CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.1 Khung phân tích
3.2.2. Phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá (EFA- Exploratory Factor Analysis) là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát thành một nhóm để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung thông tin của biến ban đầu (Hair &cộng sự, 1998). Theo Hair &cộng sự (1998), trong phân tích EFA, chỉ số Factor Loading có giá trị lớn hơn 0.5 được xem là có ý nghĩa thực tế. KMO (Kaiser-Meyer-Olkin) là chỉ số thể hiện mức độ phù hợp của phương pháp EFA, hệ số KMO lớn hơn 0.5 và nhỏ hơn 1 thì phân tích nhân tố được coi là phù hợp. Theo Trọng & Ngọc (2005), kiểm định Bartlett (Bartlett’s test) xem xét giả thiết H0 độ tương quan giữa các biến quan sát bằng 0 trong tổng thể. Nếu như kiểm định này có ý nghĩa thống kê, tức là Sig < 0.05 thì các quan sát có tương quan với nhau trong tổng thể. Tóm lại, trong phân tích nhân tố khám phá cần phải đáp ứng các điều kiện:
• Factor loading > 0.3 được xem là đạt mức tối thiểu • Factor loading > 0.4 được xem là quan trọng
• Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: (1) Hệ số tải nhân tố (Factor loading ) > 0.5
(2) 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser – Meyer - Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
(3) Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong
tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
(4) Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.