3 2 Kỹ thuật phân tích dữ liệu
33 22 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố nhằm rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn (nhân tố) để chúng có ý nghĩa hơn
nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & c s , 1998) Phân tích nhân tố khám phá (EFA) được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
- Theo Hair & c s (1998), hệ số tải nhân tố (Factor loading) là chỉ tiêu đảm bảo mức ý nghĩa của EFA Hệ số tải nhân tố tối thiểu phải lớn hơn 0,3; lớn hơn 0,4 được xem là quan trọng; và lớn hơn 0,5 được xem là có ý nghĩa thiết thực Factor loading lớn nhất của các biến quan sát phải lớn nhất của các biến quan sát phải lớn hơn hoặc bằng 0,5
- Kaiser-Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của EFA: 0,5≤KMO ≤ 1 thì phân tích nhân tố khám phá là thích hợp
- Jabnoun & Al-Tamimi (2003) tiêu chuẩn khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố
- Kiểm định Bartlett’s (Barlett’s test of Sphericity) xem xét giả thuyết H0: độ tương quan giữa các biến quan sát bằng khơng trong tổng thể Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể và bác bỏ giả thuyết H0
- Phương sai trích (cumulative % of variance): phần trăm biến thiên của các biến quan sát (hay dữ liệu) được giải thích bởi các nhân tố phải đảm bảo ≥ 50%
- Phương pháp trích hệ số được sử dụng là Principal Component Analysis với phép xoay Varimax để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, và các nhân tố khơng có sự tương quan lẫn nhau
- Xác định số nhân tố bằng phương pháp dựa vào eigenvalue: chỉ giữ lại những nhân tố có giá trị eigenvalue lớn hơn 1 trong mơ hình phân tích
Sau khi phân tích EFA, các giả thuyết nghiên cứu được điều chỉnh lại theo các yếu tố mới Phân tích hồi quy tuyến tính bội sẽ được ứng dụng trong việc đánh giá mức độ ảnh hưởng của các yếu tố đến sự hài lòng của người dân