Phân tích nhân tố khám phá EFA là một phương thức dùng để rút gọn một tập hợp có rất nhiều biến quan sát (K) thành một nhân tố mới (F) có số lượng nhỏ hơn (với F < K) các các nhân tố có ý nghĩa ban đầu, các nhân tố sau khi đã đánh giá bằng hệ số tin cậy Cronbach’s Alpha. Nhân tố mới (F) vẫn bao hàm tất cả nội dung, dữ liệu và ý nghĩa thống kê của một tập biến quan sát lúc đầu.
Trong quá trình phân tích nhân tố khám phá EFA, đề tài phân tích chọn lọc một vài yếu tố có ảnh hưởng lớn đến sự quan tâm của nhân viên văn phòng đối với thương hiệu điện thoại di động Samsung và có dạng mô hình như sau:
Fi = WilX1 + wi2x2 + Wi3X3 + ... + WikXk
Trong đó:
Fi : ước lượng trị số của nhân tố thứ i Wi : Trọng số nhân tố
Xi : Biến quan sát k: Số biến quan sát
Để xem xét nhân tố khám phá EFA có phù hợp hay không thì cần phải thoả mãn được các tiêu chí dữ liệu sau đây:
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ tiêu dùng để xem xét sự thích hợp của phân tích nhân tố khám phá EFA. Giá trị mà hệ số KMO cần phải đạt tối thiểu 0.5 và sẽ nằm trong khoảng (0.5 ≤ KMO ≤ 1) thì mới được xem là đủ điều kiện
38
để phân tích nhân tố khám phá EFA là phù hợp. Neu giá trị mà hệ số KMO nhỏ hơn 0.5 thì nhân tố có khả năng được cho là không phù hợp với tập dữ liệu nghiên cứu.
Kiểm định Bartlett (Bartlett’s Test of Sphericity) được dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không, hay nói các khác là xem giả thuyết HO có các biến không có tương quan với nhau trong tổng thể. Điều kiện để áp dụng phân tích EFA là các biến quan sát phải phản ánh những khía cạnh khác nhau của cùng một nhân tố có mối tương quan lẫn nhau. Nếu kiểm định Bartlett’s Test có ý nghĩa thống kê (Sig. ≤ 0.05) chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố, bác bỏ giả thuyết HO và ngược lại.
Chỉ số Eigenvalue là chỉ số nhằm các định số lượng nhân tố trong phân tích nhân tố khám phá EFA. Do mỗi biến riêng biệt đều có giá trị Eigenvalue là 1 nên chỉ những nhân tố có Eigenvalue ≥ 1 mới được xem là có ý nghĩa và được giữ lại trong mô hình phân tích.
Chỉ số tổng phương sai trích (Total Variance Explained) của tất cả các nhân tố phải lớn hơn 50% thì phân tích nhân tố mới đảm bảo giải thích được hầu hết ý nghĩa của các biến quan sát. Chỉ số này đại diện cho phần trăm lượng biến thiên là 100% thì giá trị các biến phân tích nhân tố EFA được trích cô đọng lại được bao nhiêu
phần trăm và bị thất thoát bao nhiêu phần trăm đối với các biến quan sát.
Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, biểu thị mối quan hệ tương quan giữa mỗi biến quan sát và nhân tố. Nếu hệ số Factor Loading
càng cao thì sự tương quan giữa các biến quan sát với nhân tố càng lớn và ngược lại. Theo Hair và cộng sự (2009) đưa ra các độ hệ số Factor Loading như sau: - Factor Loading = ± 0.3 : được xem là điều kiện tối thiểu để giữ lại
(n>350)
- Factor Loading =± 0.5 : biến quan sát có ý nghĩa thống kê tốt - Factor Loading =± 0.7 : biến quan sát có ý nghĩa thống kê rất tốt
Theo Anderson & Gerbing (1988): “các biến có hệ số Factor Loading < 0.4 sẽ