CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
3.4. Phƣơng pháp xử lý dữ liệu điều tra
3.4.3. Phân tích EFA (Exploratory Factor Analysis)
Phƣơng pháp phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) giúp chúng ta đánh giá hai giá trị quan trọng cùa thang đo là giá trị hội tụ và giá trị phân biệt.
Trong phân tích EFA, chúng ta có hai ma trận quan trọng để xem xét khi đánh giá các thang đo, đó là ma trận các trọng số nhân tố (factor pattern matrix) và ma trận các hệ số tƣơng quan (factor structure matrix). Khi các nhân tố khơng có quan hệ với nhau thì trọng số nhân tố giữa một nhân tố và một biến đo lƣờng là hệ số tƣơng quan giữa hai biến đó. Trọng số nhân tố là tác động của khái niệm nghiên cứu vào biến đo lƣờng (Nguyễn Đình Thọ, 2011),
Theo Nguyễn Đình Thọ (2011), Tiêu chí Eigenvalue là một tiêu chí sử dụng phổ biến thƣờng xác định số lƣợng nhân tố trong phân tích EFA. Với tiêu chí này, số lƣợng nhân tổ đƣợc xác định ở nhân tố có eigenvalue tối thiểu bằng 1 (> 1).
Theo Nguyễn Đình Thọ (2011), “Để xác định sự phù hợp khi dùng EFA, có thể dùng kiểm định Bartlett (Bartlett’s test of sphericity) hoặc KMO (Kaiser-Meyer- Olkin measure of sampling adequacy). Để sử dụng EFA, KMO phải lớn hơn 0.50.
Qua phân tích nhân tố khám phá EFA sẽ loại bỏ các biến quan sát không đạt độ tin cậy, giá trị hội tụ và phân biệt; đồng thời tái cấu trúc các biến quan sát còn lại vào các yếu tố (thành phần đo lƣờng) phù hợp, đặt cơ sở cho việc hiệu chỉnh mơ hình nghiên cứu và các giả thuyết nghiên cứu, các nội dung phân tích tiếp theo.
Một số tiêu chuẩn mà các nhà nghiên cứu quan tâm trong phân tích EFA gồm: Hệ số KMO (Kaiser-Mayer-Olkin): Đây là một chỉ số dùng để xem xét sự thích hợp của EFA, phân tích nhân tố khám phá thích hợp khi hệ số KMO lớn hơn 0.5 (Nguyễn Đình Thọ, 2011).
Kiểm định Bartlett (Bartlett’s test of sphericity): Đại lƣợng Barlett là một đại lƣợng thống kê dùng để xem xét giả thuyết các biến có tƣơng quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (sig nhỏ hơn 0.05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể (Nguyễn Đình Thọ, 2011).
Chỉ số Eigenvalue: Đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mơ hình phân tích (Nguyễn Đình Thọ, 2011).
Phƣơng sai trích (Variance explained criteria): Tổng phƣơng sai trích phải lớn hơn hoặc bằng 50%. (Nguyễn Đình Thọ, 2011).
Hệ số tải nhân tố (Factor loading): Là hệ số tƣơng quan đơn giữa các biến và nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ chặt chẽ với nhau. Nếu biến quan sát nào có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại (Nguyễn Đình Thọ, 2011)
Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố lớn hơn 0.3 để tạo giá trị phân biệt giữa các nhân tố (Nguyễn Đình Thọ, 2011).