Cronbach’s alpha = 0,700
Biến Trung bình thang đo nếu
loại biến
Phương sai thang đo nếu
loại biến
Tương quan biến
tổng
Cronbach’s alpha nếu loại
biến
Q30 8.18 .881 .490 .649
Q31 7.85 .949 .465 .674
Q32 8.03 .936 .611 .506
(Nguồn: Phụ lục 6 – B. Phân tích Cronbach alpha biến phụ thuộc)
Hệ số tin cậy Cronbach’s alpha của biến này là 0,700. Nếu ta loại đi bất kỳ thang đo (biến) nào thì hệ số Cronbach’s alpha sẽ bị giảm đi. Thêm vào đó, các hệ số tương quan biến tổng của các biến quan sát này thấp nhất là 0,465 > 0,3 nên các biến này khá phù hợp và được sử dụng trong phép phân tích nhân tố khám phá tiếp theo.
4.3 Phân tích nhân tố khám phá EFA
Phương pháp phân tích
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật được sử dụng nhằm thu nhỏ và trích xuất các dữ liệu thành một hoặc nhiều nhóm có tính đại diện cao. Phương pháp này rất có ích cho việc các định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến quan sát với nhau.
Trong phân tích nhân tố khám phá, chỉ số KMO (Kaiser – Meyer – Olkin) được dùng để xem xét sự thích hợp của phân tích nhân tố. Giá trị của KMO nằm trong khoản từ 0,5 đến 1,0 thì phân tích này mới thích hợp, cịn nhiều như giá trị này nhỏ hơn 0,5 thì phân tích nhân tố khơng thích hợp với tập hợp các biến quan sát.
Đại lượng Barlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hồn tồn với chính nó (r = 1) nhưng khơng có tương quan với những biến khác (r = 0). Điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phải có tương quan với nhau, do đó nếu kiểm định cho thấy khơng có ý nghĩa thống kê thì khơng nên áp dụng phân tích nhân tố cho các
biến quan sát đang xem xét. Nếu kiểm định này có ý nghĩa thống kê (sig ≤ 0,05) thì các biến quan sát có tương quan trong tổng thể.
Ngồi ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lượng nhân tố rút trích. Chỉ những nhân tố có Eigenvalue > 1 và tổng phương sai trích lớn hơn 50% thì mới được giữ lại trong mơ hình (Nguyễn Đình Thọ, 2012, trang 393). Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có Eigenvalue < 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố xoay (Rotated Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Với cỡ mẫu trong nghiên cứu là 176, có thể giữ lại các biến có hệ số tải nhân tố > 0,5.
Tác giả phân tích nhân tố khám phá EFA riêng biệt cho từng nhóm biến độc lập và biến phụ thuộc nhằm tránh trường hợp khi phân tích hồi quy tuyến tính sẽ khơng có ý nghĩa vì hiện tượng các biến độc lập và phụ thuộc giải thích qua lại cho nhau.
Kết quả phân tích nhân tố khám phá biến độc lập