b. Nhược điểm
3.4.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá sẽ được sử dụng để thu nhỏ và gom các biến lại, xác định số lượng các nhân tố trong thang đo, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố. Nghiên cứu này sử dụng phương pháp phân tích nhân tố khám phá EFA để khẳng định mức độ phù hợp của 6 thang đo với 22 biến quan sát. Theo (Hair & ctg, 2009), các tham số thống kê quan trọng trong phân tích nhân tố bao gồm:
Chỉ số KMO (Kaiser - Meyer - Olkin Measure of Simping Adequacy): được dùng để kiểm định sự thích hợp của phân tích nhân tố. Chỉ số KMO phải đủ lớn (>0,5) (Hair & ctg,. 2019) thì phân tích nhân tố là thích hợp, còn nếu nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
Chỉ số Eigenvalue: đại diện cho lượng biến thiên được giải thích bởi nhân tố. Chỉ những
nhân tố có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích, các nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Hair & ctg, 2009)
Phương sai trích (Variance Explained Criteria): tổng phương sai trích phải lớn hơn 50%
(Hair & ctg, 2009).
Hệ số tải nhân tố (Factor Loadings): là hệ số tương quan đơn giữa các biến và nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ chặt chẽ với nhau. Hệ số tải nhân tố được chấp nhận là lớn hơn 0,5 (Hair & ctg, 2009), các biến có hệ số tải nhân tố nhỏ hơn 0,5 sẽ bị loại khỏi mô hình.
Kiểm định Bartlett để kiểm tra độ tương quan giữa các biến quan sát và tổng thể, phân tích chỉ có ý nghĩa khi sig có giá trị nhỏ hơn 5% (0,05) (Hair & ctg, 2009)