CHƯƠNG 3 THIẾT KẾ NGHIÊN CỨU
3.3. Phương pháp phân tích dữ liệu
3.3.3. Phân tích nhân tố khám phá
Phương pháp phân tích nhân tố khám phá (EFA) thuộc nhóm phân tích đa biến phụ thuộc nhau, nghĩa là khơng có biến phụ phuộc và biến độc lập mà nó dựa vào mới tương quan các biến với nhau. EFA dùng để rút gọn một tập hợp biến F thành tập hợp biến K < F, các yếu tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các yếu tố với các biến nguyên thủy. Phương pháp phân tích nhân tố được sử dụng rộng rãi trong nghiên cứu để đánh giá sơ bộ các thang đo lường Nguyễn Đình Thọ (2012).
Theo Nguyễn Đình Thọ (2012), để sử dụng được EFA thì hệ số KMO phải lớn hơn 0,5.
Kiểm định Bartlett (Bartlett’s test of sphericity): Hệ số dùng để kiểm định giả thiết rằng các biến có tương quan với nhau trong tổng thể thay khơng. Kiểm định Bartlett có ý nghĩa thống kê khi mức ý nghĩa (Sig) < 5%, nghĩa là các biến quan sát có sự tương quan với nhau trong tổng thể theo Nguyễn Hoàng trọng và Chu Nguyễn Mộng Ngọc (2005).
Hệ số tải nhân tố (Factor loading): chỉ ra mối quan hệ tương quan đơn giữa các biến và yếu tố. Hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa cần thiết của EFA. Hệ số tải nhân tố >= 0,5 thì có ý nghĩa.
Phương sai trích (Variance Explained): tổng phương sai trích phải >= 0,5. Chỉ số Eigenvalue: đại diện cho lượng biến thiên được giải thích bởi yếu tố. Chỉ những yếu tố có Eigenvalue >1 mới được giữ lại trong mơ hình phân tích theo Hair và cộng sự (2006).
Nguyễn Khánh Duy (2009) cho rằng nếu sau khi phân tích EFA có phân tích hồi quy thì có thể sử dụng phép xoay Varimax và phương pháp trích các thành phần
chính (principal components analysis). Trong nghiên cứu này tác giả sử dụng phương pháp phân tích yếu tố Principal Component Analysis và phép quay Virimax để tìm ra các yếu tố đại diện cho các biến.