6.1.2.1 Kiểm định độ tin cậy của thang đo
Độ tin cậy của thang đo trong đề tài này được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Sử dụng phương pháp hệ số tin cậy Cronbach Alpha
trước khi phân tích EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các yếu tố giả
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan giữa biến tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo (Nguyen, D. T., & Nguyen, T. M. T., 2009).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
Các loại biến quan sát có hệ thống tương quan biến tổng nhỏ (nhỏ hơn 0.3); tiêu chuẩn chọn thang đo có đội tin cậy Alpha lớn hơn 0.6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao).
Các mức giá trị của Alpha: lớn hơn 0.8 là thang đo lường tốt, từ 0.7 đến 0.8 là dùng được, từ 0.6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cành nghiên cứu (Nguyen, D. T., & Nguyen, T. M. T., 2009). Các biến có hệ số tương quan biến – tổng (item – total correlation) nhỏ hơn 0.3 được xem là biến rác sẽ bị loại bỏ và thang đo được chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu (Hoang, T. & Chu, N. M. N., 2005) và tiêu chuẩn chọn thang đo khi độ tin cậy Cronbach’s Alpha phải từ 0.7 trở lên.
Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá thang đo dựa theo tiêu chí: Chọn thang đo có độ tin cậy Cronbach’s Alpha lớn hơn 0.7 (các khái niệm trong nghiên cứu này là tương đối mới đối với đối tượng nghiên cứu khi tham gia trả lời).
Loại các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 (đây là những biến không đóng góp nhiều cho sự mô tả của khái niệm cần đo và nhiều nghiên cứu trước đây đã sử dụng tiêu chí này).
6.1.2.2 Phân tích nhân tố khám phá
Phân tích nhân tố khám phá EFA nhằm đánh giá giá trị hội tụ và giá trị phân biệt của các thang đo. Hai phương pháp chủ yếu trong phân tích nhân tố khám phá EFA là
phương pháp rút trích nhân tố (Principal compoents) và phương pháp xoay nhân tố (Varimax procedure). Dữ liệu được phân tích phải đáp ứng được những nhu cầu dưới đây:
KMO (Kaiser - Meyer - Olkin): Xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp. Điều kiện đủ để phân tích nhân tố khám phá là trị số KMO phải nằm trong khoảng từ 0.5 đến 1. Nếu như trị số này nhỏ hơn 0.5 thì có nghĩa việc phân tích nhân tố có thể không phù hợp với dữ liệu mà nhóm tác giả đang khảo sát (Hoang, T., & Chu, N. M. N., 2008).
Hệ số tải nhân tố (Factor Loading): (Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C., 1998) , hệ số này là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
Factor loading > 0.3 được xem là đạt mức tối thiểu Factor loading > 0.4 được xem là quan trọng Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Ngoài ra, trường hợp các biến số có Factor loading được trích dẫn vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận < 0.3), tức không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó cũng bị loại và các biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Tuy nhiên, cũng như trong phân tích nhân tố phân tích Cronbach’s Alpha, việc loại bỏ hay không một biến quan sát không chỉ đơn thuần nhìn vào con số thống kê mà còn phải xem xét giá trị nội dung của biến đó. Trường hợp biến có trọng số Factor loading thấp hoặc được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ nhưng có đóng góp quan trọng vào giá trị nội dung của khái niệm mà nó đo lường thì không nhất thiết phải loại bỏ biến đó (Nguyen, D. T., & Nguyen, T. M. T., 2009).
Trong nghiên cứu này, mẫu nghiên cứu có kích thước n = 420, khi xử lý EFA nhóm tác giả dụng phương pháp trích Principal components với phép xoay Varimax, loại bỏ các biến có giá trị Factor loading ≤ 0.5 hoặc trích vào các nhân tố khác mà chênh lệch trọng số Factor loading giữa các nhân tố ≤ 0.3.
Tổng phương sai trích: Dùng để thể hiện sự biến thiên được giải thích bởi các nhân tố, các thang đo sẽ được chấp nhận khi tổng phương sai trích lớn hơn 50%. Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: Hệ số tải nhân tố (Factor loading ) > 0.5, 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser - Meyer - Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố, trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp. Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể. Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm.
Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalua (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm và bao nhiêu phần trăm bị thất thoát). Các nhân tố có Eigenvalua < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Eigenvalua ≥ 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Tuy nhiên, trị số Eigenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay nhân tố (Gerbing, D. W., & Anderson, J. C., 1988) . Nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phương pháp trích Principal components với phép xoay Varimax (Nguyen, V. K., 2018)