5. Kết cấ uc ủa ñề tài nghiên cứu
2.6.3. Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá nhằm khám phá ra những nhân tố mới hay rút ngắn số biến quan sát ñể gom thành một số ít biến quan trọng nhất. Khi thực hiện phân tích nhân tố khám phá cần phải quan tâm ñến những tiêu chuẩn nhất ñịnh.
Phương pháp trích Principal Components với phép xoay Varimax.
Kiểm ñịnh Bartlett (Bartlett' test): có ý nghĩa thống kê, chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Hệ số tải nhân tố (Factor loading): Theo Hair & cộng sự (1998), hệ số
tải nhân tố là chỉ tiêu ñể ñảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố > 0,3 ñược xem là ñạt ñược mức tối thiểu, hệ số tải nhân tố > 0,4
ñược xem là quan trọng và hệ số tải nhân tố > 0,5 ñược xem là có ý nghĩa thực tiễn. Vì thế tác giả chọn những nhân tố có hệ số tải nhân tố >0,5 mới ñạt yêu cầu và có ý nghĩa thực tiễn.
Tổng phương sai trích: tổng phương sai trích ≥ 50% (Gerbing & Anderson, 1988).
Hệ số KMO (Kaisor Meyer Olkin): Trong phân tích nhân tố khám phá, trị số KMO là chỉ số dùng ñể xem xét sự thích hợp của phân tích nhân tố. Trị
số KMO dao ñộng từ 0,5 ñến 1, có nghĩa là phân tích nhân tố thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Trị số ñặc trưng (Eigenvalue): Ngoài ra, phân tích nhân tố còn dựa vào trị số ñặc trưng ñể xác ñịnh số lượng các nhân tố. Chỉ những nhân tố nào có trị số ñặc trưng lớn hơn 1 mới ñược giữ lại trong mô hình phân tích. ðại lượng trị số ñặc trưng ñại diện cho phần biến thiên ñược giải thích bởi mỗi nhân tố. Những nhân tố có trị số ñặc trưng nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc.