghiên cứu
Kết quả kiểm định Barlett cho thấy giữa các biến trong tổng thể có mối tương quan với nhau (sig = 0.00 < 0.05, bác bỏ H0, nhận H1). Đồng thời, hệ số KMO = 0.743> 0.5, chứng tỏ phân tích nhân tố để nhóm các biến lại với nhau là thích hợp và dữ liệu phù hợp cho việc phân tích nhân tố.
Bảng 3.10: Bảng phương sai trích
Total Variance Explained
Component
Initial Eigenvalues
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 4.610 23.050 23.050 4.610 23.050 23.050 2.767 13.837 13.837 2 2.474 12.370 35.419 2.474 12.370 35.419 2.727 13.637 27.474 3 2.250 11.251 46.670 2.250 11.251 46.670 2.259 11.293 38.767 4 2.063 10.314 56.984 2.063 10.314 56.984 2.221 11.104 49.871 5 1.614 8.069 65.053 1.614 8.069 65.053 2.184 10.918 60.789 6 1.129 5.643 70.696 1.129 5.643 70.696 1.981 9.907 70.696 7 .759 3.796 74.492 8 .664 3.318 77.809 9 .600 3.002 80.812 10 .524 2.622 83.433 11 .495 2.474 85.907 12 .472 2.360 88.268 13 .442 2.211 90.479 14 .365 1.825 92.304 15 .327 1.636 93.940 16 .299 1.494 95.435 17 .286 1.430 96.865 18 .232 1.162 98.026 19 .217 1.085 99.111 20 .178 .889 100.000
Extraction Method: Principal Component Analysis.
Nguồn:Phân tích dữ liệu – phụ lục kết quả nghiên cứu
Bảng 3.10 cho thấy, các nhân tố đều có giá trị Eigenvalues > 1. Phương sai trích là 70.696% > 50% là đạt yêu cầu. Với phương pháp rút trích Principal components và phép quay Varimax, có 06 thành phần được rút trích ra từ biến quan sát (bảng 4.10). Điều này, cho chúng ta thấy 06 thành phần rút trích ra thể hiện được khả năng giải thích được 70.696% sự thay đổi của biến phụ thuộc trong tổng thể.
Bảng 3.11: Bảng ma trận xoay
Rotated Component Matrixa
Component 1 2 3 4 5 6 THUE3 .852 THUE4 .850 THUE2 .765 THUE1 .651 TDKT4 .818 TDKT3 .800 TDKT1 .672 TDKT2 .643 TCBN3 .874 TCBN1 .830 TCBN2 .815 MTDN3 .879 MTDN2 .876 MTDN1 .787 VPHD2 .865 VPHD3 .840 VPHD1 .820 MVN2 .874 MVN3 .728 MVN1 .694
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations.
(Nguồn: Phụ lục kết quả nghiên cứu)
Kết luận:
Sau khi thực hiện phương pháp rút trích Principal components và phép quay Varimax, kết quả các nhóm được gom lại như sau:
- Nhóm 1 (Sự tin cậy của các đối tượng bên ngoài doanh nghiệp- TCBN): gồm 3 biến: TCBN1, TCBN2, TCBN3.
- Nhóm 2 (Mức vay nợ - MVN): gồm 3 biến: MVN1, MNV2, MVN3. - Nhóm 3 (Khả năng vi phạm hợp đồng vay nợ - VPHD): gồm 3 biến:
VPHD1, VPHD2, VPHD3.
- Nhóm 4 (Thuế - THUE): gồm 4 biến: THUE1, THUE2, THUE3, THUE4 - Nhóm 5 (Mục tiêu của doanh nghiệp - MTDN): gồm 3 biến: MTDN1,
MTDN2, MTDN3, MTDN4.
- Nhóm 6 (Trình độ người làm kế toán - TDKT): gồm 4 biến: TDKT1, TDKT2, TDKT3, TDKT4.