Kiểm định độ tin cậy thang đo Cronbach’s Alpha được sử dụng để loại bỏ biến rác trước khi tiến hành phân tích. Kiểm định độ tin cậy của các biến trong thang đo lòng trung thành của khách hàng đối với thương hiệu Biti’s dựa vào hệ số kiểm định Cronbach’s Alpha của các biến thành phần thang đo và hệ số Cronbach’s Alpha của mỗi biến đo lường. Hệ số tương quan biến tổng > 0,3 (Nunnally & Berstein, 1994). Một thang đo có độ tin cậy tốt khi hệ số của nó biến thiên trong khoảng từ 0,7 đến 0,80. Nếu thang đo có hệ số Cronbach’s Alpha > 0,6 (Nunnally & Berstein, 1994), thì có thể chấp nhận được về mặt tin cậy, đây có thể sử dụng được trong trường hợp khái niệm đo lường là mới hoàn toàn hoặc là mới đối với người trả lời trong bối cảnh nghiên cứu (Nunally, 1978 ; Peterson, 1994; Slater, 1995 trích trong Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Khi Cronbach’s Alpha đạt được là quá cao (> 0.95) thì biến cần phải loại, vì nó gần giống như hiện tượng đa cộng tuyến.
Phân tích nhân tố khám phá (EFA): Phương pháp phân tích EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là khơng có biến phụ thuộc hay độc lập mà nó dựa vào mối tương quan giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố ý nghĩa hơn. Cơ sở của việc rút gọn này là dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Theo Gerbing & Anderson (1988), phương pháp trích Pricipal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal). Khi phân tích nhântố khám phá EFA, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn như sau:
• Thứ nhất: Tiêu chuẩn kiểm định Barlett: Các biến có tương quan với nhau hay khơng thì kiểm định Barlett sẽ giải quyết vấn đề đó. Khi mức ý nghĩa của kiểm định Bartlett nhỏ hơn 0,05 (sig < 0,05) thì ta kết luận các biến quan sát có tương quan với nhau trong tổng thể (Hair và cộng sự, 2006).
• Thứ hai: Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5 < KMO < 1 thì phân tích nhân tố thích hợp. Kiểm định Barlett (Bartlett’s Test of Sphericity) dùng để xem xét ma trận tương quan có phải là ma trận đơn vị I, là ma trận thành phần (hệ số tương quan giữa các biến) bằng khơng
và đường chéo (hệ số tương quan với chính nó) bằng 1. Nếu kiểm định có sig < 5 thì
các biến có quan hệ với nhau (Thọ, 2011).
• Thứ ba: Hệ số tải nhân tố (Factor Loading), theo Hair ctg (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0.3 được xem đạt mức tối thiểu, Factor loading > 0.4 được xem là quan trọng, Factor loading > 0.5 được xem là có ý nghĩa thực tiễn. Ngồi ra, Hair ctg (1998) cịn có một
số kết luận: Nếu chọn tiêu chuẩn Factor loading > 0.3 thì cỡ mẫu ít nhất là 350, nếu cỡ mẫu khoảng 100-350 thì nên chọn tiêu chuẩn Factor loading > 0.55, nếu cỡ mẫu
khoảng < 100 thì Factor loading phải > 0.75.
• Thứ tư: Thang đo được chấp nhận khi tổng phương sai trích > 50% (Gerbing & Anderson, 1988).
• Thứ năm: Điểm dừng khi trích các yếu tố có hệ số Eigenvalue phải có giá trị > 1 (Gerbing & Anderson, 1988).
• Thứ sáu: Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố > 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun l-Tamimi, 2003)
Mặt khác, theo Nguyễn Đình Thọ (2012), kích thước mẫu trong nghiên cứu sơ bộ thường là nhỏ nên sẽ rất khó khăn để xác định các thang đo cùng một lúc. Vì thế, ta có thể dùng EFA để phân tích đa hướng cho các khái niệm đơn hướng.