CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
4.3 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là tập kỹ thuật phân tích thống kê có liên hệ với nhau dùng để rút gọn một tập hợp nhiều biến quan sát có mối tương quan với 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 (Trích Nguyễn Đình Thọ, 2011). Cụ thể, khi đưa tất cả các biến thu
thập được (28 biến) vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ được gom thành các nhóm biến có liên hệ để xem xét và trình bày dưới dạng các nhân tố cơ bản tác động đến sự hồn thiện HTKSNB trong cơng tác kiểm tra thuế tại Chi cục Thuế Quận 9.
Sau khi tiến hành kiểm định bằng hệ số Cronbach's Alpha ở trên (xem mục
4.2.2), bước tiếp theo tác giả sẽ đưa các biến khơng bị loại vào phân tích nhân tố.
Trong phân tích nhân tố, các nhà nghiên cứu thường chú ý đến các yếu tố sau: Hệ số KMO (Kaiser-Meyer-Olkin): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố và KMO phải ≥ 0.5. Theo Kaiser (1974) đề nghị KMO ≥ 0.9: rất tốt; KMO ≥ 0.8: tốt; KMO ≥ 0.7: được; KMO ≥ 0.6: tạm được; KMO ≥ 0.5: xấu và KMO < 5: khơng thể chấp nhận được (Trích Nguyễn Đình Thọ, 2011, trang
397).
thuyết H0 (H0 = các biến khơng có tương quan với nhau trong tổng thể) căn cứ vào giá trị sig., nếu sig. < 0.05 thì các biến quan sát có tương quan với nhau trong tổng thể, do đó ta có thể tiến hành phân tích nhân tố (Hồng Trọng & Chu Nguyễn Mộng
Ngọc, 2005).
Hệ số tải nhân tố (Factor loading): là hệ số tương quan giữa các biến và nhân tố, hệ số này cho biết sự liên hệ chặt chẽ giữa các biến với nhau. Nếu hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại, đồng thời các biến có trọng số khơng đạt độ phân biệt cao giữa các nhân tố (< 0.3) cũng sẽ bị loại (Nguyễn Đình Thọ, 2011).
Nhân tố trích được phải có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích vì đây là đại lượng đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố (Hair & ctg, 2006).
Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%
Trong đề tài này, tác giả sử dụng phương pháp trích Principal Components Analysis (PCA) với phép xoay Varimax để tìm ra các nhân tố đại diện cho các biến. Tác giả tiến hành phân tích nhân tố khám phá (EFA) theo từng bước. Lần đầu thực hiện EFA, 28 biến đã nhóm lại thành 5 nhân tố. Sau 4 lần thực hiện phép quay, có 5 nhóm chính thức được hình thành.
Phân tích nhân tố khám phá (EFA) ảnh hưởng đến hoạt động KSNB trong công tác kiểm tra thuế tại Chi cục thuế Quận 9
Các yếu tố ảnh hưởng đến ảnh hưởng đến hoạt động KSNB trong công tác kiểm tra thuế tại Chi cục Thuế Quận 9 được đo lường bởi 5 thành phần: Mơi trường kiểm sốt; Đánh giá rủi ro; Hoạt động kiểm sốt; Thơng tin và truyền thơng; Giám sát tất cả bao gồm 28 biến, sau khi kiểm định Cronbach's Alpha giữ lại 22 biến (xem
mục 4.2.2), tác giả đưa 22 biến này vào phân tích nhân tố EFA.
Phân tích nhân tố khám phá (EFA) lần thứ nhất. Khi phân tích nhân tố, nghiên cứu đặt ra 2 giả thuyết:
Giả thuyết H0: Các biến trong tổng thể khơng có tương quan với nhau. Giả thuyết H1: Các biến trong tổng thể có tương quan với nhau.
Bảng 4.8: Hệ số KMO và kiểm định Barlett các thành phần lần thứ nhất Kiểm tra KMO and Bartlett's Kiểm tra KMO and Bartlett's
Hệ số KMO (Kaiser-Meyer-Olkin) .741
Mơ hình kiểm tra của Bartlett
Giá trị Chi-Square 851.078
Bậc tự do
231 Sig (giá trị P – value)
.000
Nguồn: Phân tích dữ liệu, phục lục 4
Kết quả kiểm định Barlett cho thấy giữa các biến trong tổng thể có mối tương quan với nhau (sig = 0.00 < 0.05, bác bỏ H0, nhận H1). Đồng thời, hệ số KMO = 0.741 > 0.5, chứng tỏ phân tích nhân tố để nhóm các biến lại với nhau là thích hợp và dữ liệu phù hợp cho việc phân tích nhân tố.
Bảng 4.9: Bảng phương sai trích lần thứ nhất Total Variance Explained Total Variance Explained
Nhân tố
Giá trị Eigenvalues Chỉ số sau khi trích Chỉ số sau khi xoay Tổng Phươn g sai trích Tích lũy phương sai trích Tổng Phươn g sai trích Tích lũy phương sai trích Tổng Phương sai trích Tích lũy phương sai trích 1 6.621 30.097 30.097 6.621 30.097 30.097 3.176 14.439 14.439 2 2.438 11.084 41.181 2.438 11.084 41.181 2.853 12.968 27.407 3 1.971 8.961 50.141 1.971 8.961 50.141 2.752 12.509 39.916 4 1.617 7.352 57.494 1.617 7.352 57.494 2.715 12.342 52.257 5 1.175 5.341 62.835 1.175 5.341 62.835 2.327 10.577 62.835 6 1.090 4.955 67.789
Extraction Method: Principal Component Analysis.
Nhìn vào cho thấy, các nhân tố đều có giá trị Eigenvalues > 1. Phương sai trích là 62.835% > 50% là đạt yêu cầu. Với phương pháp rút trích Principal components và phép quay Varimax, có 5 nhân tố được rút trích ra từ biến quan sát. Điều này chứng tỏ cho chúng ta thấy 5 nhân tố rút trích ra thể hiện được khả năng giải thích được 62.835% sự thay đổi của biến phụ thuộc trong tổng thể.
Theo kết quả phân tích nhân tố EFA lần thứ nhất, thang đo được chấp nhận và được phân thành 5 nhóm. Một số biến của các thành phần thang đo có trọng số (Factor loading) nhỏ hơn 0.50 sẽ bị loại. Trong đó, biến có trọng số nhỏ nhất và hiệu số < 0.3 là TTTT4 nên biến TTTT4 sẽ bị loại ở lần phân tích thứ nhất.
Tương tự như vậy, tác giả tiến hành chạy lại EFA thêm 2 lần nữa, kết quả như sau:
– Phân tích nhân tố khám phá lần 2: loại biến TTTT2.
– Phân tích nhân tố khám phá lần 3: loại biến HĐKS5.
– Phân tích nhân tố khám phá lần 4: loại biến HĐGS1.
– Phân tích nhân tố khám phá lần 5: loại biến TTTT1.
Phân tích nhân tố khám phá (EFA) lần cuối (lần thứ 6).
Bảng 4.10: Hệ số KMO và kiểm định Barlett các thành phần lần cuối Kiểm tra KMO and Bartlett's Kiểm tra KMO and Bartlett's
Hệ số KMO (Kaiser-Meyer-Olkin) .745
Mơ hình kiểm tra của Bartlett
Giá trị Chi-Square
515.311
Bậc tự do 136
Sig (giá trị P – value) .000
Nguồn: Phân tích dữ liệu, phục lục 4
Kết quả kiểm định Barlett cho thấy giữa các biến trong tổng thể có mối tương quan với nhau (sig = 0.00 < 0.05, bác bỏ H0, nhận H1). Đồng thời, hệ số KMO = 0.745 > 0.5, chứng tỏ phân tích nhân tố để nhóm các biến lại với nhau là thích hợp và dữ liệu phù hợp cho việc phân tích nhân tố.
Bảng 4.11: Bảng phương sai trích lần cuối
Total Variance Explained
Nhân tố
Giá trị Eigenvalues Chỉ số sau khi trích Chỉ số sau khi xoay Tổng Phương sai trích Tích lũy phương sai trích Tổng Phươn g sai trích Tích lũy phương sai trích Tổng Phươn g sai trích Tích lũy phương sai trích 1 4.851 28.534 28.534 4.851 28.534 28.534 2.702 15.896 15.896 2 2.301 13.537 42.072 2.301 13.537 42.072 2.428 14.282 30.178 3 1.571 9.241 51.313 1.571 9.241 51.313 2.145 12.616 42.794 4 1.508 8.873 60.186 1.508 8.873 60.186 2.091 12.300 55.093 5 1.127 6.630 66.815 1.127 6.630 66.815 1.993 11.722 66.815 6 .978 5.755 72.570
Extraction Method: Principal Component Analysis.
Nguồn: Phân tích dữ liệu, phục lục 4
Bảng 4.11 cho thấy, các nhân tố đều có giá trị Eigenvalues > 1. Với phương pháp rút trích Principal components và phép quay Varimax, có 5 nhân tố được rút trích ra từ biến quan sát. Phương sai trích là 66.815% > 50% là đạt yêu cầu. Điều này chứng tỏ cho chúng ta thấy 5 nhân tố rút trích ra thể hiện được khả năng giải thích được 66.815% sự thay đổi của biến phụ thuộc trong tổng thể.
Theo kết quả phân tích nhân tố EFA lần cuối thực hiện phương pháp rút trích Principal components và phép quay Varimax, kết quả các nhóm được gom lần cuối như sau:
Nhóm 1 (nhân tố đánh giá rủi ro) gồm 5 biến: DGRR1, DGRR2, DGRR3, DGRR4, DGRR5.
Nhóm 2 (nhân tố thông tin và truyền thông) gồm 4 biến: TTTT3, TTTT5, HĐKS4, HĐKS3.
Nhóm 3 (nhân tố mơi trường kiểm sốt) gồm 3 biến: MTKS2, MTKS5, MTKS4.
Nhóm 4 (nhân tố giám sát) gồm 3 biến: HĐGS3, HĐGS4, HĐGS2. Nhóm 5 (nhân tố kiểm sốt) gồm 3 biến: HĐKS1, HĐKS2.
Kết luận phân tích nhân tố khám phá mơ hình đo lường
Từ kết quả phân tích Cronbach’s Alpha và EFA như trên, mơ hình nghiên cứu lý thuyết chính thức điều chỉnh gồm 5 nhân tố tác động đến sự hoàn thiện HTKSNB trong công tác kiểm tra thuế tại Chi cục Thuế Quận 9. Mơ hình nghiên cứu và các giả thuyết được điểu chỉnh lại như sau:
H1: Đánh giá rủi ro tác động cùng chiều đến sự hồn thiện HTKSNB trong cơng tác kiểm tra thuế tại Chi cục Thuế Quận 9.
H2: Thông tin và truyền thông tác động cùng chiều đến sự hoàn thiện HTKSNB trong công tác kiểm tra thuế tại Chi cục Thuế Quận 9.
H3: Mơi trường kiểm sốt tác động cùng chiều đến sự hồn thiện HTKSNB trong cơng tác kiểm tra thuế tại Chi cục Thuế Quận 9.
H4: Giám sát tác động cùng chiều đến sự hồn thiện HTKSNB trong cơng tác kiểm tra thuế tại Chi cục Thuế Quận 9.
H5: Hoạt động kiểm sốt tác động cùng chiều đến sự hồn thiện HTKSNB trong công tác kiểm tra thuế tại Chi cục Thuế Quận 9.