- Phương pháp này dùng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu, chúng ta thu thập được lượng biến khá lớn nhưng các biến có liên hệ với nhau nên chúng ta gom chúng thành các nhóm biến có liên hệ để xem xét và trình bày dưới dạng một số ít nhân tố cơ bản có tác động đến mức độ hài lòng của khách hàng.
- Điều kiện của các tham số thống kê khi thực hiện phân tích nhân tố bao gồm: 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 xem xét giả thuyết H : độ tương quan giữa các
biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể
- Chỉ số Eigenvalue: đại diện cho lượng biến thiên được giải thích bởi nhân tố. Do mỗi biến riêng biệt có Eigenvalue là 1 nên chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được xem là có ý nghĩa và được giữ lại.
- Chỉ số phần trăm phương sai trích (Percentage of Variance Criterion): đại diện cho phần trăm lượng biến thiên được giải thích bởi các nhân tố. Tổng phương sai trích của tất cả các nhân tố phải lớn hơn 50% thì phân tích nhân tố mới đảm bảo giải thích được hầu hết ý nghĩa của các biến quan sát.
- Trọng số nhân tố (factor loading): hệ số tương quan giữa mỗi biến quan sát và nhân tố, trong đó biến có trọng số nhân tố cao hơn sẽ mang ý nghĩa đại diện cao cho nhân tố. Tiêu chuẩn chọn thang đo là các biến quan sát có trọng số nhân tố ≥ 0.5 (Hair & ctg, 2006), vì vậy các biến có trọng số nhân tố < 0.5 sẽ bị loại và mỗi lần chỉ loại một biến. Biến bị loại theo nguyên tắc dựa trên trọng số nhân tố lớn nhất của từng biến quan sát không đạt, biến nào có trọng số nhân tố này không đạt nhất sẽ bị loại trước và sau đó tiến hành chạy phân tích nhân tố với các biến còn lại.
- Phương pháp trích nhân tố Principle Component với phép quay vuông góc Varimax sẽ được sử dụng. Với phép quay Varimax, các biến sẽ có trọng số nhân tố rất cao hoặc rất thấp lên một nhân tố nào đó. Do đó, Varimax giúp phân biệt rõ hơn giữa các nhân tố và tăng cường khả năng giải thích nhân tố.
- Mô hình nhân tố được chọn là mô hình đáp ứng các điều kiện: KMO ≥ 0.5; giá trị Eigenvalue >1; tổng phương sai trích >50%; trọng số nhân tố ≥ 0.5. Các nhân tố được hình thành trong phân tích EFA thỏa mãn các điều kiện trên sẽ được sử dụng trong các bước tiếp theo như phân tích hồi quy.
- Thang đo sự hài lòng (HL) sẽ được phân tích EFA riêng biệt. Điều kiện để thang đo của các khái niệm đạt yêu cầu cũng tương tự như trên (KMO ≥ 0.5; giá trị Eigenvalue >1; tổng phương sai trích >50%; trọng số nhân tố ≥ 0.5). Các nhân tố sẽ được lưu lại thành các biến mới với các nhân số được tính như sau:
Trong đó: βik: Hệ số nhân tố của biến quan sát thứ k trong nhân tố i (hệ số này được trình bày trong ma trận hệ số nhân tố); Fk: giá trị của biến quan sát đó. Các biến mới này sẽ được sử dụng thay cho tập hợp biến gốc để đưa vào phân tích hồi quy, kiểm định mô hình nghiên cứu và các giả thuyết.
- Cách thực hiện:
Bước 1: Vào menu Analyze Data Reduction Factor
Bước 2: Xuất hiện hộp thoại Factor Analysis. Chọn tất cả các biến cần gom nhóm vào ô Variables
Bước 3: Click chọn ô Descriptive xuất hiện hộp thoại Factor Analysis: Descriptives. Click chọn vào KMO and Bartlett's Test of sphericity Chọn continue
Bước 4: Click chọn ô Extraction xuất hiện hộp thoại Factor Analysis: Extraction. Click chọn Principle Component Chọn continue
Bước 5: Click chọn ô Rotation xuất hiện hộp thoại Factor Analysis: Rotation. Click chọn Varimax Chọn continue
Bước 6: Click chọn ô Scores xuất hiện hộp thoại Factor Analysis: Factor Scores. Click chọn Save as Variables Chọn continue
Bước 7: Click chọn ô Options xuất hiện hộp thoại Factor Analysis: Options. Click chọn
Sorted by size
Suppress absolute values less than : 0.5 Chọn continue
Bước 8: Nhấn ok