8. Kết cấu của đề tài
2.6.3. Phân tích nhân tố EFA
Phân tích nhân tố khám phá giúp cho nhà nghiên cứu thu nhỏ và tóm tắt dữ liệu, nghĩa là xem xét đến liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau và sau đó trình bày lại các nhóm biến này dưới dạng một số các nhân tố cơ bản. Trong quá trình nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết chúng có mối liên hệ với nhau. Tuy nhiên, chúng ta cần thực hiện phương pháp phân tích này để giảm số lượng các biến xuống một mức thích hợp để sử dụng cho nghiên cứu
- Giá trị KMO (Kaiser – Meyer – Olkin): xem xét sự thích hợp của phân tích nhân tố EFA. Giá trị KMO lớn (0.5 < KMO < 1) thì phân tích nhân tố EFA là thích hợp.
- Kiểm định Bartlett: dùng để kiểm định giả thuyết các biến không có tương quan với nhau trong tổng thể và được đánh giá thông qua giá trị Sig. Nếu Sig < 0.05
thì kiểm định Bartlett có ý nghĩa thống kê, tức là các biến có tương quan với nhau trong tổng thể.
- Giá trị Eigenvalue: dùng để xác định số lượng nhân tố. Eigenvalue đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố. Nếu Eigenvalue > 1 thì nhân tố được giữ lại trong mô hình (Hair & ctg, 1998), ngược lại nhân tố có Eigenvalue < 1 thì không có tác dụng tóm tắt thông tin tốt hơn 1 biến gốc.
- Giá trị tổng phương sai trích (Rotation Sums of Squared Loading) : cho biết các nhân tố chọn được có thể giải thích được bao nhiêu phần trăm biến thiên của dữ liệu. Giá trị này bằng hoặc lớn hơn 50% thì chấp nhận được các nhân tố.
- Hệ số tải nhân tố (Factor loading): biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này càng lớn cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp trích nhân tố Principal Component Analysis với phép xoay nhân tố Varimax. Theo Hair & ctg (1998, 111) thì hệ số Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố EFA. 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.
Cũng theo Hair & ctg (1998, 111), nếu nghiên cứu có cỡ mẫu khoảng 350 thì nên chọn Factor loading > 0.3, nếu cỡ mẫu khoảng 100 thì nên chọn Factor loading > 0.55, và nếu cỡ mẫu khoảng 50 thì nên chọn Factor loading > 0.75. Do đó, mẫu điều tra của luận văn là 241 nên đề nghị chọn hệ số tải nhân tố từ 0.4.