PHẦN MỞ ĐẦU : TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
3.4 PHƢƠNG PHÁP PHÂN TÍCH DỮ LIỆU
3.4.4 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA đƣợc sử dụng để thu gọn các tham số ƣớc lƣợng, tóm tắt các dữ liệu, nhận diện các yếu tố và chuẩn bị cho các phân tích tiếp theo. Trong phân tích EFA, tiêu chuẩn để chọn các biến phải có hệ số tải nhân tố trên 0,4 tuy nhiên hệ số này tùy thuộc vào mẫu thu thập, mẫu càng nhỏ thì hệ số này càng lớn và ngƣợc lại do đó hệ số này nên từ 0,3 đến 0,5 là chấp nhận đƣợc (Hair & ctg,1998) và thang đo đạt yêu cầu khi tổng phƣơng sai trích thấp nhất là 50%. (Gerbing & Anderson, 1988).
Trong phân tích nhân tố EFA, trị số KMO (Kaiser – Meyer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải có giá trị trong khoảng từ 0,5 đến 1 có nghĩa là phân tích nhân tố là thích hợp, cịn nếu nhƣ trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu (Hair et al., 2006).
Ngịai ra phân tích nhân tố cịn dựa vào Eigenvalue để xác định số lƣợng nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mơ hình. Đại lƣợng Eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc vì sau khi chuẩn hóa mỗi biến gốc phƣơng sai là 1.
Ma trận nhân tố (component matrix) chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức các nhân tố). Những hệ số tải nhân tố
(factor loading) biểu diễn tƣơng quan giữa các biến và các nhân tố. Hệ số này cho biết các biến và các nhân tố có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phƣơng pháp trích nhân tố (principal component) nên các hệ số tải nhân tố phải có trọng số lớn hơn 0,5 thì mới đạt yêu cầu.
Ma trận nhân tố khi các nhân tố đƣợc xoay (rotated component matrix) sẽ giúp ma trận trở nên đơn giản và dễ giải thích hơn. Có nhiều phƣơng pháp xoay khác nhau nhƣ Varimax procedure: xoay nguyên gốc các nhân tố để tối thiểu hóa số lƣợng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cƣờng giải thích các nhân tố. Equamax: xoay các nhân tố để để đơn giản hóa việc giải thích.