Cronbach’s Alpha = 0.852
Biến Diễn giải
TB TĐ nếu bỏ biến PS TĐ nếu bỏ biến TQ Biến tổng Alpha nếu bỏ biến
V27 Lợi ích của khách hàng nhận được từ Unilever cao hơn những công ty cùng lĩnh vực khác trên thị trường
5.94 3.302 .831 .686
V28 Unilever đã đáp ứng được những kỳ
vọng của khách hàng 5.86 4.045 .611 .891 V29 Tóm lại, khách hàng hài lòng với
chất lượng dịch vụ phân phối của công ty Unilever Việt Nam
6.02 3.379 .737 .780
(Nguồn: Kết quả SPSS Cronbach’s Alpha – Tp sự hài lịng khách hàng)
Tóm lại, sau khi kiểm tra độ tin cậy, với 31 biến ban đầu của thang đo chất lượng dịch vụ và sự hài lòng của khách hàng sau khi kiểm định Cronbach’s Alpha, tất cả các biến đủ điều kiện để tiếp tục phân tích nhân tố khám phá.
2.3.4. Phân tích nhân tố khám phá (EFA) 2.3.4.1. Phương pháp phân tích 2.3.4.1. Phương pháp phân tích
Phân tích nhân tố khám phá (Exploratory Factor Analysis) là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser – Meyer – Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoản từ 0.5 đến 1 thì phân tích này mới thích hợp, cịn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu.
Kiểm định Bartlett xem xét giả thuyết Ho: độ tương quan giữa các biến quan sát bằng không trong tổng thể. 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 cịn dựa vào Eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue > 1 và tổng phương sai trích lớn hơn 50% thì mới được giữ lại trong mơ hình. Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn bột biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Component Matrix) hay ma trận nhân tố khi các nhân tố được xoay. 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 các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Cở mẫu trong nghiên cứu là 220, như vậy có thể giữ lại các biến có hệ số tải nhân tố ≥ 0.4 để hạn chế loại biến. Ngoài ra, tác giã khi thực hiện loại các biến khơng phù hợp khi phân tích nhân tố khám phá EFA theo thứ tự: loại các biến cùng giải thích cho nhiều nhân tố có hệ số tải nhân tố gần nhau (khoảng cách ước lượng 0.3) trước, sau đó loại tiếp các biến có hệ số tải nhân < 0.4.
Tác giả phân tích nhân tố khám phá EFA riêng biệt cho 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.
2.3.4.2. Kết quả EFA cho biến độc lập