Biến
quan sát
Trung bình thang
đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan biến tổng
Cronbach Alpha nếu loại biến
TL1 6,90 3,445 0,642 0,750
TL2 6,99 2,867 0,703 0,689
TL3 6,80 3,554 0,632 0,762
Cronbach's Alpha = 0,808
Nguồn: Scale TL – Phụ lục 3
4.4.5 Cronbach Alpha của thang đo mức độ tuân thủ thuế
Thang đo mức độ tuân thủ thuế đo lường qua 3 biến quan sát. Kết quả phân tích độ tin cậy của thang đo (Cronbach’s Alpha) là 0,712 > 0,7. Đồng thời, cả 3 biến quan sát đều có tương quan biến - tổng > 0,3. Như vậy, thang đo nhân tố chính sách thuế đáp ứng độ tin cậy và các biến được sử dụng cho các phép phân tích tiếp theo (xem bảng 4.14).
Bảng 4.14: Cronbach Alpha của thang đo mức độ tuân thủ thuế Biến Biến
quan sát
Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại
biến
Tương quan biến tổng
Cronbach Alpha nếu loại biến
TT1 7,44 1,787 0,559 0,585
TT2 7,42 1,966 0,572 0,581
TT3 7,36 1,832 0,471 0,703
Cronbach's Alpha = 0,712
Nguồn: Scale TT – Phụ lục 3
4.5 Phân tích nhân tố khám phá (EFA) tác động đến mức độ tuân thủ thuế của doanh nghiệp vừa và nhỏ trên địa bàn thành phố Tân An, tỉnh Long của doanh nghiệp vừa và nhỏ trên địa bàn thành phố Tân An, tỉnh Long An
Phương pháp phân tích nhân tố khám phá (EFA) được sử dụng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu này, phương pháp EFA dựa vào mối tương quan giữa các biến với nhau để rút gọn thành những nhân tố có nghĩa hơn.
Cụ thể, khi đưa tất cả các biến thu thập được vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ được nhóm thành các nhóm biến có
liên hệ để xem xét và trình bày dưới dạng các nhân tố tác động đến mức độ tuân thủ thuế của doanh nghiệp vừa và nhỏ trên địa bàn thành phố Tân An, tỉnh Long An.
Nghiên cứu tiến hành sử dụng phương pháp trích hệ số Principal component với phép quay Varimax tại điểm dừng khi trích các nhân tố có Eigenvalue > 1. Thang đo nào có tổng phương sai trích từ 50% trở lên là được chấp nhận (Gerbing &Anderson, 1988)[16]. Các biến có trọng số (Factor loading) nhỏ hơn 0,5 sẽ bị loại. Tại mỗi khái niệm có chênh lệch trọng số (Factor loading) lớn nhất và bất kỳ phải đạt ≥ 0,3. Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser – Meyer – Olkin) phải có giá trị lớn (0,5 ≤ KMO ≤ 1),điều này thể hiện phân tích nhân tố là thích hợp. Nếu hệ số KMO < 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu. Theo Kaiser (1974), KMO ≥ 0,9 là rất tốt; 0,9 > KMO ≥ 0,8 là tốt; 0,8 > KMO ≥ 0,7 là được; 0,7 > KMO ≥ 0,6 là tạm được, 0,6> KMO ≥ 0,5 là xấu và KMO < 0,5 là không thể chấp nhận được (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Khi phân tích nhân tố, nghiên cứu đặt ra hai giả thuyết:
Giả thuyết Ho: Các biến trong tổng thể khơng có tương quan với nhau. Giả thuyết H1: Các biến trong tổng thể có tương quan với nhau.