Phương pháp phân tích nhân tố được sử dụng để rút gọn và tóm tắt dữ liệu. Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại bỏ các biến không đủ độ tin cậy sẽ thực hiện việc phân tích nhân tố khám phá (EFA). Phân tích nhân tố khám phá (EFA) là kỹ thuật được sử dụng để thu nhỏ các tham số ước lượng theo từng nhóm biến. Phương pháp này rất hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Phân tích nhân tố khám phá (EFA) được thực hiện thông qua đánh
giá các chỉ tiêu sau để bảo đảm ý nghĩa thống kê:
Kiểm định trị số KMO (Kaiser- Meyer — Olkin): đây là chỉ số dùng để xem
xét sự thích hợp của các phân tích nhân tố, trị số KMO có giá trị trong khoảng từ 0,5 đến 1,0 thì phân tích nhân tố là thích hợp với dữ liệu, còn trong trường hợp nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Đánh giá hệ số tải nhân tố (Factor loading -FL): đây là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá EFA, hệ số tải nhân tố (Factor
loading -FL) phụ thuộc vào kích thước mẫu quan sát và mục đích nghiên cứu. Nếu FL>0,3 là đạt mức tối thiểu với kích thước mẫu bằng hoặc lớn hơn 350, nếu FL>0,4 là quan trọng và FL>0,5 là có ý nghĩa thực tiễn. Khi kích thước mẫu khoảng 100 thì nên chọn FL>0,55; còn nếu kích thước mẫu bằng 50 thì nên chọn FL>0,75. Do đó để
thang đo đạt giá trị hộ tụ thì hệ số tương quan đơn giữa các biến và các nhân tố (Factor
loading -FL) phải lớn hơn hoặc bằng 0,5 trong một nhân tố đối với cỡ mẫu nhỏ hơn 350.
Đánh giá giá trị Eigenvalue: đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố, đánh giá hệ số Eigenvalue là một trong những cách để xác định số lượng nhân tố. Theo tiêu chuẩn Kaiser chỉ những nhân tố Eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình, những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại vì không có tác dụng tóm tắt thông tin (Garson, 2003).
Kiểm định Bartlett’s xem xét giả thiết H0: Bartlett’s test of sphericity là một đại lượng
thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể với
các giả thuyết.
H0: Độ tương quan giữa các biến quan sát bằng không trong tổng thể hay nói
cách khác là các biến không có tương quan với nhau trong tổng thể. Điều này cũng chính là nhằm mục đích xem xét việc phân tích nhân tố là có thích hợp hay không. Nếu kiểm định này có ý nghĩa trong thống kê (Sig<0,05) thì ta có khả năng bác bỏ giả thuyết và chấp nhận các biến quan sát trong phân tích nhân tố có tương quan với nhau trong tổng thể. Điều này đồng nghĩa phân tích nhân tố là thích hợp.
H1: Có sự tương quan giữa các biến.
Giá trị p - value của kiểm định là một số sao cho với mọi α > p thì sẽ bác bỏ giả thuyết H0. Với mức ý nghĩa α = 5%, kiểm định Barlett’s cho các kết quả sau:
Nếu giá trị p - value > α thì chấp nhận giả thuyết H0
Nếu giá trị p -value < α thì bác bỏ giả thuyết H0 và chấp nhận giả thuyết H1 Đánh giá phương sai trích: Phương sai trích hay là phần trăm biến thiên (cummulative) của dữ liệu được giải thích bởi các nhân tố. Tiêu chuẩn đạt yêu cầu đối với phương sai trích là tổng phương sai trích phải lớn hơn hoặc bằng 50% trở lên (Hair và cộng sự, 1998). Giá trị tổng phương sai trích có ý nghĩa cho biết tổng số phần trăm biến thiên của dữ liệu được giải thích bởi các nhân tố.