1. Bối cảnh nghiên cứu:
4.3. Phân tích nhân tố khám phá (EFA) tác động đến dự toán ngân sách của
các DNNVV:
Phƣơng pháp phân tích nhân tố khám phá (EFA) đƣợc sử dụng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu này, phƣơng pháp EFA dựa vào mối tƣơng quan giữa các biến với nhau để rút gọn thành những nhân tố có nghĩa hơn. Cụ thể, khi đƣa tất cả các biến thu thập đƣợc (33 biến – đã loại trừ biến CDCSNN5 và biến MT2) vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ đƣợc gom thành các nhóm biến có liên hệ để xem xét và trình bày dƣới dạng các nhân tố cơ bản tác động đến DTNS của các DNNVV.
Nghiên cứu tiến hành sử dụng phƣơng pháp trích hệ số Principal component với phép quay Varimax theo cách ấn định số nhân tố cần trích (Fixed number of factors) là 07 tại điểm dừng khi trích các yếu tố có Eigenvalue > 1. Thang đo nào có tổng phƣơng sai trích từ 50% trở lên là đƣợc chấp nhận (Gerbing & Anderson, 1988). Các biến có trọng số (Factor loading) nhỏ hơn 0.5 sẽ bị loại. Tại mỗi khái niệm có chênh lệch trọng số (Factor loading) lớn nhất và bất kỳ phải đạt ≥ 0.3 (Jabnoun & AL-Tamini, 2003). 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), điều này thể hiện phân tích nhân tố là thích hợp. Nếu hệ số KMO < 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Theo Kaiser (1974), KMO ≥ 0.9 là rất tốt; 0.9 > KMO ≥ 0.8 là tốt; 0.8 > KMO ≥ 0.7 là đƣợc; 0.7 > KMO ≥ 0.6 là tạm đƣợc, 0.6 > KMO ≥ 0.5 là xấu và KMO < 0.5 là không thể chấp nhận đƣợc (Hoàng Trọng và Mộng Ngọc, 2008).
Tác giả tiến hành phân tích nhân tố khám phá (EFA) theo từng bƣớc. Lần đầu thực hiện EFA, 33 biến đã nhóm lại thành 7 nhân tố. Sau 7 lần thực hiện phép quay, 7 nhóm chính thức đƣợc thiết lập.
