7. Tổng quan về tài liệu nghiên cứu
2.6.1 Phân tích nhân tố khám phá Exploratory factor analysis (EFA)
Phân tích nhân tố khám phá là một phƣơng pháp phân tích thống kê dùng để rút gọn một tập gồm 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 nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al., 1998). Số lƣợng nhân tố đƣợc xác định dựa trên chỉ số Eigenvalue, chỉ số này đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser, những nhân
tố có chỉ số Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Garson, 2008). Phân tích nhân tố khám phá EFA đƣợc thực hiện tiếp theo để kiểm định các biến số cấu thành nên các nhân tố (thành phần) và các biến số đơn lẻ đại diện cho các nhân tố (thành phần) đó có phù hợp với mô hình lý thuyết đƣa ra ban đầu hay không. Phân tích nhân tố sử dụng phƣơng pháp trích Principal Components với phép xoay Varimax đƣợc thực hiện cho tất cả các biến số đo lƣờng để đảm bảo mức độ tƣơng quan và sự phân biệt rõ ràng giữa các nhân tố cho phân tích CFA. Theo Gerbing và Anderson (1988), phƣơng pháp trích Principal Components với phép xoay Varimax đƣợc sử dụng nhiều nhất, dùng để tối đa hoá phƣơng sai của bình phƣơng trọng số của nhân tố đối với tất cả các biến số trong ma trận yếu tố. Điều này giúp tách các biến số ban đầu bằng các nhân tố đƣợc tìm thấy.
Tiếp theo, phân tích chỉ số KMO, kiểm định Bartlett và tiêu chuẩn hệ số truyền tải (Factor Loading) đƣợc xem xét trong nghiên cứu. KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết về độ tƣơng quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0.05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể (Gerbing và Anderson, 1988). Theo Hair et al. (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (Ensuring Practical Significance). Factor loading > 0.3 đƣợc xem là đạt đƣợc mức tối thiểu, Factor loading > 0.4 đƣợc xem là quan trọng, > 0.5 đƣợc xem là có ý nghĩa thực tiễn. Hair et al. (1998) cũng nói thêm: nếu chọn tiêu chuẩn Factor loading > 0.3 thì cỡ mẫu ít nhất phải là 300, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0.55, nếu cỡ mẫu khoảng 50 thì Factor loading phải > 0.75. Với cỡ mẫu n = 300 nhƣ nghiên cứu này thì tiêu chuẩn Factor loading > 0.3 đƣợc xem là có ý nghĩa, tuy nhiên tác giả vẫn lựa chọn tiêu chuẩn Factor loading > 0.5 để đảm bảo mức ý nghĩa thiết thực của phân tích EFA.
Bên cạnh đó, tác giả cũng đánh giá độ tin cậy của các biến quan sát trong mô hình thông qua hệ số Communalities và độ tin cậy của thang đo thông qua hệ số tổng phƣơng sai trích đƣợc (variance extracted). Theo Hair (1998), hệ số Communalities của các biến trong mô hình phải lớn hơn 0.4. Cũng theo Hair (1998), “phƣơng sai trích (Variance Extracted) của mỗi khái niệm nên vƣợt quá 0,5” và phƣơng sai trích cũng là một chỉ tiêu đo lƣờng độ tin cậy. Nó phản ánh lƣợng biến thiên chung của các biến quan sát đƣợc tính toán bởi biến tiềm ẩn.