Sau khi loại bỏ các biến khơng 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)
3 5 3 Phân tích tương quan
Các thang đo được đánh giá đạt u cầu đưa vào phân tích tương quan Pearson (vì các biến được đo bằng thang đo khoảng) và phân tích hồi quy để kiểm định các giả thuyết Phân tích tương quan được thực hiện giữa biến phụ thuộc và các biến độc
lập nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp Phân tích tương quan cịn giúp cho việc phát hiện những mối tương quan chặt chẽ giữa các biến độc lập, vì những tương quan như vậy sẽ gây ra hiện tượng đa cộng tuyến, ảnh hưởng lớn đến kết quả hồi quy (Hair và cộng sự, 2010)
3 5 4 Phân tích hồi quy bội
Để kiểm định mức độ phù hợp của phương tr nh hồi quy, ta dùng hệ số xác định R bình phương Hệ số này biểu thị phần trăm giải thích cho biến phụ thuộc bởi biến độc lập vì vậy nó dao động từ 0 đến 1, hệ số này càng gần 1 thì mức độ giải thích càng cao và giá trị dự báo của mơ hình càng tốt Tuy nhiên mơ hình càng nhiều biến độc lập thị giá trị R bình phương càng cao dù biến đó khơng có ý nghĩa (Hair và cộng sự, 2006) Do vậy, để kiểm tra độ phù hợp của mô h nh nghiên cứu này sử dụng hệ số xác định R bình phương điều chỉnh Kiểm nghiệm mức ý nghĩa của R bình phương dùng F- test, kiểm nghiệm mức ý nghĩa của các hệ số hồi quy dựa vào t – test Để kiểm nghiệm giả thuyết đưa ra, ta xét xem có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập thông qua phương pháp hồi quy nhập biến từng bước “Stepwise” và kiểm tra hiện tượng đa cộng tuyến Vì nếu xảy ra hiện tượng đa cộng tuyến sẽ làm giảm giá trị R bình phương, làm xáo trộn việc tính tốn hệ số hồi quy, làm sai dấu hệ số hồi quy Hiện tượng đa cộng tuyến được xác định trực tiếp dựa vào hệ số Tolerance, hệ số này cho biết phần trăm biến độc lập này khơng được giải thích bởi biến độc lập khác Nghịch đảo hệ số này cho ra hệ số phóng đại phương sai VIF, hệ số VIF bằng 1 cho biết khơng có hiện tượng đa cộng tuyến, nếu hệ số này từ 2 trở lên cho biết 50% biến độc lập này được giải thích bởi biến độc lập khác (1- 1/0,5= 0,5) Nghiên cứu này cũng thực hiện hồi quy bội theo phương pháp Stepwise: chọn biến độc lập từng bước và xem xét các kết quả thống kê liên quan đến các biến được đưa vào trong mơ hình:
1 Kiểm định các giả thuyết, sử dụng với phần mềm SPSS
2 Đánh giá và kiểm định độ phù hợp của mơ hình hồi quy bội: R bình phương, R bình phương hiệu chỉnh và giá trị thống kê F để đánh giá và kiểm định độ phù hợp của mơ hình hồi quy
3 Kiểm định giả thuyết về phân phối chuẩn của phần dư dựa theo biểu đồ tần số của phần được chuẩn hoá, xem giá trị trung b nh bằng 0 và độ lệch chuẩn bằng 1
4 Kiểm định giả thuyết về độ phù hợp của mơ hình
5 Kiểm định hiện tượng đa cộng tuyến thơng qua giá trị dung sai (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor) Nếu VIF>5 thì có hiện tượng đa cộng tuyến (Hair và cộng sự, 2010)
6 Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy của từng biến để đánh giá tác động thuận/nghịch của từng biến độc lập đối với biến phụ thuộc trong từng mơ hình hồi quy
Trong nghiên cứu này, tác giả sẽ phân tích hồi quy mơ hình tác động của 06 biến độc lập: Thái độ phục vụ, Cảm nhận giá điện, Tiếp thu ý kiến khách hàng, Cung cấp thông tin đến khách hàng, Dịch vụ thanh toán tiền điện, Thời gian cung cấp điện đến biến phụ thuộc Sự hài lòng của khách hàng sử dụng dịch vụ cung cấp điện tại Công ty Điện lực Đồng Nai