- Kiểm định ANOVA: Nếu Sig > 0.05 thì chưa đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm Nếu Sig ≤ 0.05 đủ điều kiện để khẳng định có sự khác biệt giữa
4.3. Kết quả phân tích nhân tố khám phá (EFA)
Theo Hair và cộng sự (2010), phân tích nhân tố là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát thành một nhóm để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung thông tin của biến ban đầu. Theo các tác giả này, trong phân tích EFA, chỉ số Factor Loading có giá trị lớn hơn 0,3 được xem là đạt được mức tối thiểu, lớn hơn 0,4 được xem là quan trọng và lớn hơn 0,5 được xem là có ý nghĩa thực tế. KMO (Kaiser-Meyer-Olkin) là chỉ số thể hiện mức độ phù hợp của phương pháp EFA, hệ số KMO nằm trong khoảng từ 0,5 đến 1 thì phân tích nhân tố được coi là phù hợp. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), kiểm định Bartlett (Bartlett’s test) xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu như kiểm định này có ý nghĩa thống kê, tức là Sig < 0,05 thì các quan sát có tương quan với nhau trong tổng thể - điều kiện cần để phân tích EFA.
Tóm lại, trong phân tích nhân tố khám phá cần phải đáp ứng các điều kiện sau: - Factor Loading > 0,5
- 0,5 < KMO < 1
- Kiểm định Bartlett có Sig < 0,05
- Phương sai trích Total Varicance Explained > 50% - Eigenvalue > 1
Mô hình nghiên cứu ban đầu có 9 nhóm nhân tố với 42 yếu tố kỳ vọng ảnh hưởng đến ý định mua trực tuyến của khách hàng. Toàn bộ 42 quan sát này được đưa vào phân tích nhân tố.
Phân tích nhân tố được thực hiện với phép trích Principle Component, sử dụng phép xoay Varimax, sử dụng phương pháp kiểm định KMO (Kaiser-Meyer- Olkin) và Bartlett để đo lường sự tương thích của mẫu khảo sát.