Bảng 2 .7 Kết quả thống kê của các biến trong thang đo chất lượng dịch vụ
Bảng 2.9 Cronbach Alpha của thang đo sự hài lòng của sinh viên
Biến Trung bình
thang đo nếu loại biến
Phương sai thang đo nếu
loại biến Tương quan tổng biến Alpha nếu loại biến SAT1 3.3089 0.6355 0.5931 . SAT2 3.4247 0.6433 0.5931 . Alpha = 0.7445
b. Phân tích nhân tố khám phá EFA (Exploratoty Factor Analysis)
Các thang đo được đánh giá độ tin cậy bao gồm thang đo chất lượng dịch vụ đào tạo (20 biến quan sát) và thang đo sự hài lòng của sinh viên (2 biến quan sát) đều đủ điều kiện để thực hiện bước tiếp theo là phân tích nhân tố khám phá. Phân tích nhân tố khám phá có tác dụng (1) giảm số lượng biến quan sát và (2) khám phá ra những nhân tố cơ bản trong đó chứa các nhóm biến có liên hệ qua lại lẫn nhau (phân loại biến số)
N ghiên cứu tiếp tục sử dụng phần mềm SPSS để phân tích nhân tố khám phá. Kết quả phân tích nhân tố khám phá được trình bày trong các bảng phía dưới và có thể xem thêm trong phần phụ lục 2.5. Các kết quả phân tích nhân tố được giải thích bằng các lý thuyết thống kê trong kinh doanh đồng thời phải thỏa mãn một số điều kiện của phân tích nhân tố. Sẽ có một số biến bị loại bỏ ra khỏi thang đo sau khi hồn thành q trình phân tích nhân tố.
Một số tiêu chuNn phục vụ cho q trình phân tích nhân tố:
Mẫu: theo lý thuyết, kích thước mẫu khi tiến hành phân tích nhân tố phải đủ lớn (>50) và phải gấp đôi số biến quan sát (Hair & ctg, 1998).
Trang 46
Trong nghiên cứu này, số quan sát là 518 và gấp 23,54 lần so với số biến quan sát. N hư vậy kích thước mẫu của nghiên cứu là hợp lệ.
Kaiser – Meyer – Olkin (KMO) và Bertlett’s Test: KMO là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố với dữ liệu của mẫu. Trị số KMO lớn (giữa 0.5 và 1) có ý nghĩa là phân tích nhân tố là thích hợp, cịn nếu nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu. N gồi ra để có thể áp dụng được phân tích nhân tố thì các biến quan sát phải tương quan với nhau. Kiểm định
Bartlett với giả thuyết là không (H0) là “ các biến không tương quan với
nhau”. N ếu xác suất của trị thống kê này nhỏ hơn 0.05 thì bác bỏ giả thuyết trên đồng nghĩa với việc các biến có tương quan với nhau và việc áp dụng phân tích nhân tố là thích hợp.
Xác định số lượng nhân tố
- Tiêu chuNn Kaiser (Kaiser criterion): xác định số nhân tố được trích từ
thang đo. Các nhân tố kém quan trọng bị loại bỏ, chỉ giữ lại những nhân tố quan trọng bằng cách xem xét Eigenvalua. Eigenvalua đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Chỉ có nhân tố nào có Eigenvalua lớn hơn 1 mới được giữ lại trong mơ hình phân tích.
- Tiêu chuNn phương sai trích (Variance explained criteria): tổng
phương sai trích không được nhỏ hơn 50%.
Hệ số tải nhân tố (Factor loadings): là những hệ số tương quan đơn giữa các biến và các nhân tố.
- Để thang đo đạt được giá trị hội tụ, các biến phải có hệ số tải nhân tố
lớn hơn 0.5 trong một nhân tố.
- Để đạt được độ giá trị phân biệt (Discriminant validity), khác biệt
giữa các hệ số tải nhân tố của mỗi biến trong các nhân tố phải lớn hơn 0.3 (Jabnoun & ctg, 2003)
Trang 47
- Phương pháp trích Principal components (phương pháp phân tích