Sau khi kiểm định độ tin cậy của thang đo, tiếp tục tiến hành phân tích nhân tố để xem xét giá trị hội tụ và giá trị phân biệt của thang đo các khái niệm, lấy đó làm cơ sở để rút trích ra các yếu tố để tiến hành phân tích hồi quy.
Phân tích nhân tố khám phá EFA ( Exploratory Factor Analysis): Phân tích nhân tố khám phá dùng để rút gọn một tập hợp biến x quan sát thành một tập F (với F<x) các nhân tố có ý nghĩa hơn (Hair & ctg., 1998). Ở nghiên cứu này, phân tích nhân tố khám phá sẽ trả lời câu hỏi liệu các biến quan sát dùng để xem xét sự tác động của các yếu tố độc lập lên Sự hài lòng của khách hàng khi sử dụng E-banking tại Agribank CN Đông Sài Gòn có sự tương quan với nhau không và chúng có thể gom lại thành một số nhóm yếu tố ít hơn để xem xét không. Đối với những biến không đảm bảo độ tin cậy sẽ bị loại
khỏi thang đo.
Các tiêu chí đánh giá kết quả trong phân tích EFA như sau:
■ Hệ số tải nhân tố (Factor loading): Theo Hair & ctg. (1998), hệ số này là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Các giá trị thông số này cụ thể như sau:
- Factor loading > 0,3: được xem là đạt mức tối thiểu. 47
- Factor loading> 0,5: được xem là có ý nghĩa thực tiễn Theo Hair & ctg., (1998) đã đưa ra lời khuyên rằng:
- Neu chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất ≥ 350 mẫu - Nếu chọn tiêu chuẩn Fator loading > 0,5, thì cỡ mẫu ít nhất ≥ 100 mẫu - Nếu chọn tiêu chuẩn Factor loading > 0,7, thì cỡ mẫu ít nhất ≥ 50 mẫu
■ Hệ số KMO (Kaiser - Meyer - Olkin): là các chỉ số được sử dụng để kiểm tra
sự
phù hợp phân tích nhân tố. Giá trị KMO là 0,5 ≤ KMO ≤ 1 thì nhân tố đó phân tích
là thích hợp. Đồng thời, kiểm định Bartlett có ý nghĩa thống kê (p-value ≤ 0,05) thì
các biến quan sát có tương quan với nhau trong tổng thể. (Howard, 2016)
■ Tổng phương sai trích (Total Varicance Explained): Tổng phương sai trích
phải
lớn hơn hoặc bằng 50%. Hệ số này thể hiện nhân tố trích được bao nhiêu phần trăm
của các biến đo lường, tổng này đạt từ 50% tức là phần chung phải lớn hơn phần riêng
và sai số (Howard, 2016)
■ Hệ số Eigenvaue: là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố
EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được
giữ lại
trong mô hình phân tích (Garson, 2003).