CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.5.3 Phân tích nhân tố khám phá EFA (Exploratory factor analysis)
Phân tích nhân tố khám phá EFA là kỹ thuật được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu sau khi đã đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy. Các tham số thống kê quan trọng trong phân tích nhân tố gồm:
- Thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin): kiểm định sự thích hợp của phân tích nhân tố. Hệ số KMO phải đạt giá trị từ 0.5 trở lên (0.5=<KMO<=1) thể hiện phân tích nhân tố là phù hợp.
- Thứ hai, kiểm định Bartlett (Bartlett’s test): có ý nghĩa thống kê (sig <= 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể (Trọng & Ngọc, 2008). - Thứ ba, hệ số Eigenvalue: đại diện cho phần biến thiên được giải thích bởi mỗi nhân
tố. Chỉ những nhân tố có Eigenvalue > 1 thì nhân tố rút ra có ý nghĩa tóm tắt thơng tin tốt nhất. Ngược lại những nhân tố có Eigenvalue < 1 thì sẽ bị loại khỏi mơ hình (Gerbing & Anderson, 1998).
43
- Thứ tư, hệ số tải nhân tố (Factor Loading): là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, mỗi biến sẽ được tính một hệ số tải nhân tố, hệ số này cho biết mỗi biến đo lường sẽ thuộc về nhân tố nào. Hệ số này càng lớn cho biết các biến và nhân tố có mối quan hệ chặt chẽ với nhau. Để nhân tố được xem là có ý nghĩa thực tiễn thì mỗi biến trong nhân tố phải có tỷ số Factor Loading >= 0.5. Mức tối thiểu là >=0.3 và >=0.4 (Hair J. F., Black, Babin, & Anderson, 1989) và có Eigenvalue >=1 (Gerbing & Anderson, 1998) thì nhân tố được xem là quan trọng
- Thứ năm, tổng phương sai trích (Total Variance Explained): cho biết mức ý nghĩa của các nhân tố được rút trích, phải đạt giá trị từ 50% trở lên (Gerbing & Anderson, 1998).
Sau khi thực hiện phân tích nhân tố khám phá, các biến hợp lệ được đưa vào phân tích hồi quy mà cụ thể là phân tích tương quan (Pearson).