1984)
3.3.2. Phân tích nhân tố
Phân tích nhân tố (Exploratory Factor Analysis) là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên
hệ qua lại lẫn nhau đƣợc xem xét dƣới dạng một số các nhân tố cơ bản. Mỗi một biến quan sát sẽ đƣợc tính một tỷ số gọi là Hệ số tải nhân tố (factor loading). Hệ số này cho ngƣời nghiên cứu biết đƣợc mỗi biến đo lƣờng sẽ “thuộc về” những nhân tố nào.
Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser-Meyer –Olkin (KMO) phải có giá trị lớn (0,5<KMO<1) thể hiện phân tích nhân tố là thích hợp, còn nếu hệ số KMO <0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Thêm vào đó, hệ số tải nhân tố của từng biến quan sát phải có giá trị lớn hơn 0,45, điểm dừng khi Eigenvalue (đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố) lớn hơn 1 (mặc định của chƣơng trình SPSS), và tổng phƣơng sai dùng để giải thích bởi từng nhân tố lớn hơn 50% mới thỏa yêu cầu của phân tích nhân tố (Gerbing & Anderson, 1988). Khi tiến hành phân tích nhân tố, tác giả đã sử dụng phƣơng pháp trích (Extraction method) là Principal Axis factoring với phép xoay (Rotation) Promax.và phƣơng pháp tính nhân tố là phƣơng pháp Regression.
Bảng 3.9: Kết quả phân tích nhân tố
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
.835
Bartlett's Test of Sphericity Approx. Chi-Square 391.143
Df 78
Sig. .000
Kiểm định Barlett và đo lƣờng sự thích hợp của dữ liệu (MSA):
Kết quả phân tích cho thấy, giá trị KMO = 0.835 > 0.5, kiểm định Barlett có Chi-square = 391.143, df = 78 nên p(chi-square,df) = 0.000 < 0.5. Đồng thời, đo lƣờng sự tƣơng thích của dữ liệu (MSA) với tất cả các giá trị trên đƣờng chéo đều lớn hơn 0.5 nên khẳng định dữ liệu là thích hợp để phân tích nhân tố.