Theo cuốn Phân tích dữ liệu với SPSS năm 2008 của tác giả Hoàng Trọng và Chu Nguyễn Mộng Ngọc: “Phân tích nhân tố sử dụng chủ yếu là để thu nhỏ và tóm tắt các dữ liệu cụ thể là liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản. Hệ số KMO dùng để xem xét sự thích hợp cùa phân tích nhân tố. Trị số KMO lớn hơn 0,5 nhỏ hơn 1 là điều kiện để phân tích
nhân tố là thích hợp. Tiếp đến, xem xét nếu hệ số tương quan giữa các biến nhỏ, phân tích nhân tố có thể không thích hợp. Chúng ta có thể sử dụng Barlett’s Test of Sphericity để kiểm định giả thuyết Ho là các biến không có tương quan với nhau trong tổng thể. Khi đại lượng chi -square có giá trị càng lớn thì ta càng có nhiều khả năng bác bỏ giả thuyết Ho này.”
Theo Hair & ctg (1998,111), Multivariate Data Analysis, Prentice - Hall Internatonal: “Factor Loading - hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực cuả EFA, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố, hệ số này càng cao nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn. Nếu cỡ mẫu nghiên cứu khoảng 100 thì nên chọn hệ số tải nhân tố Factor Loading ở mức 0,55”. Do đó, tác giả đã chọn Factor Loading ở 0,55 và thu được bảng sau:
Phân tích nhân tố khám phá cho biến độc lập
Bartlett's Test of Sphericity
Approx. Chi-Square 1344.783
df 190
Component
1 2 3 4 5 6
DD1 .809
Nguồn: Phân tích số liệu SPSS của tác giả
Với hệ số KMO = 0.812 lớn hơn 0.5, phân tích nhân tố được coi là phù hợp với dữ liệu nghiên cứu.
Kết quả kiểm định Bartlett’s = 1344.783 có ý nghĩa thống kê với sig =0.000 < 0.5. Như vậy có sự tương quan với nhau giữa các biến quan sát, giả thuyết về mô hình các nhân tố không phù hợp sẽ bị bác bỏ. Cũng có nghĩa là dữ liệu dùng cho phân tích nhân tố là rất phù hợp.
DD4 .798 DD5 .718 DD2 .625 DD3 .578 HI2 .861 HI3 .834 HI1 .815 HI4 .804 AT3 .802 ATI .785 AT2 .777 AH1 .855 AH3 .851 AH2 .818 DK2 .819 DK1 .773 DK3 .655 CP1 .882 CP2 .881
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .688
Bartlett's Test of Sphericity Approx. Chi-Square 141.992
df 3
Sig. .000
Nguồn: Phân tích số liệu SPSS của tác giả
Xem xét bảng 5.2 phụ lục 5: Thấy tổng phương sai trích là 78.524% > 50% thể hiện phân tích nhân tố giải thích được 78.524% sự biến thiên của dữ liệu. Hệ số Eigenvalues của các nhân tố có giá trị lớn hơn 1 sẽ được giữ lại trong mô hình phân tích. Mọi điều kiện được thỏa mãn chứng tỏ ma trận xoay có ý nghĩa.
Kết quả thu được ở bảng ma trận nhân tố xoay thỏa mãn điều kiện các biến quan sát hội tụ về cùng một nhân tố, và các biến quan sát thuộc các nhân tố khác nhau thì phân biệt với nhau. Có 6 nhân tố hình thành từ giả thuyết ban đầu:
S Nhân tố HI: Nhận thức, cảm nhận sự hữu ích của dịch vụ.
S Nhân tố DD: Nhận thức cảm nhận dễ sử dụng và sự tự chủ.
S Nhân tố AH: Anh hưởng xã hội.
S Nhân tố AT: An toàn và bảo mật. S Nhân tố DK: Điều kiện thuận lợi.
S Nhân tố CP: Nhận thức về chi phí tài chính.
Phân tích nhân tố khám phá cho biến phụ thuộc
Component
1
QD2 .926
QD1 .862
QD3 .857
Nguồn: Phân tích số liệu SPSS của tác giả
Hệ số KMO = 0.688 > 0.5 do đó phân tích nhân tố được coi là thích hợp với dữ liệu nghiên cứu.
34
Kết quả kiểm định Bartlett’s = 141.992 với có ý nghĩa thống kê (sig = 0.000 <0.5) nghĩa là các biến quan sát có mối tương quan với nhau trong tổng thể. Như vậy, dữ liệu dùng để phân tích nhân tố biến phụ thuộc là hoàn toàn phù hợp.
Xem tiếp bảng 5.5, phụ lục 5: Kết quả cho phần trăm phương sai toàn bộ là 77.815% lớn hơn 50% đạt yêu cầu. Đồng thời điều này có nghĩa là cột nhân tố này thể hiện 77,815% độ biến thiên dữ liệu.
DD AH DK AT HI CP QD DD Pearson Correlation 1 Sig. (2- tailed)
Nguồn: Phân tích số liệu SPSS của tác giả
Kết quả thu được là biến phụ thuộc phù hợp để phân tích khi KMO lớn hơn 0.5, và các biến quan sát hội tụ về một nhân tố.