Thang đo Trung bình thang
đo nếu loại biến
Phƣơng sai thang đo nếu loại biến
Hệ số tƣơng quan biến tổng
Hệ sốCronbach’s Alpha nếu loại biến
Thang đo Tham gia (TG), Hệ số Cronbach's Alpha: 0.892
TG1 11.24 4.897 .552 .929
TG2 11.48 3.703 .815 .840
TG3 11.44 3.796 .843 .830
TG4 11.50 3.607 .858 .823
Nguồn: Phân tích SPSS 20
→ Kết quả kiểm định chất lƣợng thang đo cho thấy hệ số Cronbach’s Alpha cùa tất cả các thang đo đều > 0.6 và các biến quan sát đều có hệ số tƣơng quan biến tổng của các biến > 0.3. Do đó, tất cả các biến đều có thể đại diện cho thang đo và sẽ đƣợc sử dụng cho phân tích nhân tố khám phá EFA.
4.4. Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA)
Phƣơng pháp phân tích nhân tố khám phá EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (Interdependence Techniques), nghĩa là khơng có biến phụ thuộc và biến độc lập mà nó dựa vào mối tƣơng quan giữa các biến với nhau (Interrelationships).
Phân tích Nhân tố khám phá EFA: dùng để xác định một cấu trúc trong tập các biến quan sát (Stewart, 1981), hay 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 rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Sau khi kiểm tra độ tin cậy của các thang đo với các hệ số Cronbach’s Alpha, tác giả nghiên cứu tiến hành phân tích nhân tố khám phá (EFA) theo phƣơng pháp phân tích nhân tố chính Principal Component Analysis cùng với phép xoay Varimax với các biến quan sát đã đủ điều kiện.
Nhƣ nêu ở Chƣơng 3, phân tích nhân tố khám phá đƣợc thực hiện với các mục tiêu: (1) Đánh giá mức độ hội tụ của biến quan sát; (2) Đánh giá độ phân biệt giữa các khái niệm nghiên cứu của các biến độc lập, nhằm xem xét mức độ độc lập của từng khái niệm trong mối liên hệ với các khái niệm đề xuất nghiên cứu.
Theo Hair (2010), để mơ hình EFA đảm bảo độ tin cậy thì cần: (1) Kiểm định tính phù hợp của EFA bằng cách sử dụng thƣớc đo KMO (Kaise – Meyer - Olkin measure). Giá trị KMO phải thỏa điều kiện: 0.5 < KMO < 1 cho dữ liệu phân tích thực tế; (2) Kiểm
định sự tƣơng quan của các biến quan sát bằng cách dựa vào giá trị kiểm định Barlett. Nếu
giá trị Barlett ≤ 0.05 (Bác bỏ giả thuyết Ho: các biến quan sát khơng có tƣơng quan với
nhau, tức có ý nghĩa về mặt thống kê ở mức 5%). Nhƣ vậy dữ liệu dùng để phân tích nhân tố là thích hợp, các biến quan sát có tƣơng quan tuyến tính với nhân tố đại diện; (3) Kiểm định mức độ giải thích của các biến quan sát bằng cách sử dụng phƣơng sai trích (% cumulative variance) với Trị số phƣơng sai trích phải > 50%. Đồng thời trích xuất nhân tố theo hệ số Eigen > 1.0 nhằm đảm bảo mỗi nhân tố trích xuất đều đảm bảo khả năng giải thích phƣơng sai của ít nhất 1 biến quan sát (Hair và cộng sự, 2010).
4.4.1. Phân tích EFA biến độc lập