C ƢƠNG 4 T QUẢ NGHIÊN ỨU
4.3 Đánh giá thang đo bằng phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) để đánh giá hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Giá trị hội tụ nói lên mức độ hội tụ của một thang đo sử dụng để đo lường một khái niệm sau nhiều lần (lặp lại). Giá trị phân biệt nói lên hai thang đo, đo lường hai khái niệm khác nhau phải khác biệt nhau (Nguyễn Đình Thọ, 2013).
Sử dụng phân tích EFA nhằm rút gọn một tập gồm k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn (Nguyễn Đình Thọ, 2013).
Sau khi tiến hành kiểm định bằng hệ số Cronbach's Alpha ở trên (xem mục 4.2), tiếp theo tác giả sẽ đưa các biến độc lập khơng bị loại (14 biến) vào phân tích nhân tố. Trong phân tích nhân tố, các nhà nghiên cứu thường chú ý đến các yếu tố sau:
Hệ số KMO (Kaiser-Meyer-Olkin): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố và KMO phải ≥ 0.5. Theo Kaiser (1974) đề nghị KMO ≥ 0.9: rất tốt; KMO ≥ 0.8: tốt; KMO ≥ 0.7: được; KMO ≥ 0.6: tạm được; KMO ≥ 0.5: xấu và KMO < 5: không thể chấp nhận được (Trích Nguyễn Đình Thọ, 2011, trang 397).
Kiểm định Bartlett‟s test (Bartlett‟s test of sphericity): căn cứ vào giá trị sig., nếu sig. < 0.05 thì các biến quan sát có tương quan với nhau trong tổng thể, do đó ta có thể tiến hành phân tích nhân tố (Hoàng trọng & Chu Nguyễn Mộng Ngọc, 2005). Hệ số tải nhân tố (Factor loading): là hệ số tương quan giữa các biến và nhân tố, hệ số này cho biết sự liên hệ chặt chẽ giữa các biến với nhau. Nếu hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại, đồng thời các biến có trọng số khơng đạt độ phân biệt cao giữa các nhân tố (< 0.3) cũng sẽ bị loại (Nguyễn Đình Thọ, 2011).
Nhân tố trích được phải có Eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích vì đây là đại lượng đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố (Hair & ctg, 2006).
Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%
Trong đề tài này, tác giả sử dụng phương pháp trích Principal Components Analysis (PCA) với phép xoay Varimax để tìm ra các nhân tố đại diện cho các biến
Nguồn: Kết quả phân tích SPSS
Kết quả kiểm định Barlett cho thấy giữa các biến trong tổng thể có mối tương quan với nhau (sig = 0.00 < 0.05). Đồng thời, hệ số KMO = 0.723 > 0.5, chứng tỏ phân tích nhân tố để nhóm các biến lại với nhau là thích hợp và dữ liệu phù hợp cho việc phân tích nhân tố.
Bảng 4.6 Hệ số KMO và kiểm định Bartlett's Test Hệ số KMO (Kaiser-Meyer-Olkin) .723 Hệ số KMO (Kaiser-Meyer-Olkin) .723
Mơ hình kiểm tra Bartlett
Giá trị Chi-Square 533.442
Bậc tự do 91
Sig. (giá trị P –
Bảng 4.7. Bảng phương sai trích Nhân Nhân
tố
Giá trị Eigenvalues Chỉ số sau khi trích Chỉ số sau khi xoay Tổng % Phương sai trích Tích lũy phương sai trích % Tổng % Phương sai trích Tích lũy phương sai trích % Tổng % Phương sai trích Tích lũy phương sai trích % 1 4.437 31.696 31.696 4.437 31.696 31.696 3.054 21.817 21.817 2 2.107 15.053 46.750 2.107 15.053 46.750 2.503 17.877 39.694 3 1.434 10.245 56.994 1.434 10.245 56.994 2.422 17.300 56.994 4 .941 6.724 63.719 5 .844 6.028 69.747 6 .772 5.512 75.258 7 .716 5.117 80.376 8 .586 4.189 84.564 9 .548 3.911 88.475 10 .458 3.274 91.750 11 .396 2.828 94.578 12 .329 2.349 96.926 13 .223 1.593 98.519 14 .207 1.481 100.000
Extraction Method: Principal Component Analysis.
Nguồn: Kết quả phân tích SPSS Bảng 4.7: Bảng phương sai trích cho thấy, các nhân tố đều có giá trị Eigenvalues = 1.434 > 1. Với phương pháp rút trích Principal components và phép quay Varimax, có 3 nhân tố được rút trích ra từ biến quan sát, phương sai trích là 56.994% > 50% là đạt yêu cầu và giải thích được 56.994% sự thay đổi của biến phụ thuộc trong tổng thể.
Theo kết quả phân tích nhân tố EFA (phụ lục 4) thực hiện phương pháp rút trích Principal components và phép quay Varimax, hệ số tải nhân tố (Factor loading) > 0.5 có 14 biến quan sát hội tụ thành 3 nhân tố như ban đầu.
- Nhân tố IOCM: IOCM5, IOCM3, IOCM4, IOCM2, IOCM1. - Nhân tố OBA: OBA3, OBA5, OBA2, OBA4, OBA1
- Nhân tố IT: IT2, IT3, IT4, IT1