3.5 Quy trình phân tích dữ liệu nghiên cứu
3.5.2 Phân tích nhân tố khám phá (EFA Explore Factor Analysis)
Sau khi loại bỏ các biến không đảm bảo độ tin cậy, phương pháp phân tích nhân tố EFA được sử dụng để xác định độ giá trị hội tụ (Convergent validity), độ giá trị phân biệt (discriminant validity), và đồng thời thu gọn các tham số ước lượng theo từng nhóm biến. Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. Việc phân tích nhân tố dựa trên một số quy ước sau
Hệ số tải nhân tố (Factor loading) là hệ số tương quan đơn giữa các biến và 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 được mức tối thiểu, hệ số tải nhân tố > 0,4 được xem là quan trọng, > 0,5 được xem là có ý nghĩa thực tiễn. Nếu chọn tiêu chuẩn hệ số tải nhân tố > 0,3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu khoảng 100 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. Cho nên, nếu biến quan sát nào có hệ số tải nhân tố < 0,55 sẽ bị loại.
- Giá trị KMO (Kaiser-Meyer-Olkin) được dùng để đo lường sự phù hợp của mẫu nghiên cứu và cho biết độ lớn của mối tương quan giữa các biến quan sát. Hệ số KMO lớn hơn 0,8 nói lên các biến được dùng để phân tích có độ tương quan cao và chấp nhận được ở mức 0,5 trở lên. Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) nhấn mạnh rằng, khi xem xét giá trị KMO nếu 0,5<KMO<1 thì phân tích nhân tố là thích hợp với dữ liệu; ngược lại KMO<0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu. Nếu giá trị KMO>0,95 sẽ có biến thừa. Mức ý nghĩa thống kê Bartlett’s test of sphericity cho biết giữa các biến tồn tại mối tương quan, giá trị này nhỏ hơn 0,05 chỉ ra mối tương quan này đủ để tiến hành phân tích nhân tố.
- Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
- Giá trị Eigenvalue dùng để đo độ phù hợp của nhân tố ẩn, nó cho biết phương sai tính cho một nhân tố, do vậy điều kiện dừng để quyết định số nhân tố dựa trên Eigenvalue từ 1 trở lên hoặc tổng phương sai trích của các nhân tố đạt 60% trở lên đối với các nghiên cứu về xã hội. EFA sử dụng phương pháp Principle Axis Factoring với phép quay Varimax và điểm dừng khi trích các yếu tố có
eigenvalue là 1.
- Khác biệt về hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,30 để đảm bảo giá trị phân biệt giữa các nhân tố.
Trong nghiên cứu này, mô h nh nhân tố được chọn là mơ hình gồm các nhân tố thoả điều kiện KMO>0,5, sig<0,05, Eigenvalues>1, tổng phương sai trích>60%, các biến có hệ số tải nhân tố>0,5 (Hair và cộng sự, 2010).