CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.4 Thiết kế nghiên cứu định lượng
3.5.2 Phương pháp phân tích nhân tố (Exploratory Factor Analysis – EFA)
Phân tích nhân tố (EFA – Exploratory Factor Analysis) là phương pháp được sử dụng để thu nhỏ và tóm tắt các dữ liệu. Trong q trình nghiên cứu, người ta có thể thu thập được số lượng biến khá lớn và các biến này thường có liên hệ với nhau và số lượng của các biến quan sát này phải được thu gọn xuống một số lượng mà người nghiên cứu có thể sử dụng được. Trong phân tích nhân tố khơng có sự phân biệt của một biến được coi là độc lập, phụ thuộc hay là biến dự đốn như trong phân tích phương sai, hồi qui bội và phân tích biệt số mà nó là một kỹ thuật phụ thuộc lẫn nhau (interdepence) trong đó tồn bộ các mối liên hệ phụ thuộc lẫn nhau sẽ được nghiên cứu. Phương pháp phân tích nhân tố thường được sử dụng trong các trường hợp sau:
Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan
Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích đa biến tiếp theo sau
Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều
biến để sử dụng trong các phân tích đa biến kế tiếp
EFA thường được dùng để đánh giá hai loại giá trị của thang đo đó là giá trị hội tụ và giá trị phân biệt.
Giá trị hội tụ (Convergent validity): là các biến trong một yếu tố có mối tương quan cao với nhau. Hệ số tải phụ thuộc vào kích thước mẫu của bộ dữ liệu, hệ số tải yêu cầu càng cao khi kích thước mẫu càng nhỏ. Thơng thường hệ số tải nhân tố factor loading phải lớn hơn 0.5
Giá trị phân biệt (Discriminant validity) là mức độ khác biệt và không tương
quan giữa các yếu tố với nhau.
Phân tích tương quan Pearson thường được thực hiện trước khi phân tích hồi
quy giúp kiểm tra mối tương quan tuyến tính giữa biến phụ thuộc với các biến độc lập có chặc chẽ hay khơng, và điều kiện để thực hiện hồi quy là các biến đó phải tương quan.
Hệ số tương quan càng tiến về 1 hoặc -1 thì mức độ tương quan càng mạnh và
chặt chẽ
Mức độ tương quan càng yếu khi hệ số tương quan càng tiến về 0
Hệ số tương quan bằng 0 thì khơng có mối quan hệ tương quan tuyến tính
nghĩa là khơng có mối liên hệ giữa hai biến hoặc là giữa hai biến đó có mối quan hệ phi tuyến tính
Khi các biến độc lập có mối tương quan mạnh với nhau, có các dấu hiệu như là giá trị sig tương quan giữa các biến độc lập nhỏ hơn 0.05 và giá trị tương quan Pearson lớn hơn 0.4 thì cần xem xét xem có xảy ra hay không hiện tượng đa cộng tuyến (hiện tương đa cộng tuyến là “hiện tượng các biến độc lập trong mơ hình phụ thuộc lẫn nhau và thể hiện được dưới dạng hàm số- hai biến độc lập có quan hệ rất mạnh với nhau, hai biến này phải là một biến nhưng trong mơ hình nhà nghiên cứu lại tách làm
hai biến, hiện tượng đa cộng tuyến vi phạm giả định của mơ hình hồi qui tuyến tính cổ điển là các biến độc lập khơng có mối quan hệ tuyến tính với nhau”)