Kết quả phân tích hệ số Cronbach’s Alpha ở bảng 4.9 cho thấy dữ liệu của nghiên cứu này là đáng tin cậy và đủ điều kiện tiến hành phân tích nhân tố ở bước tiếp theo.
Phân tích nhân tố sẽ đánh giá mức độ hội tụ của các biến quan sát theo các thành phần.
Với giả thuyết H0 đặt ra cho nghiên cứu này là giữa 18 biến không có mối quan hệ với nhau. Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser – Meyer – Olkin) phải có giá trị lớn (0.5 < KMO < 1) thể hiện phân tích nhân tố là thích hợp, còn nếu KMO < 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Kaiser (1974) đề nghị KMO ≥ 0.9 rất tốt, KMO ≥ 0.8 tốt, KMO ≥ 0.7 được, KMO ≥ 0.6 tạm được, KMO ≥ 0.5 xấu và KMO < 0.5 là không chấp nhận được.
Bảng 4.10 : KMO và Bartlett’s Test
Hệ số KMO (Kaiser-Meyer-Olkin) .865
Mô hình kiểm tra của Bartlett
Hệ số Chi bình phương 1.937 E3
Df (Bậc tự do) 136
Sig ( giá trị P- value) .000
Nguồn: Phân tích dữ liệu SPSS v20 theo phụ lục 3
Từ bảng 4.10 cho thấy, giá trị KMO = 0,865 chứng tỏ dữ liệu phù hợp với nghiên cứu, Bartlett’s Test cho biết ma trận tương quan có phải là ma trận đồng nhất hay không, nếu là ma trận đồng nhất thì các biến quan sát không có mối quan hệ với nhau. Ở đây Sig. = 0,000 chứng tỏ các biến quan sát có mối quan hệ chặc chẽ với nhau và giả thuyết H0 bị bác bỏ, phân tích EFA phù hợp với nghiên cứu này.
Bảng 4.11: Xoay nhân tố Matrixa
Nhóm yếu tố 1 2 3 4 5 CL1 .815 CL3 .803 CL2 .794 CL4 .636 GT2 .768 GT1 .729 .283 GT4 .701 GT3 .677 .288 UT2 .834 UT3 .753 UT4 .297 .295 .693 UT5 .397 .578 LT1 .868 LT3 .769 LT2 .749 LT5 .872 LT4 .258 .760
Phương pháp trích: Principal Component Analysis. Phương pháp xoay: Varimax with Kaiser Normalization. Xoay hội tụ lặp lại 6 lần