Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến rất lớn, và trong số đó, có rất nhiều biến quan sát có sự liên hệ tương quan với nhau. Chẳng hạn như: Chúng ta có một đối tượng gồm có 20 đặc điểm cần nghiên cứu. Thay vì đi nghiên cứu từng đặc điểm một, chúng ta sẽ gộp chúng thành 4 đặc điểm lớn, bên trong 4 đặc điểm lớn bao gồm 5 đặc điểm nhỏ có sự tương quan lẫn nhau. Cách làm này sẽ giúp tiết kiệm thời gian và kinh phí cho nghiên cứu đồng thời vẫn không làm thay đổi kết quả. Từ đó, sự ra đời của 37
một phương pháp định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lần nhau thành một tập các nhân tố (các biến) có ý nghĩa hơn. Được gọi là phân tích
nhân tố khám phá - (Exploratory Factor Analysis), gọi tắt là EFA. Ứng dụng phân tích nhân tố EFA
Phân tích nhân tố khám phá EFA thường được sử dụng nhiều trong các lĩnh vực về kinh tế, quản trị, xã hội học, tâm lý…
Trong nghiên cứu xã hội, phân tích EFA thường được dùng trong quá trình xây dựng thang đo (scale) nhằm kiểm tra tính đơn khía cạnh của thang đo và đo lường các khía cạnh khác nhau của khái niệm nghiên cứu.
Hệ số Factor Loading: Được định nghĩa là là trọng số nhân tố hay hệ số tải nhân tố. Là
chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Trong đó:
Nếu 0.3 <=Factor loading <=0.4 được xem là biến quan sát có ý nghĩa thống kê đạt được mức tối thiểu
Nếu Factor loading >= 0.5 được xem là biến quan sát có ý nghĩa thực tiễn Nếu Factor loading >= 0.7: Biến quan sát có ý nghĩa thống kê rất tốt
Hệ số KMO (Kaiser – Meyer - Olkin): Là chỉ số dùng để đánh giá sự thích hợp của phân
tích nhân tố, cụ thể là so sánh độ lớn của hệ số tương quan giữa 2 biến với hệ số tương quan riêng phần của chúng. Trị số của KMO được đánh giá như sau:
● KMO <0. 50: Không đạt ● 0.50 <= KMO <0. 60: Xấu ● 0.60 <= KMO <0. 70: Tạm được ● 0.70 <= KMO <0. 80: Đạt ● 0.80 <= KMO < 0.90: Tốt ● 0.90 >= KMO: Rất tốt
=> Để sử dụng EFA, thì KMO phải lớn hơn 0.50.
Kiểm định Bartlett (Bartlett’s test of sphericity): Dùng để xem xét sự tương quan giữa các biến quan sát trong nhân tố. Nếu phép kiểm định Bartlett có ý nghĩa thống kê Sig Bartlett’s Test < 0.05 (p<5%), chứng tỏ các biến quan sát có tương quan với nhau. Chúng ta có thể từ chối giả thuyết Ho (ma trận tương quan là ma trận đơn vị).
Trị số Eigenvalue: Tiêu chí để xác định tổng số lượng nhân tố trong EFA. Chỉ những nhân tố nào có trị số Eigenvalue >= 1 mới được giữ lại trong mô hình phân tích nhân tố khám phá.
Total Variance Explained: Trị số này thể hiện các nhân tố cô đọng được bao nhiêu phần trăm và thất thoát bao nhiêu phần trăm biến quan sát dựa trên mức đánh giá 100%. Trị số này nên ở mức >= 50% thì mô hình EFA là phù hợp.