Những mục hỏi đo lường cùng một khái niệm tiềm ẩn thì phải có mối liên quan với những cái còn lại trong nhóm đó. Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau.
Như trên đã trình bày, hệ số Cronbach’s Alpha thường được dùng để đánh giá sơ bộ thang đo để loại các biến rác trước, chứ không tính được độ tin cậy cho từng biến quan sát. Lưu ý rằng, khi hệ số α quá lớn (α > 0,95) cho thấy có nhiều biến trong thang đo không có gì khác biệt nhau (nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu. Hiện tượng này được gọi là hiện tượng trùng lắp trong đo lường. Một thang đo có độ tin cậy tốt khi nó biến thiên trong
khoảng [0,7-0,8]. Tiêu chuẩn chọn thang đo này có độ tin cậy Cronbach’s Alpha từ 0,6 trở lên (Nunnally & Bernstein, 1994, trích từ Nguyễn Đình Thọ, 2011, tr 351). Tuy nhiên, cũng có ý kiến cho rằng một thang đo là tốt nếu hệ số Cronbach’s Alpha từ 0,8 đến gần 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Công thức của hệ số Cronbach’s Alpha là: = N/[1 + (N – 1)].
Trong đó là hệ số tương quan trung bình giữa các mục hỏi. trong công thức tượng trưng cho tương quan trung bình giữa tất cả các cặp mục hỏi được kiểm tra (trích từ Hồ Huy Tựu, 2006). Kết quả của bước này được sử dụng cho phân tích tiếp theo (EFA).
3.3.3.2 Phương pháp phân tích nhân tố khám phá (EFA)
Hệ số Cronbach’s alpha chỉ dùng để đánh giá độ tin cậy thang đo, vấn đề tiếp theo là thang đo phải được đánh giá giá trị của nó. Hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp EFA giúp chúng ta đánh giá hai giá trị này.
Sau khi loại các biến có độ tin cậy thấp, các biến còn lại sẽ tiếp tục được sử dụng để tiến hành phân tích nhân tố. Phương pháp 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 của việc rút gọn này là dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Chỉ tiêu được dùng để xem xét sự thích hợp của phương pháp phân tích nhân tố là kết quả phân tích KMO, là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với độ lớn của hệ số tương quan riêng phần của chúng (Norusis, 1994). Kaiser (1974) đề nghị KMO > 0,90: rất tốt; KMO > 0,80: tốt; KMO > 0,70: được; KMO > 0,60: tạm được; KMO > 0,50: xấu; và KMO < 0,5: không thể chấp nhận (Nguyễn Đình Thọ, 2011, tr 397). Sau đó sử dụng phương pháp dựa vào Eigenvalue và chỉ có nhân tố nào lớn hơn 1 mới được giữ lại trong mô hình phân tích và thủ tục xoay nhân tố Oblimin được sử dụng. Các biến nào có Factor loading nhỏ hơn 0,5 sẽ bị loại (Hair và cộng sự, 2006) vì biến này thật sự không đo lường khái niệm chúng ta cần đo lường (Nguyễn Đình Thọ, 2011, tr 402). Các kết quả này sẽ được sử dụng để hiệu chỉnh mô hình và các giả thuyết nghiên cứu (trích dẫn từ Phạm Hồng Liêm, 2011).