CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
3.5 Phương pháp phân tích dữ liệu
3.5.4 Phân tích nhân tố khám phá EFA
Trước khi kiểm định giả thuyết, thang đo phải đạt được giá trị tin cậy và giá trị của thang đo. Ở phần trên, tác giả đã trình bày phương pháp Cronbach alpha để đánh giá độ tin cậy của thang đo. Yêu cầu thứ hai, giá trị của thang đo thể hiện ở giá trị hội tụ và giá trị phân biệt. Mục đích của phương pháp phân tích nhân tố khám phá là để đánh giá hai giá trị này (Nguyễn, 2014). Kết quả phân tích EFA giúp điều chỉnh thang đo phù hợp hơn, bằng cách loại bỏ biến quan sát không phù hợp (nếu có).
Trong nghiên cứu này, tác giả sử dụng phương pháp mơ hình nhân tố chung CFM, cụ thể là phép trích Principal Axis Factoring và phép quay Promax, vì phản ánh cấu trúc dữ liệu chính xác hơn và thường được sử dụng để đánh giá thang đo (Nguyễn, 2014).
Để đánh giá mối quan hệ giữa các thang đo, tác giả cho cả 5 thang đo vào phân tích EFA đồng thời. Trước khi phân tích EFA, cần thực hiện kiểm định KMO (Kaiser-Meyer-Olkin) và Bartlett. KMO càng lớn càng tốt và phải lớn hơn 0.5. Kiểm định Bartlett phải có p<0.05 (Sig.). Các kiểm định này nhằm đảm bảo phân tích EFA có ý nghĩa.
Theo (Nguyễn, 2014), kết quả phân tích EFA cần quan tâm 3 thuộc tính: số lượng nhân tố trích được, trọng số nhân tố, tổng phương sai trích. Tiêu chí engenvalue tối thiểu bằng 1 để xác định số lượng nhân tố trích được. Trọng số nhân
tố của các biến quan sát phải lớn hơn 0.5, chênh lệch trọng số nhân tố khơng được nhỏ hơn 0.3 vì khi trọng số tương đương nhau xảy ra hiện tượng biến quan sát đo lường nhiều khái niệm. Tiêu chí cuối cùng, tổng phương sai trích (total variance explained) đạt từ 50% trở lên, tốt hơn nếu từ 60% trở lên.