CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
3.6.3 Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Sau khi phân tích độ tin cậy của thang đo, tiến hành phân tích nhân tố để xác định số lƣợng các nhân tố. Phân tích nhân tố khám phá (EFA – Exploratory Factor Analysis) là một phƣơng pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & cộng sự, 1998).
Các tham số thống kê trong phân tích EFA nhƣ sau:
Đánh giá chỉ số KMO để xem xét sự thích hợp của phân tích nhân tố khám phá EFA. Xem xét giá trị KMO 0.5 ≤ KMO ≤ 1 th phân tích nhân tố là thích hợp với dữ liệu; ngƣợc lại KMO ≤ 0.5 th phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tải nhân tố (Factor loading – FL) là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá EFA. Hệ số tải nhân tố phụ thuộc vào kích thƣớc mẫu quan sát và mục đích nghiên cứu. Nếu FL > 0,3 th đạt mức tối thiểu, FL > 0,4 th đƣợc xem là quan trọng, FL > 0,5 th đƣợc xem là có ý nghĩa thực tiễn (Hair và cộng sự, 2010).
Giá trị Eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi mỗi nhân tố. Đánh giá Eigenvalue là một trong những cách để xác định số lƣợng nhân tố. Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), những nhân tố có Eigenvalue lớn hơn 1 th mới đƣợc giữ lại trong mơ hình, những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại vì khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc.
Kiểm định Bartlett’s dùng để xem xét giả thuyết các biến khơng có tƣơng quan trong tổng thể. Kiểm định Bartlett’s phải có ý nghĩa thống kê, tức là Sig ≤ 0.05 th các biến quan sát có tƣơng quan với nhau trong tổng thể (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
36
Phƣơng sai trích là phần trăm biến thiên của dữ liệu đƣợc giải thích bởi nhân tố. Theo Hair và cộng sự (2010), tiêu chuẩn đạt yêu cầu với phƣơng sai trích là tổng phƣơng sai trích phải lớn hơn hoặc bằng 50%.
Trong bài nghiên cứu này, tác giả quyết định sử dụng hệ số KMO > 0.5 và các hệ số bị loại phải nhỏ hơn hệ số Factor Loading là 0.5 để có độ chính xác cao nhất.