STT Thang đo Biến quan sát đủ độ tin cậy
Biến quan sát không đủ độ tin cậy Độc lập
1 KG KG1, KG2, KG3, KG4, KG5, KG6, KG7 0
2 HI HI1, HI2, HI3, HI4, HI5 0
3 STD STD2, STD3, STD4, STD5, STD6 STD1
4 RC RC2, RC3, RC4, RC5, RC6 RC1
5 DV DV1, DV2, DV3, DV4, DV5 DV6, DV7. DV8
Phụ thuộc
6 QD QD1, QD2, QD3, QD4, QD5 0
Nguồn: Tổng hợp của tác giả
4.2.3 Phân tích nhân tố khám phá
4.2.3.1 Phân tích nhân tố cho các biến độc lập
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số phân tích Cronbach’s Alpha và loại đi các biến quan sát không dảm bảo đợ tin cậy. Phân tích nhân tố khám phá EFA là phương pháp 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 cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến quan sát với nhau.
- Thực hiện phân tích lần đầu:
Kiểm định sự thích hợp của phân tích nhân tố đối với các dữ liệu ban đầu bằng chỉ số KMO (Kaiser-Meyer-Olkin) và giá trị thống kê Bartlett‘s có hệ số KMO = 0.870, Sig = 0.00 < 0.05. Kết quả này chỉ ra rằng, các biến quan sát trong tổng thể có mối
74
tương quan với nhau và phân tích nhân tố (EFA) là thích hợp (xem chi tiết thông số
tại Phụ lục 5 – Bảng 5.1.1a).
Tiến hành thực hiện phương pháp trích nhân tố và phương pháp xoay nhân tố cho thấy, giá trị Eigenvalues = 1.028 > 1 đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố, thì nhân tố rút ra có ý nghĩa tóm tắt thơng tin tốt nhất. Mặt khác, tổng phương sai trích (Rotation Sum of Squared Loadings) = 60.015 % > 50 %. Vậy chứng tỏ rằng 60.015 % biến thiên của dữ liệu được giải thích bởi 7 nhân tố (xem
75