“Phương pháp phân tích nhân tố khám phá EFA dùng để rút gọn một tập hợp gồm k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn. EFA xem xét mối quan hệ giữa các biến ở tất cả các nhóm nhân tố, nhằm phát hiện những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố ngay từ đầu.
Các tiêu chí trong phân tích EFA:
- Hệ số KMO: Dùng để xem xét sự thích hợp của phân tích nhân tố.
+ 0,5 ≤ KMO ≤ 1: Phân tích nhân tố là phù hợp với tập dữ liệu nghiên cứu + KMO < 0,5: Phân tích nhân tố không phù hợp với tập dữ liệu nghiên cứu - Kiểm định Bartlett’s: Dùng để xem xét các biến quan sát trong nhân tố có
tương quan với nhau hay không.
+ Sig < 0,05: Các biến quan sát có tương quan với nhau trong nhân tố, tức là dữ liệu dùng để phân tích nhân tố là hoàn toàn thích hợp.
+ Sig ≥ 0,05: Các biến quan sát không có tương quan với nhau trong nhân tố, tức là kiểm định Bartlett’s không có ý nghĩa thống kê, không nên áp dụng phân
tích nhân tố cho các biến đang xem xét.
- Trị số Eigenvalue: Dùng để xác định số lượng nhân tố trong phân tích EFA. Nhân tố nào có trị số Eigenvalue > 1 thì được giữ lại trong mô hình phân tích, còn lại sẽ bị loại bỏ khỏi mô hình.
- Tổng phương sai trích (Total Variance Explained) ≥ 50% thì có thể kết luận mô hình EFA là phù hợp. Trị số tổng phương sai trích của một nhân tố cho biết nhân tố này giải thích được bao nhiêu phần trăm biến thiên của dữ liệu. - Hệ số tải nhân tố (Factor Loading) biểu thị mối quan hệ tương quan giữa biến
quan sát với nhân tố. Hệ số tải nhân tố càng cao thì tương quan giữa biến quan
sát đó với nhân tố càng lớn và ngược lại.
+ Factor Loading ở mức ± 0,5: Biến quan sát có ý nghĩa thống kê tốt
+ Factor Loading ở mức ± 0,7: Biến quan sát có ý nghĩa thống kê rất tốt Giá trị tiêu chuẩn của hệ số tải nhân tố cũng phụ thuộc vào kích thước mẫu. Thông thường, người ta lấy hệ số tải 0,5 làm mức tiêu chuẩn đối với cỡ mẫu từ 120 - 350, hệ số tải 0,3 đối với cỡ mẫu tù 350 trở lên.”
(Phân tích nhân tố khám phá EFA trong SPSS, 2018).