Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu rất có ích cho việc xác lập các tập hợp biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét dưới dạng một số các nhân tố cơ bản. Mỗi một biến quan sát sẽ được tính một chỉ số gọi là hệ số tải nhân tố (Factor Loading). Hệ số này cho người nghiên cứu biết được mỗi biến đo lường sẽ thuộc về nhân tố nào. Một số điều kiện mà các nhà nghiên cứu đưa ra trong phân tích nhân tố khám phá (EFA) như sau:
(1) Hệ số KMO (Kaiser-Mayer-Olkin) ≥ 0.5 và mức ý nghĩa kiểm định Bartlett ≤0.05: KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, phân tích EFA thích hợp khi 0.5 ≤ KMO ≤ 1, kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng 0 trong tổng thể, nếu kiểm định này có ý nghĩa thống kê (sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008)
(2) Hệ số tải nhân tố (factor loading) > 0.5, nếu biến quan sát nào có hệ số tải nhân tố < 0.5 sẽ bị loại: theo Hair & ctg (1988) hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA, hệ số tải nhân tố > 0.3 được xem là đạt mức tối thiểu, hệ số tải nhân tố > 0.4 được xem là quan trọng và hệ số tải nhân tố ≥ 0.5 được xem là có ý nghĩa thực tiễn. Nếu chọn tiêu chuẩn hệ số tải nhân tố > 0.3 thì cỡ mẫu nghiên cứu phải ít nhất là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn hệ số tải nhân tố > 0.55, nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải > 0.75
(3) Thang đo được chấp nhận khi tổng phương sai trích (cumulative) ≥ 50% (4) Hệ số eigenvalue > 1 (Gerbing và Anderson, 1998)
(5) Khác biệt hệ số tải nhân tố của 1 biến quan sát giữa các nhân tố ≥ 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003)
Các nhân tố ảnh hưởng đến Sự hài lòng được đưa vào phân tích nhân tố là: Hình ảnh doanh nghiệp, Giá cả sản phẩm dịch vụ, Sự hữu hình, Sự tin cậy, Sự cảm thông. Các nhân tố này có tổng cộng 21 biến quan sát. Phân tích EFA sẽ đánh giá lại mức độ hội tụ của các biến quan sát theo các thành phần.
Bảng 2.6 – Kiểm định KMO và Bartlett's trong phân tích nhân tố cho thấy hệ số KMO cao (bằng 0.902> 0.5) giá trị kiểm định Bartlett’s có mức ý nghĩa (Sig. =0.000 <0.05) cho thấy phân tích EFA rất thích hợp.
Bảng 2.6: Kiểm định KMO và Bartlett's của biến độc lập
Kaiser-Meyer-Olkin Measure of Sampling Adequacy .902
Bartlett's Test of Sphericity
Approx. Chi-Square 2.218E3
df 210
Sig. .000
Nguồn: Trích xuất từ SPSS
Tại các mức giá trị Eigenvalues lớn hơn 1 và với phương pháp rút trích Principal components và phép quay Varimax, phân tích nhân tố đã trích được 5 nhân tố từ 21 biến quan sát và với phương sai trích là 71.770% (lớn hơn 50%) đạt yêu cầu (Xem phụ lục 3 – Phân tích nhân tố). Với phương sai rút trích là 71.770% cho biết 5 nhân tố này giải thích được 71.770% biến thiên của toàn bộ dữ liệu. Kết quả phân tích nhân tố khám phá trong bảng 2.7 cho thấy tất cả 21 biến quan sát của 5 biến độc lập cũng phân tán thành 5 nhân tố. 5 nhân tố này không có sự chồng chéo giữa biến quan sát này với biến độc lập kia, các biến quan sát của mỗi biến độc lập đều hội tụ về 1 nhân tố. Điều này chứng tỏ các biến quan sát tương quan với nhau rất chặt chẻ trong tổng thể các biến độc lập.
Bảng 2.7: Ma trận xoay các nhân tố Component 1 2 3 4 5 HinhAnh1 .819 HinhAnh2 .877 HinhAnh3 .821 GiaCa1 .706 GiaCa2 .652 GiaCa3 .795 GiaCa4 .744 HuuHinh1 .787 HuuHinh2 .835 HuuHinh3 .734 HuuHinh4 .762
TinCay1 .759 TinCay2 .775 TinCay3 .718 TinCay4 .724 TinCay5 .784 CamThong1 .841 CamThong2 .752 CamThong3 .787 CamThong4 .708 CamThong5 .782 Nguồn: Trích xuất từ SPSS
Tiếp theo chúng ta sẽ phân tích nhân tố cho biến phụ thuộc là sự hài lòng. Bảng 2.8 cho thấy hệ số KMO cao (bằng 0.860> 0.5) giá trị kiểm định Bartlett’s có mức ý nghĩa (Sig. =0.000 <0.05) cho thấy phân tích EFA rất thích hợp. Phân tích EFA vẫn giữ nguyên 1 nhân tố gồm 5 biến quan sát. Phương sai trích là 61.667% thể hiện rằng nhân tố rút ra giải thích 61.667% biến thiên của dữ liệu. Do đó, thang đo rút ra là chấp nhận được (Xem phụ lục 3 – Phân tích nhân tố).
Bảng 2.8: Kiểm định KMO và Bartlett's của biến phụ thuộc
Kaiser-Meyer-Olkin Measure of Sampling Adequacy .860
Bartlett's Test of Sphericity Approx. Chi-Square 315.465 df 10 Sig. .000 Nguồn: Trích xuất từ SPSS
Như vậy, mô hình nghiên cứu chính thức có 5 biến độc lập là: Hình ảnh doanh nghiệp, Giá cả sản phẩm dịch vụ, Sự hữu hình, Sự tin cậy, Sự cảm thông. Các biến này tác động lên biến phụ thuộc Sự hài lòng. Mô hình nghiên cứu chính thức được thể hiện trong hình 2.2.
Các giả thuyết nghiên cứu chính thức:
H1: Hình ảnh doanh nghiệp càng nổi bật thì khách hàng càng hài lòng H2: Tính cạnh tranh về giá càng cao thì khách hàng càng hài lòng H3: Sự hữu hình càng tốt thì khách hàng càng hài lòng
H4: Sự tin cậy càng lớn thì khách hàng càng hài lòng H6: Sự cảm thông càng nhiều thì khách hàng càng hài lòng
Từ kết quả phân tích nhân tố khám phá trên ta tiến hành tính lại giá trị biến mới như sau:
HinhAnh = Mean (HinhAnh1, HinhAnh2, HinhAnh3) GiaCa = Mean (GiaCa1, GiaCa2, GiaCa3, GiaCa4)
HuuHinh= Mean (HuuHinh1, HuuHinh2, HuuHinh3, HuuHinh4) TinCay= Mean (TinCay1, TinCay2, TinCay3, TinCay4, TinCay5)
Sự cảm thông
Sự tin cậy Sự hữu hình
Giá cả sản phẩm dịch vụ Hình ảnh doanh nghiệp Sự hài lòng của khách hàng
CamThong = Mean (CamThong1, CamThong2, CamThong3, CamThong4, CamThong5)
HaiLong = Mean (HaiLong1, HaiLong2, HaiLong3, HaiLong4, HaiLong5) Phương trình mô hình tổng quát:
HaiLong=β0+β1.HinhAnh+β2.GiaCa+β3.HuuHinh+β4.TinCay+ β5.CamThong