CHƢƠNG 2 : CƠ SỞ LÝ THUYẾT
3.4. Thiết kế nghiêncứu định lƣợng:
3.4.4.3. Phân tích nhân tố (EFA)
Với số lượng các biến khá lớn và có mối tương quan với nhau, chúng ta cần giảm số lượng này xuống còn một số nhân tố ít hơn mà chúng ta có thể sử dụng được nhưng vẫn có thể đại diện cho phần lớn ý nghĩa các biến thu thập. Các nhân tố này thể hiện được sự liên hệ qua lại giữa các biến và thể hiện sự giải thích của biến đối với các khía cạnh khác nhau của vấn đề.
Trong tài liệu này, tác giả sử dụng phương pháp phân tích nhân tố “Principle Components” và phép quay VARIMAX để tìm ra các nhân tố đại diện cho các biến. Phép quay VARIMAX là cách quay nguyên góc phổ biến nhất và được sử dụng trong nghiên cứu của đề tài này. VARIMAX là phép xoay nguyên góc các nhân tố để tối thiểu hố số lượng biến có hệ số tải lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố (Hồng Trọng & Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS, ĐH Kinh Tế TPHCM, p.38).
Một số tiêu chí cần quan tâm khi tiến hành phân tích nhân tố:
Kiểm định Barlett: là một kiểm định thống kê nhằm kiểm tra giữa các biến có tương quan hay khơng. Nếu kiểm định này có mức ý nghĩa thống kê dưới 0.05 thì xem như các biến có tương quan với nhau (Hair et al, 1995).
Phép đo sự phù hợp của mẫu KMO (Kaiser-Meyer-Olkin): là phép đo sự tương quan qua lại giữa các biến và sự phù hợp để phân tích nhân tố. Hệ số KMO có giá trị trong khoảng 0 đến 1. Giá trị KMO phụ thuộc vào cỡ mẫu, độ tương quan trung bình, số biến và số nhân tố. Nếu hệ số này lớn hơn 0.5 thì tập dữ liệu được xem là phù hợp để tiến hành phân tích nhân tố (Hair et
35
mẫu (MSA: measure of sampling adequacy) cho từng biến nếu lớn hơn 0.5 thì phù hợp cho việc phân tích nhân tố. Nếu nhỏ hơn 0.5 thì loại biến có MSA nhỏ nhất rồi chạy lại phân tích nhân tố (Hair et al, 1995).
Eigenvalue: là tổng bình phương các trọng số của các biến trên một cột nhân tố, cịn được gọi là latent root. Nó đại diện cho mức độ biến động được giải thích bởi một nhân tố. Giá trị eigenvalue của các nhân tố được chọn phải từ 1 trở lên (Hair et al, 1995).
Communality: thể hiện tỉ lệ của các nhân tố phân tích đại diện cho cụ thể một biến nào đó. Giá trị này phải lớn hơn 0.2 (Hair et al, 1995).
Tuy nhiên, khi tiến hành phân tích nhân tố khám phá thực tế, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
Hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0.5, mức ý nghĩa kiểm định Bartlett ≤ 0.05.
Hệ số tải nhân tố (Factor Loading) ≥ 0.5. Nếu biến quan sát nào có hệ số tải nhân tố < 0.5 sẽ bị loại.
Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
Hệ số Eigenvalue có giá trị lớn hơn 1 (Trần Đức Long, 2006, p.47 trích từ Gerbing & Anderson (1988), “An Update Paradigm for Scale Development
Incorporing Unidimensionality and Its Assessments”, Journal of Marketing
Research, Vol.25, p. 186-192).
Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Bùi Nguyên Hùng & Võ Khánh Tồn, 2005 trích từ Jabnoun & Al-Tamimi, 2003, Measuring perceived service quality at UAE commercial banks, International Journal of Quality
36