Kiểm định giá trị hội tụ và giá trị phân biệt bằng phân tích nhân tố khám phá EFA Đánh giá chỉ số Kaiser – Mayer – Olkin (KMO) để xem xét sự thích hợp của phân tích nhân tố khám phá (EFA), chỉ số KMO thỏa điều kiện 0,5 ≤ KMO ≤ 1 Kiểm định Bartlett để xem xét giả thuyết H0: các biến không có tương quan với nhau trong tổng thể Nếu kiểm định này có ý nghĩa thống kê (0,5 ≤ KMO ≤ 1 và sig ≤ 0,5) thì các biến có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyên Mộng Ngọc, 2008) Các hệ số tải nhân tố (Factor loading) < 0,4 trong EFA sẽ tiếp tục bị loại để đảm bảo giá trị hội tụ cho các biến (Gerbing và Aderson, 1988) Cuối cùng, khi đánh giá kết quả EFA, chỉ có những nhân tố nào có Eigenvalue > 1 mới được giữ lại trong mô hình phân tích và xem xét phần tổng phương sai trích, tổng phương sai trích ≥ 50% (Hair và cộng sự, 2009)
Để dữ liệu trong đề tài nghiên cứu có ý nghĩa khoa học, phản ánh đúng nội dung nghiên cứu, thì phải đảm bảo các điều kiện sau:
- Phương pháp trích Principal Component Analysis với phép xoay Varimax được chọn để trong phân tích giá trị hội tụ và giá trị phân biệt trong phân tích EFA
- Theo Hair và cộng sự (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA Factor loading > 0,3 được xem là mức tối thiểu, Factor loading > 0,4 được xem là quan trọng và >= 0,5 được xem là có ý nghĩa thực tiễn Trong nghiên cứu này tác giả lựa chọn tiêu chí Factor loading >= 0,3
- Tại mỗi Item, chênh lệch giữa Factor loading lớn nhất và nhỏ nhất >= 0,3 - Tổng phương sai trích >= 50%
- KMO >= 0,5, kiểm định Bartlett có ý nghĩa thống kê khi giá trị sig < 0,5