Thang đo Số lƣợng
biến
Hệ số Cronbach's
Alpha Kết luận
Sự hài lòng về dịch vụ 5 0,926 Thang đo phù hợp
với 5 biến
Sự hài lòng về nhân viên 4 0,916 Thang đo phù hợp với 4 biến
Sự hài lòng về kênh phân
phối 3 0,846
Thang đo phù hợp với 3 biến
Sự hài lòng về doanh nghiệp 4 0,471 Thang đo không phù hợp với 4 biến Sự hài lịng về hình ảnh và
mơi trường 4 0,835 Thang đo phù hợp với 5 biến
Trung thành thái độ 5 0,872 Thang đo phù hợp
với 5 biến
Hành vi phàn nàn 6 0.890 Thang đo phù hợp
với 6 biến
Xu hướng trung thành 3 0,746 Thang đo phù hợp
với 3 biến Từ chối sản phẩm cạnh
tranh 5 0,867
Thang đo phù hợp với 5 biến
Thang đo sự hài lịng về doanh nghiệp có hệ số Cronbach's Alpha = 0,471 < 0,6. Điều này thể hiện thang đo chưa phù hợp với 4 biến đang xét. Vì vậy, người viết sẽ xem xét thang đo này để loại bỏ đi các biến không phù hợp trong thang đo.
Kết quả phân tích độ phù hợp của các biến trong thang đo sự hài lòng về doanh nghiệp (bảng 2.5) cho thấy, biến DN_3 có tương quan biến tổng nhỏ hơn 0,3 và có hệ số Cronbach's Alpha if Item Deleted = 0,816 (lớn hơn hệ số Cronbach's Alpha tổng là 0,471). Điều này hàm ý rằng, biến DN _3 cần được loại khỏi thang đo. Sau khi loại biến DN_3, hệ số Cronbach's Alpha sẽ chính bằng hệ số Cronbach's Alpha if Item Deleted của biến DN_3 trong thang đo cũ (bằng 0,816). Như vậy, thang đo sự hài lịng về doanh nghiệp hồn tồn phù hợp với 3 biến là DN_1, DN_2 và DN_4. Sau khi được điều chỉnh, thang đo sự hài lòng về doanh nghiệp được chấp nhận trong mơ hình.
Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU
Bảng 2.5. Phân tích độ phù hợp của các biến trong thang đo sự hài lòng về doanh nghiệp Scale Mean if Item Deleted Scale Variance if Item Deleted Corrected Item- Total Correlation Cronbach's Alpha if Item Deleted DN_1 9,06 3,775 0,379 0,336 DN_2 9,09 3,236 0,596 0,157 DN_3 9,41 3,396 0,002 0,816 DN_4 9,19 3,500 0,414 0,291
Sử dụng phân tích khám phá nhân tố EFA
Sau khi sử dụng hệ số Cronbach's Alpha, để xác định mức độ phù hợp của các thang đo, người tiếp tiếp tục sử dụng phân tích EFA. Phân tích EFA dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair, 1998). Điều này hàm ý rằng, phân tích EFA giúp mơ hình loại bỏ đi các biến khơng cần thiết. Trong phân tích EFA, người viết sẽ sử dụng kiểm định KMO (Kaiser-Meyer-Olkin) và Bartlett để xác định việc phân tích nhân tố có phù hợp với bộ dữ liệu không. Giá trị KMO > 0,5 là đủ điều kiện tiến hành phân tích khám phá nhân tố. Tiếp theo người viết sẽ sử dụng đến giá trị tổng phương sai trích (Cumulative cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm) và giá trị Eigenvalues (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) để đánh giá sự phù hợp của các biến. Các nhân tố chỉ phù hợp khi Eigenvalues > 1 và tổng phương sai trích 50% (Hồ Chí Dũng, 2013). Cuối cùng, người viết sử dụng ma trận nhân tố (Component Matrix) để xem xét mối tương quan giữa các nhân tố và các biến và từ đó loại bỏ đi các biến có tương quan thấp. Ma trận nhân tố chứa các hệ số Factor Loading biểu thị tương quan giữa các nhân tố và các biến. Các hệ số Factor Loading > 0,5 là các hệ số phù hợp. Để cho ma trận nhân tố trở nên đơn giản hơn và tăng khả năng giải thích của các biến,
Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU Hoi Can Su FTU
người viết tiến hành xoay ma trận qua phép xoay Quartimax nhằm tối thiểu hố các nhân tố có hệ số lớn tại cùng một biến.
Phân tích khám phá nhân tố EFA đối với các biến về sự hài lòng của người tiêu dùng (biến độc lập):