- Phân tích nhân tố khám phá (EFA) (Nhằm rút trích nhân tố dựa trên hệ số KMO và hệ số Eigenvalues…)
3.3.6.3. Phân tích nhân tố khám phá – EFA (Exploratory Factor Analysis)
Theo Hair và cộng sự (1998), “EFA là một phương pháp phân tích thống kê dùng để rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu”.
Trong nghiên cứu, chúng ta thu thập thông tin trên một lượng biến khá lớn nhưng các biến có liên hệ với nhau nên chúng ta sẽ gom chúng thành các nhóm biến có liên hệ để xem xét. Một số tiêu chuẩn cần quan tâm trong quá trình phân tích như sau:
- Trị số “Kaiser – Meyer – Olkin (KMO) là một chỉ số dùng để xem xét sự thích hợp của EFA. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp” (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Kiểm định Bartlett’s test sphericity xem xét giả thuyết H0: tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa (Sig. <0.05) thì giả thuyết H0 bị bác bỏ, tức là các biến quan sát có tương quan với nhau trong tổng thể.
- Những hệ số tải nhân tố (Factor Loading) biểu thị mối quan hệ tương quan giữa các các nhân tố và các biến. Hệ số này lớn cho biết giữa nhân tố và biến quan sát có liên hệ chặt chẽ với nhau và ngược lại. Trong nghiên cứu này sử dụng hệ số tải nhân tố >0.5.
- Trong phân tích EFA cịn dựa vào Eigenvalue (Determination based on eigenvalue) để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 và tổng phương sai trích ≥ 50% thì mới được giữ lại trong mơ hình phân tích. Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố.