CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.5.2 Phân tích nhân tố khám phá EFA
Phương pháp phân tích EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là khơng có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn
một tập k biến quan sát thành một tập F (F > k) các nhân tố có ý nghĩa hơn. Cơ sở rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Phương pháp EFA được sử dụng rỗng rãi trong nghiên cứu để đánh giá sơ bộ các thang đo lường.
Chúng ta cần phân tích thành phần trong mơ hình bao gồm nhân tố (Fi), biến đo lường (Xi) và mối quan hệ giữa chúng với nhau. Dựa trên cơ sở phân tích của (Kim & Mueller, 1978), chúng ta khám phá ba đại lượng quan trọng trong mơ hình, đó là (1) phương sai của biến đo lường Xi : Var (Xi), (2) hiệp phương sai giữa nhân tố Fi và biến đo lường Xi : Cov (Fi, Xi), (3) hiệp phương sai giữa hai biến đo lường Xi và Xj : Cov (Xi; Xj).
Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường. Nếu các hệ số tương quan nhỏ hơn 0.3, khi đó sử dụng EFA không phù hợp (Hair, Anderson, Tatham, & Black, 1998). Tiêu chuẩn đánh giá: Hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0.3 là mức tối thiểu chấp nhận được; lớn hơn 0.4 là quan trọng; lớn hơn 0.5 là có ý nghĩa thực tiễn. Tiêu chuẩn chọn mức giá trị hệ số tải nhân tố: cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải nhân tố lớn hơn 0.3; nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải nhân tố lớn hơn 0.55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0.75. (Hair, Anderson, Tatham, & Black, 1998)
Sau đó tiến hành kiểm định Barlett các biến quan sát có tương quan với nhau. Xét trị số KMO: nếu 0.5 < KMO < 1 thì phân tích nhân tố là thích hợp, KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn, nếu KMO < 0.5 thì phân tích nhân tố có khả năng khơng thích hợp (Hồng & Chu, 2008).