CHƢƠNG 4 : KẾT QUẢ NGHIÊN CỨU
4.3 Phân tích nhân tố khám phá EFA
Sau khi đã làm rõ độ tin cậy, thang đo cần đƣợc tiến hành đánh giá thêm giá trị của nó thơng qua phân tích nhân tố khám phá (Nguyễn Đình Thọ, 2013). Phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu, xem xét các mối liên hệ giữa các biến với nhau và trình bày các biến dƣới dạng một số ít nhân tố cơ bản (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Đối với mỗi nhân tố, một biến quan sát sẽ có một hệ số tải nhân tố (factor loading) riêng và hệ số tải nhân tố càng lớn sẽ càng cho biết mối liên hệ giữa nhân tố và biến quan sát càng chặt chẽ. Điều kiện yêu cầu cần thiết trong phân tích nhân tố khám phá là:
Hệ số KMO (Kaiser- Meyer-Olkin) không thấp hơn 0,5, mức ý nghĩa kiểm định Bartell ≤ 0,05. (Nguyễn Đình Thọ, 2013).
Hệ số eigenvalue lớn hơn 1.
Mức chênh lệch của hệ số tải của một biến quan sát đối với các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt, nhƣng giá trị này không quan trọng trong nghiên cứu vì các thang đo khó phân biệt hồn tồn (Nguyễn Đình Thọ, 2013).
Tỷ lệ quan sát trên biến quan sát là 5:1 (Hair & ctg, 2010).
Hệ số tải nhân tố ≥ 0,5 để đảm bảo ý nghĩa thiết thực của phân tích khám phá nhân tố trong trƣờng hợp kích thƣớc mẫu từ 250 đến 350 (Hair & ctg, 2010)
Tổng phƣơng sai trích (Total Variance Explained) ≥ 0,5 để đảm bảo giá trị trong nghiên cứu thực tiễn (Nguyễn Đình Thọ, 2013).
Trong nghiên cứu này, tác giả thực hiện phƣơng pháp phân trích Principal Nhân tố Analysis với phép xoay Varimax và điểm dừng khi trích các yếu tố có eigenvalue lớn hơn 1.
Bảng 4.2: Kết quả phƣơng pháp trích: Principal Component Analysis và phép quay Varimax Biến quan sát Nhân tố 1 2 3 4 SEV1 .809 SEV2 .836 SEV3 .768 SEV4 .783 SEV5 .715 DBP1 .660 DBP2 .678 DBP3 .765 DBP4 .821 ABP1 .749 ABP2 .764 ABP3 .675 ABP4 .792 ABP5 .765 ABP6 .763 LOY1 .724 LOY2 .652 LOY3 .827 LOY4 .755 LOY5 .721 LOY6 .707 Nguồn: Phụ lục 8
Kết quả cho thấy 21 biến quan sát đƣợc nhóm thành 4 nhân tố, hệ số tải nhân tố ≥ 0,5 nên các biến quan sát đều quan trong trong các nhân tố, chúng có ý nghĩa thiết thực.
Hệ số KMO = 0,912 nên EFA phù hợp với dữ liệu. Kiểm định Barlett’s với mức ý nghĩa sig = 0,000 .
Phƣơng sai trích đạt 73,04% thể hiện rằng 4 nhân tố trích ra giải thích đƣợc 73,04% biến thiên của dữ liệu.
Do vậy, các biến quan sát có tƣơng quan với nhau về mặt tổng thể, các thang đo rút ra chấp nhận đƣợc. (Phụ lục 8).
Dựa vào bảng trên, ta có thể tổng kết các nhân tố đƣợc trích ra nhƣ sau: 1. Nhân tố thứ nhất gồm 5 biến quan sát:
SEV1 X giúp tơi thể hiện chính mình SEV2 X phản ánh tính cách của tơi SEV3 X làm tăng giá trị của tôi
SEV4 Sử dụng dịch vụ X giúp tôi thấy tự tin vào bản thân
SEV5 Nhân viên ở X tƣ vấn phù hợp với mục đích sử dụng của tôi
Nhân tố này đƣợc đặt tên là Giá trị tự thể hiện của tính cách thƣơng hiệu. (SEV)
2. Nhân tố thứ hai gồm 4 biến quan sát:
DBP1 Hình ảnh của X hồn tồn khác biệt với thƣơng hiệu khác. DBP2 X có dịch vụ đặc biệt hơn so với ngân hàng khác
DBP3 Dễ tìm thấy chi nhánh ngân hàng X hơn so với ngân hàng khác DBP4 Thái độ phục vụ của nhân viên X làm khách hàng hài lòng
Nhân tố này đƣợc đặt tên là Sự khác biệt của tính cách thƣơng hiệu. (DBP)
3. Nhân tố thứ ba gồm 6 biến quan sát:
ABP1 X mang phong cách rất lôi cuốn tôi ABP2 X rất có ích đối với tơi
ABP4 Giao dịch ở X rất an toàn ABP5 Giao dich ở X rất nhanh chóng ABP6 Các thủ tục ở X rất đơn giản
Nhân tố này đƣợc đặt tên là Sự lơi cuốn của tính cách thƣơng hiệu (ABP). 4. Nhân tố thứ tƣ gồm 6 biến quan sát:
LOY1 Tôi sẽ tiếp tục sử dụng ngân hàng này vì tơi thấy quen thuộc với X LOY2 Tơi sẽ tiếp tục sử dụng ngân hàng này cho dù có những lợi thế từ đối thủ cạnh tranh
LOY3 Tôi sẽ sử dụng thêm dịch vụ mới của ngân hàng này LOY4 Tơi thích X hơn những ngân hàng khác.
LOY5 X là lựa chọn đầu tiên khi tôi cần thực hiện giao dịch LOY6 Sẵn sàng giới thiệu ngƣời khác sử dụng X
Nhân tố này đƣợc đặt tên là Lòng trung thành của khách hàng đối với thƣơng hiệu (LOY).