CHƯƠNG 3 : THIẾT KẾ NGHIÊN CỨU
3.3. Nghiên cứu định lượng
3.3.4.3. Phân tích nhân tố khám phá EFA
Sau kết quả phân tích Cronbach’s Alpha loại bỏ các biến khơng đảm bảo độ tin cậy, phân tích nhân tố được sử dụng để thu nhỏ và gom các biến lại, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt của các nhân tố. Khi phân tích nhân tố cần lưu ý những điểm sau:
- Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số xem xét sự thích hợp
của phân tích nhân tố. Trị số KMO lớn, từ 0.5 đến 1 là điều kiện đủ để phân tích nhân tố thích hợp, nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu (Hồng Trọng và Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, 2008, trang 31).
- Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng 0 trong tổng thể, nếu kiểm định này có ý nghĩa thống kê, sig =<0.05 thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, 2008).
- Hệ số tải nhân tố (Factor Loading) là hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số này càng lớn, >=0.5 cho biết các biến và nhân tố càng có mối quan hệ chặt chẽ với nhau, biến quan sát có hệ số tải nhân tố < 0.5 sẽ bị loại (Hair & cộng sự, 1998).
- Trong phân tích nhân tố dùng phương pháp Principal Component
Analysis với phép xoay Varimax và điểm dừng khi trích các yếu tố có trị số
Eigenvalue lớn hơn 1. Đại lượng Eigenvalue đại diện cho lượng biến thiên giải thích bởi nhân tố. Những nhân tố có Eigenvalue < 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, 2008, trang 34)
- Thang đo được chấp nhận khi tổng phương sai trích >= 50% (Hair & cộng sự, 1988).