Phân tích nhân tố khám phá (EFA - Exploratory Factor Analysis) - là phương pháp thuộc nhóm đa biến phụ thuộc lẫn nhau, tức là nó vừa không có biến phụ thuộc vừa
35
không có biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) thì các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát X). Các tham số thống kê quan trọng trong
phân tích theo (Chu Nguyễn & Trọng, 2008) bao gồm:
- Hệ số KMO (Kaiser-Meyer-Olkin): là một chỉ số dùng để kiểm định sự thích hợp của phân tích nhân tố. KMO lớn là điều kiện đủ để phân tích nhân tố thích
hợp thỏa mãn 0.5 < KMO < 1 ngược lại nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu nghiên cứu. Kiểm định sự tương quan giữa các biến đo lường với mức độ ý nghĩa của kiểm định Bartlett ≤ 0.5
- Chỉ số số Eigenvalue là một tiêu chí đại diện cho mức độ biến thiên được giải thích bởi nhân tố. Những nhân tố được giữ lại trong phân tích sẽ có Eigenvalue
≥ 1 và ngược lại nếu nhân tố có Eigenvalue < 1 thì nhân tố đó không có tác dụng tóm tắt thông tin tốt hơn 1 biến gốc.
- Phương sai trích (Variance Explained Criteria) ≥ 50% cho thấy mô hình là phù
hợp.
- Hệ số tải nhân tố (Factor loading): là những hệ số tương quan đơn giữa các biến quan sát và các nhân tố. Các biến và nhân tố sẽ càng có quan hệ chặt chẽ với nhau khi hệ số tải càng lớn. Hệ số tải nhân tố được chấp nhận khi > 0.5 và ngược lại các biến có hệ số tải nhân tố < 0.5 sẽ bị loại khỏi mô hình. (Hair, Black, Babin, Anderson, & Tatham, 2006)