7. Cấu trúc nghiên cứu
2.3.2. Phương pháp phân tích nhân tố khám phá (EFA)
Mô hình phân tích nhân tố khám phá EFA (Exploratory Factor Anlysis)
thường được sử dụng để thu nhỏ và tóm tắt các dữ liệu. Nói cách khác, từ một tập hợp n biến quan sát được rút gọn thành một hợp k nhân tố dựa trên cơ sở mối quan hệ tuyến tính giữa các biến quan sát với một nhân tố. Mô hình EFA giúp chúng ta sắp xếp các biến có tương quan vào trong các nhân tốđộc lập để xác định các nhân tố hình thành nên mô hình nghiên cứu. Để định lượng các yếu tốảnh hưởng đến sự
hài lòng của người lao động tại công ty May liên doanh Plummy, Hà Nội, thực hiện phân tích nhân tốkhám phá EFA theo quy trình các bước sau:
Bước 1: Phân tích độ tin cậy của thang đo (nhân tố)
Sử dụng kiểm định Cronbach Alpha đểđánh giá chất lượng của thang đo xây
dựng. Thang đo được đánh giá chất lương khi hệ số Cronbach Alpha của tổng thể
lớn hơn 0,6, hệ số tương quan biến tổng phù hợp (Corrected Item – Total Correlation) của từng quan sát lớn hơn 0,3.
Bước 2: Phân tích phân tố khám phá (EFA-Exploratory Factor Anlysis)
Phân tích nhân tố khám phá cần phải quan tâm đến hệ số tải nhân tố FL (Factor Loading) (hay trọng số nhân tố) là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số này cho biết mỗi mục hỏi thuộc về nhân tố chủ yếu nào. Việc tính hệ số tải nhân tố là nhằm đảm bảo mức ý nghĩa thiết thực của EFA. Ta có:
Nếu Factor Loading > 0,3: đạt mức tối thiểu Nếu Factor Loading > 0,4: đạt mức quan trọng Nếu Factor Loading > 0,5: có ý nghĩa thiết thực.
Sau khi lựa chọn các biến có FD > 0,5, trên Biểu ma trận nhân tố xoay
(Rotated Component Matrix) có bao nhiêu cột thì có bấy nhiêu nhân tố. Như vậy các biến quan sát đưa vào mô hình EFA được rút gọn thành các nhân tố trong Biểu Rotated Component Matrix, qua đó có thể biết mỗi nhân tố gồm những biến quan sát nào, có ý nghĩa gì và dựa trên lý thuyết để đặt tên cho các nhân tố đó. Tên này cần đại diện được cho các biến quan sát của nhân tố.
Đểmô hình EFA đảm bảo khả năng tin cậy, đòi hỏi thực hiện các kiểm định chính sau:
(1) Kiểm định mức độ phù hợp của mô hình
Sử dụng hệ số KMO (Kaiser- Meyer- Olkin) để đánh giá sự thích hợp của
mô hình EFA đối với ứng dụng của dữ liệu nghiên cứu. Khi trị số KMO thỏa mãn
điều kiện: 0,5 ≤ KMO ≤ 1 thì mô hình được cho là phù hợp phân tích khám phá là thích hợp cho dữ liệu thực tế.
(2) Kiểm định tương quan của các biến quan sát trong thước đo đại diện
Sử dụng kiểm định Bartlett để đánh giá các biến quan sát có tương quan với nhau trong một thang đo (nhân tố). Khi mức ý nghĩa của kiểm định Bartlett có mức
ý nghĩa Sig < 0,05, các biến quan sát có tương quan tuyến tính với nhân tốđại diện.
(3) Kiểm định mức độ giải thích của các biến quan sát đối với nhân tố
Mức độ giải thích của các biến quan sát đối với nhân tốđược đo bằng giá trị phương sai trích (Cumulative %), giá trị này phải lớn hơn 50% thì nghiên cứu mới có tính thực tiễn. Ví dụ khi giá trị phương sai trích là 65%, có nghĩa là 65 % sự thay
đổi của các nhân tốđược giải thích bởi các biến quan sát trong mô hình.