Mã Biến quan sát
Trung bình thang đo nếu
loại biến
Phương sai thang đo nếu
loại biến Tương quan biến tổng Cronbach Alpha nếu loại biến này
Ý định áp dụng EMA (IN), Alpha = 0,845
IN1 Tơi nghĩ DN nên có kế hoạch áp
dụng EMA trong tương lai 7,55 1,886 0,715 0,780
IN2 Tôi nghĩ EMA nên được áp dụng
trong DN càng sớm càng tốt 7,74 1,876 0,714 0,780
IN3 Tôi sẽ tiếp tục tìm hiểu thơng tin về
EMA 7,46 1,922 0,703 0,791
Bảng 4.8 cho thấy, thang đo Ý định áp dụng EMA (IN) được đo lường qua 3 biến quan sát với kết quả phân tích đáp ứng độ tin cậy của thang đo (Cronbach Alpha là 0,845 và hệ số tương quan biến tổng lớn hơn 0,3).
Kết luận: Qua việc đo lường mức độ tin cậy sơ bộ của 6 thang đo thông qua đo
lường hệ số Cronbach Alpha, 1 biến quan sát được loại ra để tránh trường hợp tạo ra nhân tố giả khi phân tích EFA đó là PU5. Tất cả các thang đo tập hợp các biến quan sát còn lại đều đáp ứng được độ tin cậy, đủ điều kiện để đưa vào phân tích EFA.
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 khơng 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 khơng 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.