CHƢƠNG 4 : KẾT QUẢ NGHIÊN CỨU
4.3 Kiểm định thang đo
Phân tích nhân tố đƣợc tiến hành sau khi kiểm tra độ tin cậy của các biến quan sát nhằm đánh giá độ hội tụ của các biến quan sát theo các thành phần.
Phân tích nhân tố trong nghiên cứu này dùng phƣơng pháp trích PAF (Principal Axis Factoring) và phép quay Promax. Sau khi kiểm tra độ tin cậy của các biến quan sát bằng phƣơng pháp phân tích Cronbach’s Alpha, mơ hình cịn lại 35 biến ( trong đó có 29 biến quan sát thuộc 7 biến nghiên cứu và 6 biến quan sát thuộc biến phụ thuộc, biến cv5 bị loại). Đƣa 35 biến vào phân tích EFA, kết quả thu đƣợc nhƣ sau: ( Kết quả chi tiết đƣợc trình bày ở phụ lục 6)
- Hệ số KMO =0.929 > 0.8
- Giá trị kiểm định Bartlett’s có mức ý nghĩa Sig = 0.000 < 0.05
Điều này chứng tỏ phân tích nhân tố phù hợp ở mức tốt và các biến quan sát có tƣơng quan với nhau trong tổng thể.
Nghiên cứu dựa vào hệ số Eigenvalue để tính ra số lƣợng nhân tố. Nhân tố đƣợc trích phải có hệ số Eigenvalue lớn hơn hoặc bằng 1. Theo kết quả của phân tích EFA cho thấy nhân tố thứ 6 có hệ số Eigenvalue = 1.043 > 1 nên tất cả các biến đo lƣờng trích đƣợc 6 nhân tố, tổng phƣơng sai trích ( Extration Sums of Squared Loading (Cumulative%)) là 67.028% > 50%. Điều này chứng tỏ 67.028% biến thiên của dữ liệu đƣợc giải thích bởi 6 nhân tố; 35 biến quan sát đƣợc gom thành 6 nhân tố, và có 4 biến quan sát cv1, td4, dv1, hl5 bị loại khỏi phân tích (vì có hệ số factor loading < 0.5). Kết quả này phù hợp với
bƣớc đánh giá độ tin cậy của thang đo vì các biến cv1, td4, dv1, hl5 có hệ số tƣơng quan thấp nhất trong các biến quan sát của mỗi biến nghiên cứu. Do chỉ loại các biến cv1, td4, dv1, hl5 nên chúng ta chỉ cần kiểm tra lại độ tin cậy của các biến ở phụ lục 4 mà không cần phải thực hiện lại việc đánh giá độ tin cậy của thang đo.
Sau khi loại bỏ 4 biến khơng đủ điều kiện, đƣa 31 biến cịn lại chạy lại phân tích nhân tố lần 2 theo quy trình ban đầu, kết quả thu đƣợc nhƣ sau:
- Hệ số KMO =0.915 > 0.8
- Giá trị kiểm định Bartlett’s có mức ý nghĩa Sig = 0.000 < 0.05 Điều này chứng tỏ phân tích nhân tố phù hợp ở mức tốt và các biến quan sát có tƣơng quan với nhau trong tổng thể.
Nghiên cứu dựa vào hệ số Eigenvalue để tính ra số lƣợng nhân tố. Nhân tố đƣợc trích phải có hệ số Eigenvalue lớn hơn hoặc bằng 1. Theo kết quả của phân tích EFA cho thấy nhân tố thứ 6 có hệ số Eigenvalue = 1.022 > 1 nên tất cả các biến đo lƣờng trích đƣợc 6 nhân tố, tổng phƣơng sai trích (Extration Sums of Squared Loading (Cumulative%)) là 67.656% > 50%. Điều này chứng tỏ 67.656% biến thiên của dữ liệu đƣợc giải thích bởi 6 nhân tố; 31 biến quan sát đƣợc gom thành 6 nhân tố, và có 1 biến quan sát nn4 bị loại khỏi phân tích (vì có hệ số factor loading < 0.5). Kết quả này phù hợp với bƣớc đánh giá độ tin cậy của thang đo khi các biến nn4 có hệ số tƣơng quan thấp nhất trong các biến quan sát của mỗi biến nghiên cứu. Do chỉ loại biến nn4 nên chúng ta chỉ cần kiểm tra lại độ tin cậy của các biến ở phụ lục 4 mà không cần phải thực hiện lại việc đánh giá độ tin cậy của thang đo.
Sau khi loại bỏ biến nn4 khơng đủ điều kiện, đƣa 30 biến cịn lại chạy chạy lại phân tích nhân tố lần 3 theo quy trình ban đầu, kết quả thu đƣợc nhƣ sau:
- Hệ số KMO =0.911 > 0.8
Điều này chứng tỏ phân tích nhân tố phù hợp ở mức tốt và các biến quan sát có tƣơng quan với nhau trong tổng thể.
Nghiên cứu dựa vào hệ số Eigenvalue để tính ra số lƣợng nhân tố. Nhân tố đƣợc trích phải có hệ số Eigenvalue lớn hơn hoặc bằng 1. Theo kết quả của phân tích EFA cho thấy nhân tố thứ 6 có hệ số Eigenvalue = 1.012 > 1 nên tất cả các biến đo lƣờng trích đƣợc 6 nhân tố, tổng phƣơng sai trích ( Ratation Sums of Squared Loading (Cumulative%)) là 67.910% > 50%. Điều này chứng tỏ 67.91% biến thiên của dữ liệu đƣợc giải thích bởi 6 nhân tố; 30 biến quan sát đƣợc gom thành 6 nhân tố. Cụ thể:
Pattern Matrixa Factor 1 2 3 4 5 6 tn1 0.734 tn2 0.830 tn3 0.792 tn4 0.790 tn5 0.712 tn6 0.835 dt1 0.730 dt2 0.964 dt3 0.862 dt4 0.886 nn1 0.846 nn2 0.773 nn3 0.537 cv2 0.677 cv3 0.654 cv4 0.871 dg1 0.540 dg2 0.825 dg3 0.370 0.634 dg4 0.600 td1 0.666 td2 0.974
Pattern Matrixa Factor 1 2 3 4 5 6 td3 0.589 dv2 0.777 dv3 0.551 hl1 0.750 hl2 0.557 hl3 0.866 hl4 0.782 hl6 0.747 Extraction Method: Principal Axis Factoring.
Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 6 iterations.