6. Tổng quan tài liệu nghiên cứu
3.3.2. Đánh giá thang đo bằng phân tích nhân tố khám phá EFA
Phân tích nhân tố EFA đƣợc dùng đến trong trƣờng hợp mối quan hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay không chắc chắn. Phân tích EFA theo đó đƣợc tiến hành theo kiểu khám phá để xác định xem phạm vi, mức độ quan hệ giữa các biến quan sát và các nhân tố cơ sở nhƣ thế nào, làm nền tảng cho một tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát tải lên các nhân tố cơ sở. Khi phân tích EFA cần quan tâm đến những chỉ tiêu sau:
Thứ nhất là tiêu chuẩn là hệ số tải nhân tố Factor loading, theo Hair & cộng sự (1998), Factor loading là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading >0.3 đƣợc xem là đạt mức tối thiểu, factor loading > 0.4 đƣợc xem là quan trọng, >=0.5 đƣợc xem là có ý nghĩa thực tiễn. Nếu chọn tiêu chuẩn factor loading > 0.3 thì cỡ mẫu ít nhất là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0.55. Nhƣ vậy, cỡ mẫu trong nghiên cứu này là 240 thì chọn biến quan sát có factor loading 0,4 là đạt yêu cầu.
Thứ hai, tổng phƣơng sai trích >=50% (Gerbing & Anderson, 1988). Thứ ba, xem xét trị số 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 có ý nghĩa thống kê (sig<0.05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005) [12].
Thứ tƣ, dựa vào Eigenvalue để xác định số lƣợng nhân tố. Chỉ những nhân tố có Eigenvalue > 1 mới đƣợc giữ lại trong mô hình phân tích. Đại lƣợng Eigenvalue đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Nhân tố nào có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc.
Bảng 3.4. Hệ số KMO, kiểm định Bartlett’s
KMO and Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .836 Bartlett’s Test of Sphericity Approx. Chi-Square 2412.323 Df 210 Sig. .000
Trƣớc khi thực hiện phân tích nhân tố khám phá cần xem xét ý nghĩa thống kê của kiểm định Bartlett và hệ số Kaiser-Meyer-Olkin (KMO). Qua bảng 3.4 cho thấy giá trị KMO= 0.836 >0.5, kiểm định Bartlett có ý nghĩa thống kê (sig= 0.000 <0.05). Do đó có thể khẳng định dữ liệu thích hợp để thực hiện phân tích nhân tố khám phá.
Nghiên cứu này áp dụng phƣơng pháp trích Principle Axis Factoring với phép quay Promax vì phƣơng pháp này sẽ phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp Principle Component với phép quay Varimax (Gerbing và Anderson, 1998). Với cỡ mẫu thực hiện là 240, những biến quan sát có hệ số tải nhân tố (factor loading) <0.4 sẽ bị loại (Hair và cộng sự, 2009). Kết quả phân tích nhân tố cho thấy có 5 nhóm nhân tố đƣợc trích tại Eigenvalue là 1.550 với tổng phƣơng sai trích là 68,245 % (>0.5). Tất cả các biến quan sát đều có hệ số tải nhân tố đạt yêu cầu.
Bảng 3.5. Kết quả EFA
Biến quan sát Factor
1 2 3 4 5 IQ7 .875 IQ1 .788 IQ4 .723 IQ6 .696 IQ3 .671 IQ2 .646 SQ1 .881 SQ5 .857 SQ4 .745 SQ3 .734
Biến quan sát Factor 1 2 3 4 5 SQ2 .679 PU1 .824 PU4 .786 PU3 .717 PU2 .688 US1 .819 US2 .810 US3 .745 QA2 .772 QA1 .737 QA3 .692
Nguồn: Kết quả phân tích dữ liệu bằng SPSS