3.2 .THIẾT KẾ NGHIÊN CỨU
3.2.6 .Đánh giá giá trị thang đo
Sau khi lọai bỏ các biến không đảm bảo độ tin cậy thông qua phân tích Cronbach’s Alpha, phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) được sử dụng để xác định độ giá trị hội tụ (convergent validity), độ giá trị phân biệt (discriminant validity) và đồng thời thu gọn các tham số ước lượng theo từng nhóm biến. Một số tiêu chuẩn khi phân tích khám phá nhân tố là hệ số KMO tối thiểu 0.5, kiểm định Bartlett có ý nghĩa thống kê (p < 0.05), các hệ số factor loading lớn hơn 0.5, phương sai giải thích tối thiểu bằng 50% (Hair và cộng sự, 2006). Phương pháp rút trích nhân tố sử dụng là phương pháp principal component với phép xoay varimax để thu được số nhân tố nhỏ nhất (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008)
Các biến quan sát có trọng số λi (factor loading) nhỏ hơn 0.50 trong EFA sẽ tiếp tục bị loại bỏ để thang đo đạt được giá trị hội tụ. Để đạt độ giá trị phân biệt, khác biệt giữa các nhân tố phải lớn hơn hoặc bằng 0.3 (λiA – λiB ≥0.3). Vấn đề loại bỏ biến có trọng số nhân tố thấp cần chú ý đến giá trị nội dung của biến đó đóng góp vào giá trị nội dung của khái niệm nó đo lường. Nếu λi không quá nhỏ, ví dụ λi =0.40 chúng ta không nên loại nó (Nguyễn Đình Thọ, 2011, trang 401-402).
Số lượng nhân tố được xác định dựa trên chỉ số Eigenvalue – đại điện cho phần biến thiên được giải thích bởi mỗi nhân tố. Số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có Eigenvalue tối thiểu bằng 1 (≥ 1) và những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại ra khỏi mô hình. Tiêu chuẩn phương sai trích
(Variance explained criteria): tổng phương sai trích phải đạt từ 50% trở lên, nghĩa là phần chung phải lớn hơn phần riêng và sai số (từ 60% trở lên được coi là tốt) (Nguyễn Đình Thọ, 2011, trang 393, 403).
Để xác định sự phù hợp khi sử dụng EFA thì người ta thường tiến hành dùng kiểm định Barlett và KMO:
- Kiểm định Bartlett: dùng để xem xét ma trận tương quan có phải là ma trận đơn vị (I) hay không. Kiểm định Barlett có ý nghĩa thống kê khi Sig< 0.05. Điều này chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể. - Kiểm định KMO: KMO là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa các biến đo lường với độ lớn của hệ số tương quan riêng phần của chúng (Nguyễn Đình Thọ, 2011, trích từ Norusis, 1994). Hệ số KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn. Hệ số KMO phải đạt giá trị từ 0.5 trở lên (KMO ≥ 0.5) thể hiện phân tích là phù hợp. Hệ số KMO<0.5 thì không thể chấp nhận được (Nguyễn Đình Thọ, 2011, trang 397, trích từ Kaiser, 1974).
Tuy nhiên, thì trong thực tế, với sự hỗ trợ của các phần mềm xử lý thống kê SPSS và chúng ta có thể nhìn vào kết quả trọng số nhân tố và phương sai trích đạt yêu cầu thì vấn đề kiểm định Bartlett, KMO không còn ý nghĩa nữa vì chúng luôn luôn đạt yêu cầu (Nguyễn Đình Thọ, 2011, trang 397).
Trong nghiên cứu này, tác giả sử dụng phương pháp trích nhân tố Principal components với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues lớn hơn hoặc bằng 1.
Phân tích nhân tố khám phá (EFA) để kiểm định giá tri hội tụ và giá trị phân biệt của thang đo. Thang đo đạt yêu cầu trong phân tích nhân tố khám phá cần phải đáp ứng được tiêu các chí sau:
- KMO từ 0.5 đến 1.
- Kiểm định Bartlett có ý nghĩa với sig < 0.05. - Tiêu chí Eigenvalue > 1.
- Tổng phương sai trích ≥ 50%.