CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.7.3 Phân trích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phân tích nhân tố khám phá EFA là kỹ thuất 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 tịc nhân tố đó. Hệ số KMO phải đạt giá trị từ 0,5 trở lên (0,5=<KMO<=1) thể hiện phân tích nhân tố phù hợp.
- Thứ hai, kiểm định Bartlett (Bartlett’s Test): có ý nghĩa thống kê (Sig<=0,05), chúng tỏ các biến quan sát có tương quan với nhau trong trong trong thể (Trọng & Ngọc, 2008).
- Hệ số tải nhân tố (Factor Loading): 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 thì nhân tố được xe là quan trọng (Hair & Cộng sự, 1989). - Thứ tư tổng phương sai trích (Total Variance Explained): cho biết mức ý nghĩa của các
nhân tố được rút trich, phải đạt giá trị từ 50% trở lên (Gerbing & Anderson, 1998). - Thứ năm, 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 thông tin tốt nhất. Ngược lại, những nhân tố có Eigenvalue < 1 thì sẽ bị loại khỏi mô hình (Gerbing & Anderson, 1998).