CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.2.2.1. Kiểm định thang đo, phân tích nhân tố khám phá
a. Thống kê mô tả
- Dữ liệu sau khi được mã hóa và hiệu chỉnh sẽ được đưa vào mô tả các thuộc tính của nhóm mẫu khảo sát như: giới tính, độ tuổi, trình độ học vấn, thu nhập.
- Sử dụng hệ số Cronbach alpha để kiểm tra độ tin cậy của các biến quan sát trong tập dữ liệu theo từng nhóm yếu tố trong mô hình.
b. Kiểm định thang đo
- Nội dung: độ tin cậy của thang đo thường được đánh giá bằng phương pháp nhất quán nội tại qua hệ số tin cậy Cronbach alpha. Hệ số Cronbach alpha là một phép kiểm định thống kê về mức độ chặt chẽ và tương quan giữa các biến quan sát trong thang đo. Điều này liên quan đến hai khía cạnh là tương quan giữa các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời. Phương pháp này cho phép người phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu. Theo đó, những biến có Hệ số tương quan biến tổng phù hợp (Corrected Item-Total Correlation) lớn hơn 0,3
và có Hệ số alpha lớn hơn 0,6 mới được xem là chấp nhận được và thích hợp đưa vào phân tích những bước tiếp theo (Nunnally,1978; Peterson,1994; Slater,1995). Thông thường, thang đo có Cronbach alpha từ 0,7 đến 0,8 là sử dụng được. Cũng theo nhiều nhà nghiên cứu, nếu Cronbach alpha đạt từ 0,8 trở lên đến gần 1 thì thang đo lường là tốt và mức độ tương quan sẽ càng cao hơn. Các biến quan sát không bị loại sẽ được tiếp tục đưa vào Phân tích nhân tố khám phá.
- Mục đích: kiểm định xem các biến quan sát có cùng giải thích cho 1 khái niệm (yếu tố) cần đo hay không. Muốn biết biến nào đóng góp nhiều hay ít thì quan sát hệ số tương quan biến tổng.
- Điều kiện thỏa mãn yêu cầu trong Kiểm định thang đo:
+ Các biến quan sát có tương quan biến tổng lớn hơn 0,3 (> 0,3). + Hệ số tin cậy Cronbach alpha:
Công thức của hệ số Cronbach alpha là α = Np/[1 + p(N – 1)]. Theo Nunnally & Burnstein (1994): đạt yêu cầu khi hệ số ≥ 0,6).
c. Phân tích nhân tố khám phá
- Nội dung: theo Hair (1998) phương pháp phân tích nhân tố khám phá (EFA) được dùng để rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn, để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung ban đầu. Phân tích nhân tố 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 được xem xét dưới dạng một số các yếu tố cơ bản. Mỗi một biến quan sát sẽ được tính một tỷ số, được gọi là Hệ số tải nhân tố (factor loadings). Hệ số này cho người nghiên cứu biết mỗi biến đo lường sẽ “thuộc về” những yếu tố nào. Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser-Meyer-Olkin) phải có giá trị lớn hơn 0,5 (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. Ngoài ra, Hệ số tải nhân tố của từng biến quan sát phải có giá trị lớn hơn 0,5 (Hair, 1998) và tổng phương sai
dùng để giải thích bởi từng yếu tố lớn hơn 50% mới thỏa yêu cầu của phân tích nhân tố (Gerbing & Anderson, 1988).
- Yếu tố: các yếu tố đặc trưng có tương quan với nhau và với các yếu tố chung. Bản thân các yếu tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fi = Wi1X1 + Wi2X2 + Wi3X3 + … + WikXk - Trong đó:
Fi : ước lượng trị số của yếu tố thứ i (biến độc lập thứ i). Wi : quyền số hay trọng số yếu tố
Xi : biến quan sát thứ i.
k : số biến quan sát thuộc yếu tố thứ i.
- Điều kiện thỏa mãn yêu cầu trong phân tích nhân tố:
+ Hệ số KMO phải có giá trị lớn (giữa 0,5 và 1) và mức ý nghĩa của kiểm định Bartlett ≤ 0.05
+ Hệ số tải nhân tố (Factor loadings) > 0,5
+ Thang đo được chấp nhận khi tổng phương sai trích ≥ 50% và thông số Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) có giá trị lớn hơn 1.