Thông qua phần mềm xử lý SPSS 22 để sàng lọc, loại bỏ các biến quan sát không
đáp ứng tiêu chuẩn còn gọi là biến rác. Tác giả đã thực hiện việc kiểm định độ tin cậy của thang đo bằng các phương pháp hệ số tin cậy Cronbach’s alpha và phân tích nhân tố khám phá EFA (Exploratory Factor Analysis). Trong đó:
Thông qua hệ số Cronbach’s alpha cho phép kiểm định thống kê về mức độ chặt
chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát trong thang đo. Theo Hair và c.s. (2010)cùng nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach’s alpha có giá trị từ 0,8 trở lên đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng được. Tuy nhiên, nhiều nhà nghiên cứu như Nunally, (1978); Peterson (1994); Slater (1995) cho rằng hệ số Cronbach’s alpha từ 0,6 trở lên là có thể chấp nhận được sử dụng trong bối cảnh nghiên cứu các khái niệm mới đối với người trả lời.
Tuy nhiên, Cronbach’s alpha chỉ đo lường độ tin cậy của thang đo (bao gồm từ 3 biến quan sát trở lên) chứ không tính được độ tin cậy cho từng biến quan sát (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2013), vì vậy Cronbach’s alpha không cho biết biến
nào nên loại bỏ và biến nào nên giữ lại. Cho nên, bên cạnh hệ số Cronbach’s alpha, người
ta còn sử dụng hệ số tương quan biến tổng (Corrected Item - Total Correlation) và biến bị loại nếu có tương quan biến tổng < 0,3.
Phân tích nhân tố khám phá (EFA) là một nhóm các thủ tục được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt các biến quan sát vào một nhân tố nhất định đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
Tiêu chuẩn Bartlett và hệ số KMO: dùng để đánh giá mức độ thích hợp của EFA,
khi 0,5 ≤ KMO ≤ 1 và Sig. < 0,05 thì EFA được cho là thích hợp. Phân tích nhân tố có khả năng không thích hợp với dữ liệu khi KMO < 0,5.
Tiêu chuẩn rút trích nhân tố gồm có: chỉ số Engenvalue cho biết khả năng giải thích lượng biến thiên của các nhân tố và chỉ số Cumulative là tổng phương sai trích thể hiện phần trăm giải thích bởi phân tích nhân tố giải thích. Theo Anderson & Gerbing (1988), thông tin sẽ không được tóm tắt tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi phân tích nhân tố EFA) nếu hệ số Engenvalue nhỏ hơn 1. Do đó, các nhân tố chỉ được rút trích tại Engenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào
phương pháp trích và phép xoay nhân tố. Theo Anderson & Gerbing (1988), kết quả phương sai trích sẽ nhỏ hơn nếu sử dụng phương pháp trích Principal Axis Factoring với
phép xoay Promax (Obtique), tuy nhiên cấu trúc dữ liệu sẽ được phản ánh chính xác hơn
so với sử dụng phương pháp trích Principal components với phép xoay Varimax. Theo Nguyễn Khánh Duy (2009) nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phương pháp trích Principal components với ghép xoay Varimax, còn nếu sau EFA
là phân tích nhân tố khẳng định CFA và phân tích mô hình cấu trúc tuyến tính SEM thì nên sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax.
Tiêu chuẩn hệ số tải nhân tố (Factor loadings): biểu thị tương quan đơn giản các
biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và c.s. (2010), tiêu chuẩn tối thiểu của Factor loading là 0,3, và được xem là quan trọng nếu Factor loading lớn hơn 0,4; nếu Factor loading lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Trường hợp chọn tiêu chuẩn factor loading lớn hơn 0,3 thì cỡ mẫu ít nhất phải là 250; tiêu chuẩn Factor loading phải lớn hơn 0,55 nếu cỡ mẫu khoảng 100; nếu cỡ mẫu khoảng
50 thì Factor loading phải lớn hơn 0,75. Trường hợp ngoại lệ, biến có Factor loading < 0.3 có thể được giữ lại nếu biến đó có giá trị nội dung. Trường hợp các biến có Factor loading không thỏa mãn điều kiện trên trích hoặc vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận ≤ 0,3), tức không tạo
nên sự khác biệt để đại diện cho một nhân tố, thì tiến hành loại biến đó và gộp biến còn lại vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).