CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
3.3. Phương pháp phân tích dữ liệu
3.3.3. Phân tích nhân tố khám phá
Đây là phương pháp thống kê dùng để rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng đầy đủ thông tin của tập biến ban đầu (Hair và cộng sự, 1998). Việc phân tích nhân tố khám phá này chỉ phù hợp khi thỏa mãn các điều kiện như:
(1) Hệ số KMO: là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, EFA thích hợp khi: 0,5 ≤ KMO ≤ 1; Kiểm định Bartlet xem xét giả thuyết về độ tương quan giữa các biến quan sát, nếu kiểm định này có ý nghĩa thống kê (sig ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005, p.262).
(2) Hệ số tải nhân tố (hay trọng số nhân tố) (Factor Loading) > 0,5 để tạo giá trị hội tụ (Hair và Ctg 1998, 111). Hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố > 0,3 được xem là đạt mức tối thiểu thì cỡ mẫu ít nhất phải là 350; hệ số tải nhân tố > 0,4 được xem là quan trọng; và ≥ 0,5 được xem là có ý nghĩa thực tiễn. Nếu cỡ mẫu khoảng 100 thì nên thì nên chọn tiêu chuẩn hệ số tải nhân tố > 0,55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố > 0,75. Với mẫu khảo sát thu được trong nghiên cứu này là 200, tác giả chấp nhận hệ số tải nhân tố từ 0,5 trở lên. Với các biến không đạt tiêu chí này thì bị loại vì khơng phải là biến quan trọng trong mơ hình.
(3) Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%. (Hair và Ctg, 1998 và Gerbing & Anderson, 1988).
(4) Hệ số Eigenvalue >1 (Gerbing và Anderson, 1998). Số lượng nhân tố được xác định dựa trên chỉ số eigenvalue - đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
(5) Hệ số tải nhân tố (Factor Loading) lớn nhất của từng biến quan sát ≥ 0,5 (được xem là có ý nghĩa thực tiễn, Hair & ctg, 1998).
(6) Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải ≥ 0,3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003).