Cronbach’s Alpha = 0.818 Biến TBTĐ nếu loại biến PSTĐ nếu loại biến TQ Biến tổng Alpha nếu loại biến V23 7.38 3.483 .675 .745 V24 7.44 3.373 .696 .722 V25 7.51 3.859 .643 .777
(Nguồn: Phụ lục 5 - Kết quả SPSS Cronbach’s Alpha - Sự hài lòng của khách hàng)
Hệ số tin cậy Cronbach’s Alpha là 0.818. Nếu ta loại đi bất kỳ thang đo (biến) nào thì hệ số Cronbach’s Alpha sẽ bị giảm đi. Ngoài ra, các hệ số tương quan biến tổng của các biến quan sát này thấp nhất là 0.643 > 0.3 nên các biến này khá phù hợp và được sử dụng trong phép phân tích nhân tố khám phá tiếp theo.
Như vậy, thang đó chất lượng dịch vụ kiểm tốn và sự hài lịng của khách hàng bao gồm 25 biến, sau khi kiểm định bằng hệ số tin cậy Cronbach’Alpha, tất cả các biến đủ điều kiện để tiếp tục phân tích nhân tố khám phá.
2.4.5.Phân tích nhân tố khám phá EFA
2.4.5.1. Phương pháp phân tích
Phân tích nhân tố khám phá EFA (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 của KMO 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.
Đại lượng Bartlett là một đại lượng thống kê dung để xem xét xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hồn tồn với chính nó (r=1) nhưng khơng có tương quan với những biến khác (r=0). Điều kiện cần để áp dụng phân tích nhân tố là các biến các biến phải có tương quan với nhau, do đó nếu kiểm định cho thấy khơng có ý nghĩa thống kê thì khơng nên áp dụng phân tích nhân tố cho các biến đang xem xét. 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 (Gerbing và Anderson, 1988). 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 một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
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. Với cở mẫu trong nghiên cứu là 200, như vậy có thể giữ lại các biến có hệ số tải nhân tố ≥ 0.4 để hạn chế loại biến (Gerbing và Anderson, 1988). Ngoài ra, tác giả 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 trước để tạo giá trị phân biệt giữa các nhân tố, 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.
2.4.5.2. Kết quả EFA cho biến độc lập