Để kiểm định mức độ tin cậy của thang đo, tác giả sẽ thực hiện kiểm định hệ số Cronbach’s Alpha. Kiểm định này giúp xác định xem các biến quan sát trong thang đo có thể hiện đúng nội dung cần kiểm định hay không và phản ánh mức độ đóng góp của các biến vào việc đo lường khái niệm nhân tố thông qua hệ số tương quan giữa biến tổng (Corrected Item - Total Correlation). Một biến đo lường đạt yêu cầu khi nó có hệ số tương quan biến tổng ≥ 0,3 (Nunnally & Bernstein, 1994). Hệ số Cronbach’s Alpha có giá trị biến thiên từ 0 đến 1 và mức tiêu chuẩn để chọn thang đo là giá trị hệ số Cronbach’s Alpha phải ≥ 0,6. Hệ số Cronbach’s Alpha biến thiên từ 0,7 đến gần bằng 0,8 thể hiện rằng thang đo lường sử dụng tốt. Thang đo sẽ đạt mức tin cậy cao khi hệ số Cronbach’s Alpha giao động trong khoảng từ 0,8 đến 0,95 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Tuy nhiên, nếu hệ số này quá lớn (>0,95) thì cho thấy nhiều biến trong thang đo không có khác biệt gì nhau. Hiện tượng này gọi là hiện tượng trùng lặp trong đo lường. Vậy nên từ kết quả phân tích hệ số Cronbach’s Alpha, tác giả sẽ có thể thực hiện việc loại bỏ bớt các biến có hệ số Cronbach’s Alpha < 0,3 và cân nhắc loại bỏ các biến có thể làm cho hệ số Cronbach’s
Alpha sau khi loại biến này sẽ lớn hơn hiện tại (Cronbach’s Alpha If Item Deleted)
3.4.2. Phân tích nhân tố khám phá EFA
Phân tích EFA là một bước rất quan trọng khi thực hiện phân tích dữ liệu định lượng, nhằm kiểm tra giá trị hội tụ - các biến quan sát hội tụ về cùng một nhân tố và
giá trị phân biệt - các biến quan sát thuộc về nhân tố này và phải phân biệt với nhân
tố khác của thang đo. Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau vì vậy phân tích nhân tố khám phá EFA giúp rút gọn 1 tập n biến quan sát thành 1 tập F (với F< n) các nhân tố có ý nghĩa hơn. Hay nói cách khác phân tích EFA giúp xem xét mối quan hệ giữa các biến ở tất cả các nhóm (các nhân tố) khác nhau nhằm phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu.
Các tiêu chí trong phân tích EFA là:
Hệ số KMO (Kaiser-Meyer-Olkin): là chỉ số được dùng để xem xét sự thích hợp
của phân tích nhân tố. KMO phải đạt từ khoảng 0,5 đến 1 thì khi đó phân tích nhân tố được xem là phù hợp.
Kiểm định Bartlett (Bartlett’s test of sphericity): Điều kiện cần để áp dụng được
phân tích nhân tố là các biến quan sát trong cùng một nhân tố phải có sự tương quan với nhau. Vì vậy kiểm định này được dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Nếu kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0,05) thì chứng minh được các biến quan sát có mối tương quan với nhau trong tổng thể.
Trị số Eigenvalue: là chỉ số đại diện cho lượng biến thiên được giải thích bởi
mỗi nhân tố. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Garson, 2002).
Tổng phương sai trích (Percentage of variance): Thể hiện phần trăm biến thiên
của các biến quan sát, nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm. Tiêu chí này yêu cầu tổng phương sai trích phải lớn hơn 50% để đảm bảo giải thích được phần lớn ý nghĩa của các biến quan sát (Gerbing và Anderson, 1988).
Hệ số tải nhân tố (Factor Loading): hay còn gọi là trọng số nhân tố. Giá trị này
biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Đây là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố càng cao nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Theo Hair và cộng sự (1988), hệ số tải nhân tố lớn hơn 0,3 được xem là đạt mức tối thiểu, lớn hơn 0,4 được xem là quan trọng và lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Trong bài nghiên cứu này, tác giả sẽ lấy mức hệ số tải nhân tố lớn hơn 0,5 làm tiêu chuẩn. Vậy nên các biến quan sát có hệ số tải nhân tố bé hơn 0,5 sẽ bị loại bỏ.