Hệ số Cronbach Alpha được sử dụng để kiểm tra độ tin cậy từng thành phần của thang đo khả năng vận dụng giá trị hợp lý vào công tác kế toán tại các doanh nghiệp trên địa bàn Tp.HCM. Phương pháp này cho phép người phân tích loại bỏ những biến không phù hợp và hạn chế biến rác trong mô hình nghiên cứu vì nếu không chúng ta không thể biết được chính xác độ biến thiên cũng như độ lỗi của các biến. Theo đó, chỉ những biến có hệ số tương quan tổng biến phù hợp (Corrected Item – Total Correlation) lớn hơn 0.3 và có hệ số Cronbach’s Alpha từ 0.6 trở lên mới được xem là chấp nhận được và thích hợp đưa vào phân tích những bước tiếp theo (Nunnally & Burnstein, 1994).
Tiếp theo toàn bộ các biến quan sát có ý nghĩa và đạt được độ tin cậy nhất định sẽ được đưa vào phân tích EFA để khám phá cấu trúc thang đo các thành phần ảnh hưởng đến khả năng vận dụng giá trị hợp lý vào công tác kế toán tại các doanh nghiệp trên địa bàn Tp.HCM. Kỹ thuật phân tích EFA là tên chung của một nhóm thủ tục được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến. Trong nghiên cứu này, phân tích yếu tố được ứng dụng để tóm tắt tập các biến quan sát vào một số yếu tố nhất định đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích EFA bao gồm:
+ Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤1 và sig < 0,05. Trường hợp KMO < 0,5 thì phân tích yếu tố có khả năng không thích hợp với dữ liệu.
+ Tiêu chuẩn rút trích yếu tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các yếu tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích yếu tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các yếu tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các yếu tố chỉ được rút trích tại Eigenvalue >1 và được chấp nhận khi tổng phương sai trích ≥50%.
+ Tiêu chuẩn hệ số tải yếu tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các yếu tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và cộng sự (1998), Factor loading > 0,3 được xem là đạt mức tối thiểu; Factor loading>0,4 được xem là quan trọng; Factor loading>0,5 được xem là có ý nghĩa thực tiễn. Trường hợp chọn tiêu chuẩn Factor loading>0,3 thì cỡ mẫu ít nhất phải là 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading>0,5; nếu cỡ mẫu khoảng 50 thì Factor loading>0,75. Ngoại lệ, có thể giữ lại biến có Factor loading < 0,3; nhưng biến đó phải có giá trị nội dung. Trường hợp các biến có Factor loading không thỏa mãn điều kiện trên hoặc trích vào các yếu tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận ≤0,3) tức không tạo nên sự khác biệt để đại diện cho một yếu tố, thì biến đó bị loại và các biến còn lại sẽ được nhóm vào yếu tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Sau khi phân tích yếu tố khám phá (EFA), nghiên cứu sẽ thực hiện kiểm định các giả thuyết được đưa ra thông qua kiểm định tương quan và hồi quy bội. Trong hồi quy bội hình có ý nghĩa càng cao khi R2 đã điều chỉnh càng tiến gần 1 (0<Adjusted R2<1), các yếu tố đưa vào phải có mức ý nghĩa sig < 0,05 và giữa các biến hoàn toàn