3.4 Phương pháp phân tích dữ liệu
3.4.3 Phân tích nhân tố
Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Phân tích nhân tố giúp thu gọn các biến quan sát thành những nhóm biến, các biến trong nhóm có quan hệ mật thiết với nhau, mỗi nhóm đo lường một yếu tố riêng; các biến quan sát có thể bị tách ra hay nhập vào thành những nhóm mới so với mơ hình ban đầu.
Trong nghiên cứu này, phương pháp nhân tố EFA được sử dụng để xác số lượng nhân tố; hệ số tải; các tham số thống kê quan trọng trong phân tích nhân tố gồm có:
Phương pháp phân tích nhân tố được sử dụng trong nghiên cứu này là Principal Component Analysis với phép quay Varimax with Kaiser Normalization.
Chỉ số Kaiser- Meyer- Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO đủ lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, cịn nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu.
Mức ý nghĩa của kiểm định Bartlett < 0,05 chứng tỏ các biến có tương quan với nhau trong tổng thể - đây là điều kiện cần để áp dụng phân tích nhân tố (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, 31).
Chỉ số Eigenvalue: Đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những chỉ số nhân tố có Eigenvalue > 1 mới được giữ lại trong mơ hình phân tích, các nhân tố có Eigenvalue < 1 sẽ bị loại khỏi mơ hình. Kết quả đưa ra có bao nhiêu chỉ số Eigenvalue >1 sẽ có bấy nhiêu nhân tố được hội tụ.
Phương sai trích Variance explained criteria: tổng phương sai trích phải lớn hơn 50% (Hair và cộng sự 2006).
Độ giá trị hội tụ: Để thang đo đạt giá trị hội tụ thì hệ số tương quan đơn giữa các biến và các hệ số chuyển tải nhân tố (factor loading) phải lớn hơn hoặc bằng 0,5 trong một nhân tố (Gerbing & Anderson, 1988).