CHƯƠNG 4 : KẾT QUẢ NGHIÊN CỨU VÀ BÀN LUẬN
4.2. Kết quả nghiên cứu định lượng
4.2.2. Phân tích nhân tố khám phá
Phân tích nhân tố khám phá EFA là một phương pháp phân tích thống kê dùng để rút gọn một tập hợp gồm nhiều biến quan sát lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn, nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. Nghiên cứu sử dụng phần mềm SPSS 16.0 tiến hành kiểm định lần lượt tính thích hợp của EFA. Trong đó, chú ý tới việc lựa chọn tiêu chuẩn hệ số tải nhân tố (factor loadings). Theo Hair và cộng sự (2006), factor loadings > 0,3 được xem là đạt mức tối thiểu; factor loadings > 0,4 được xem là quan trọng; factor loadings > 0,5 được xem là có ý nghĩa thực tiễn.
Trường hợp biến có factor loadings < 0,3 nhưng có giá trị nội dung thì có thể giữ lại biến. Trường hợp các biến có factor loadings không thỏa mãn điều kiện trên hoặc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (≤ 0,3), có nghĩa là không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó bị loại và các biến cịn lại được nhóm vào các nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Trong nghiên cứu này, tổng số biến quan sát là 24 quan sát đối với nhân tố độc lập, và 3 quan sát đối với biến phụ thuộc, quy mô mẫu ≥ 100 và ≤ 350, do đó tác giả chọn mức hệ số factor loadings bằng 0,5.
a. Phân tích nhân tố khám phá biến độc lập
Lần 1: Sau khi đánh giá độ tin cậy của thang đo, 24 biến được đưa vào phân tích
nhân tố khám phá lần thứ nhất bằng phương pháp trích Principal Component và phép xoay Varimax, kết quả phân tích cho thấy (xem Phụ lục 3).
- Hệ số KMO = 0,822 chứng tỏ dữ liệu nghiên cứu phù hợp để phân tích EFA. (tiêu chí 0,5 ≤ KMO ≤ 1). Ngoài ra, giá trị sig = 0,000 thỏa mãn tiêu chí sig ≤ 0,5, do đó các biến quan sát có tương quan tuyến tính với nhân tố đại diện. - Tiếp tục kiểm định phương sai trích (% cumulative variance) của các nhân tố.
Trên bảng tổng phương sai được giải thích (Total Variance Explained), ta thấy phương sai cộng dồn của các nhân tố (cumulative %) là 65,636% (đạt điều kiện ≥ 50%). Điều này có nghĩa là 65,636% thay đổi của các nhân tố được giải thích bởi các biến quan sát.
- Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue < 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Eigenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Kết quả nghiên cứu này có 5 nhóm nhân tố đại diện đảm bảo được tiêu chuẩn có Eigenvalue > 1.
- Tiếp tục với kết quả của phân tích EFA, ta có ma trận nhân tố xoay (Rotated component matrix) trong đó thể hiện 22 biến đặc trưng đều có hệ số tải nhân tố > 0,5. Riêng các biến quan sát PU2, MI3 có hệ số tải nhân tố nhỏ hơn 0,5 nên bị loại ra khỏi thang đo và tiến hành phân tích lần hai.
Bảng 4.9: Ma trận nhân tố xoay (Rotated component matrix) lần 1
Component 1 2 3 4 5 Áp lực cưỡng chế 2 .806 Áp lực cưỡng chế 5 .800 Áp lực cưỡng chế 1 .776 Áp lực cưỡng chế 8 .774 Áp lực cưỡng chế 6 .762 Áp lực cưỡng chế 4 .704 Áp lực cưỡng chế 7 .665 Áp lực cưỡng chế 3 .564 Áp lực mô phỏng 3
Nhận thức hữu ích của EMA 7 .794 Nhận thức hữu ích của EMA 8 .755 Nhận thức hữu ích của EMA 6 .682 Nhận thức hữu ích của EMA 3 .674 Nhận thức hữu ích của EMA 4 .556
Nhận thức hữu ích của EMA 2
Nhận thức rào cản khi áp dụng EMA 3 .858 Nhận thức rào cản khi áp dụng EMA 1 .823 Nhận thức rào cản khi áp dụng EMA 4 .817 Nhận thức rào cản khi áp dụng EMA 2 .784
Áp lực mô phỏng 2 .836
Áp lực mô phỏng 1 .785
Áp lực quy chuẩn 1 .833
Áp lực quy chuẩn 2 .774
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations.
Nguồn: Kết quả phân tích dữ liệu của tác giả
Lần hai: Sau khi tiến hành phân tích nhân tố khám phá lần thứ hai bằng phương
pháp trích Principal Component và phép xoay Varimax cho thấy (xem Phụ lục 3): - Hệ số KMO = 0,809 chứng tỏ dữ liệu nghiên cứu phù hợp để phân tích EFA.
(tiêu chí 0,5 ≤ KMO ≤ 1). Ngồi ra, giá trị sig = 0,000 thỏa mãn tiêu chí sig ≤ 0,5, do đó các biến quan sát có tương quan tuyến tính với nhân tố đại diện. - Tại giá trị Eigenvalue = 1,186 đạt tổng phương sai trích 67,379% (thỏa mãn điều
kiện ≥ 50%), ta thu được 5 nhóm yếu tố.
- 22 biến quan sát được rút trích vào 5 nhóm yếu tố. Tất cả các biến quan sát thỏa điều kiện có factor loading > 0,5 và đạt được sự phân biệt nên được chấp nhận.
Bảng 4.10: Ma trận nhân tố xoay (Rotated component matrix) lần 2
Component 1 2 3 4 5 Áp lực cưỡng chế 5 .807 Áp lực cưỡng chế 2 .803 Áp lực cưỡng chế 6 .778 Áp lực cưỡng chế 8 .776 Áp lực cưỡng chế 1 .769 Áp lực cưỡng chế 4 .693 Áp lực cưỡng chế 7 .663 Áp lực cưỡng chế 3 .588
Nhận thức sự hữu ích của EMA 7 .817 Nhận thức sự hữu ích của EMA 8 .779 Nhận thức sự hữu ích của EMA 6 .669
Nhận thức sự hữu ích của EMA 3 .614 Nhận thức sự hữu ích của EMA 4 .566 Nhận thức sự hữu ích của EMA 1 .512
Nhận thức về rào cản khi áp dụng EMA 3 .859 Nhận thức về rào cản khi áp dụng EMA 1 .823 Nhận thức về rào cản khi áp dụng EMA 4 .816 Nhận thức về rào cản khi áp dụng EMA 2 .784
Áp lực mô phỏng 2 .828
Áp lực mô phỏng 1 .769
Áp lực tuân thủ quy chuẩn 1 .855
Áp lực tuân thủ quy chuẩn 2 .768
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations.
Nguồn: Kết quả phân tích dữ liệu của tác giả
Kết luận: Có 5 nhân tố đại diện ảnh hưởng đến ý định áp dụng kế tốn quản trị mơi
trường tại các doanh nghiệp sản xuất khu vực phía Nam, bao gồm:
Nhân tố 1 (X1): bao gồm các biến PU1, PU3, PU4, PU6, PU7, PU8; giữ nguyên tên
cho nhân tố này là Nhận thức về sự hữu ích của EMA.
Nhân tố 2 (X2): bao gồm các biến CO1, CO2, CO3, CO4, CO5, CO6, CO7, CO8;
giữ nguyên tên cho nhân tố này là Áp lực cưỡng chế.
Nhân tố 3 (X3): bao gồm các biến MI1, MI2; giữ nguyên tên cho nhân tố này là Áp
lực mô phỏng.
Nhân tố 4 (X4): bao gồm các biến NO1, NO2; giữ nguyên tên cho nhân tố này là Áp
lực tuân thủ quy chuẩn
Nhân tố 5 (X5): bao gồm các biến BA1, BA2, BA3, BA4; giữ nguyên tên cho nhân
tố này là Nhận thức về rào cản khi áp dụng EMA.
b. Phân tích nhân tố khám phá biến phụ thuộc
Sau khi tiến hành phân tích nhân tố khám phá bằng phương pháp trích Principal Component và phép xoay Varimax cho thấy (xem Phụ lục 4):
- Hệ số KMO = 0,730 chứng tỏ dữ liệu nghiên cứu phù hợp để phân tích EFA. (tiêu chí 0,5 ≤ KMO ≤ 1). Ngồi ra, giá trị sig = 0,000 thỏa mãn tiêu chí sig ≤ 0,5, do đó các biến quan sát có tương quan tuyến tính với nhân tố đại diện.
- Tại giá trị Eigenvalue = 2,289 đạt tổng phương sai trích 76,291 (thỏa mãn điều kiện ≥ 50%), ta thu được 1 nhóm yếu tố.
- 3 biến quan sát được rút trích vào 1 nhóm yếu tố. Tất cả các biến quan sát đề có hệ số tải nhân tố > 0,5 và đều đạt được độ phân biệt nên ta chấp nhận thang đo.
Bảng 4.11: Bảng ma trận nhân tố biến phụ thuộc
Component 1
Ý định áp dụng EMA 1 .876
Ý định áp dụng EMA 2 .876
Ý định áp dụng EMA 3 .869
Extraction Method: Principal Component Analysis a. 1 component extracted
Nguồn: Kết quả phân tích dữ liệu của tác giả
Kết luận: Như vậy, sau khi kiểm định Cronbach Alpha và phân tích nhân tố khám phá EFA, 28 biến quan sát ban đầu được rút lại còn 25 biến quan sát trong 5 nhóm nhân tố độc lập và 1 nhóm nhân tố phụ thuộc. Tuy nhiên, các biến quan sát được rút trích vào các nhân tố như dự đốn ban đầu, cho nên mơ hình nghiên cứu và các giả thuyết mà tác giả đề xuất vẫn giữ nguyên.