PHƯƠNG PHÁP NGHIÊN CỨU
2.1.2.3 Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Đây là kỹ thuật sử dụng để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng như tìm ra mối quan hệ giữa các biến với nhau.
Mức độ thích hợp của tương quan nội tại các biến quan sát trong khái niệm nghiên cứu được thể hiện bằng hệ số KMO (Kaiser – Mever – Olkin) đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Bartlett’s Test of Sphericity trong phân tích khám phá dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (nằm giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, cịn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng phù hợp với tập dữ liệu đang khảo sát (Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008)).
Hệ số tải nhân tố (Factor Loading): là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số này là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Theo Hair và ctg (1998), factor loading > 0.3 được xem là đạt được mức tối thiểu, factor loading > 0.4 được xem là quan trọng , factor loading > 0.5 được xem là có ý nghĩa thực tiễn.
Phương pháp phân tích Principal Axis Factoring với phép quay Promax sẽ được thực hiện và điểm dừng khi trích các yếu tố có Eigenvalue >1. Theo Hair và ctg (1995), thông số Eigenvalue biểu thị sự biến thiên theo các nhân tố của biến khảo sát và thơng số Eigenvalue >1 thì các nhân tố thành phần mới có ý nghĩa.
Thơng số phần trăm tổng phương sai trích: biểu thị sự biến thiên được giải thích bởi các nhân tố, thang đo được chấp nhận khi tổng phương sai trích của tất cả các nhân tố > 50%.