7. Kết cấu của đề tài
4.3.1 Phân tích nhân tố EFA cho biến độc lập
a. Kiểm định KMO và Bartlett
Hair (1999) cho rằng sử dụng kỹ thuật phân tích nhân tố thì phải xem xét quy mô của mẫu phải đủ lớn, cơ sở dữ liệu thích hợp. Do đó trước khi tiến hành phân tích nhân tố cần kiểm tra việc dùng phương pháp này có phù hợp hay không. Việc kiểm tra này được thực hiện bởi việc tính hệ số KMO (Kaiser – Meyer – Olkin of Sampling Adequacy) và Bartlett’s Test. Kiểm
định Kaiser – Meyer – Olkin (KMO) cho phép biết được cơ sở dữ liệu có phù hợp với việc phân tích nhân tố hay không. Kaiser (2001) cũng cho rằng giá trị
của kiểm định KMO nên nằm trong khoảng 0,5 – 0,9 là thích hợp, các biến có hệ số truyền tải (factor loading) < 0,5 sẽ bị loại.
Qua 3 lần kiểm định cho ta kết quả cuối cùng của giá trị KMO hợp lệ với yêu cầu của kiểm định.
Bảng 4.10: Bảng Kiểm định KMO và Bartlett
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .834 Bartlett's Test of Sphericity Approx. Chi-Square 4648.057 df 351 Sig. .000 (Nguồn: Kết quả xử lý SPSS)
Bartlett’s Test dùng để kiểm định giả thuyết Ho là các biến không có tương quan với nhau trong tổng thể, tức ma trận tương quan tổng thể là một ma trận đơn vị. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì giá trị Sig. của Bartlett’s Test nhỏ hơn 0.05 cho phép bác bỏ giả thuyết Ho và giá trị 0.5<KMO<1 có nghĩa là phân tích nhân tố là thích hợp.
Kết quả của kiểm định KMO Bartlett cho thấy trị số KMO đối với 35 biến quan sát của chất lượng dịch vụ đào tạo là KMO = .834, Sig. = .000 cho thấy giữa các biến có mối tương quan với nhau và cơ sở dữ liệu này hoàn toàn phù hợp, với mức ý nghĩa thống kê là 95%. Điều này cho thấy rằng, kỹ thuật phân tích nhân tố là hoàn toàn thích hợp, đủđiều kiện để tiến hành.
b. Phân tích ma trận xoay
Theo Hair (1998), hệ số tải nhân tố (factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố biểu diễn sự tương quan giữa các nhân tố và các biến. Những hệ số này lớn cho biết nhân tố và các biến có liên hệ chặt chẽ với nhau. Các hệ số này được dùng để giải thích các nhân tố nên hệ số tải nhân tố của các biến quan sát phải lớn hơn 0.5 được xem là có ý nghĩa. Vì vậy tác giả chọn “Suppress absolute values than” bằng 0.5 để đảm bảo được ý nghĩa thiết thực của EFA. Phương pháp phân tích nhân tố của nghiên cứu này là phân tích nhân tố chính (Principal Component Analysis) với điểm dừng khi trích các yếu tố có Eigenvalue lớn hơn 1. Điều này có nghĩa là chỉ những nhân tố được trích ra có giá trị Eigenvalue lớn hơn 1 mới được giữ trong mô hình phân tích. Phương pháp được chọn ở đây là phương pháp xoay nhân tố Varimax, xoay nguyên góc các nhân tốđể tối thiểu hóa số lượng các quan sát có hệ số lớn tại cùng một nhân tố. Vì vậy, sẽ tăng cường khả năng giải thích các nhân tố. Sau khi xoay ta cũng sẽ loại bỏ.Qua 3 lần sử dụng phép xoay nhân tố, cho kết quả hợp lệ với yêu cầu về giá trị của các nhân tố khi tiến hành phân tích nhân tố EFA.
Bảng Ma trận xoay các nhân tố EFA được giới thiệu tại Phụ lục 4
Sau khi xoay các nhân tố, ta thấy sự tập trung của các quan sát theo từng nhân tố khá rõ. Bảng kết quả phân tích cho thấy có 7 nhân tố được tạo ra có giá trị Eigenvalues là 1.017 lớn hơn 1.Và 7 nhân tố này giải thích được
71.812% biến thiên của dữ liệu. Kết quả phân tích nhân tố này cũng cho thấy từ 7 nhân tố với 34 biến quan sát thành 7 nhân tố với 26 biến quan sát. Vậy có 8 biến quan sát đã bị loại, đó là “Chất lượng bàn ghế trong phòng học”, “Giáo viên có kiến thức và kinh nghiệm chuyên môn giảng dạy”, “Giáo viên nhiệt tình, thân thiện, tích cực tương tác với học viên”, “Giáo viên giải đáp thỏa
đáng các thắc mắc của học viên”, “Chất lượng của trung tâm ngoại ngữ Thụy Sĩđúng như những gì tôi được giới thiệu”, “Nhìn chung tôi hoàn toàn yên tâm khi theo học tại trung tâm”, “Quy mô lớp học nhỏ giúp anh/chị có nhiều sự
tương tác hơn”, “Số lượng học viên đăng ký trong một lớp thấp”