3.2 Kết quả khảo sát
3.2.3 Phân tích nhân tố khám phá EFA
Sau khi phân tích độ tin cậy của thang đo, bước tiếp theo nhằm xác định tập hợp biến cần thiết cho vấn đề nghiên cứu, chúng ta tiếp tục sử dụng phương pháp phân tích nhân tố khám phá EFA nhằm xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố.
Sau khi phân tích nhân tố, chỉ những nhóm nhân tố thỏa mãn điều kiện mới có thể tham gia vào phần chạy hồi quy trong phân tích tiếp theo.
Các tham số thống kê quan trọng trong phân tích nhân tố gồm:
Chỉ số KMO (Kaiser – Meyer – Olkin measure of sampling adequacty): là một chỉ số dùng để xem xét mức độ thích hợp của phân tích nhân tố. Chỉ số KMO phải đủ lớn (>0.5) (Hair & cộng sự, 2006) thì 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 dữ liệu.
Chỉ số Eigenvalue: đại diện cho lượng biến thiên được giải thích bởi nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích, các nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mơ hình (Hair & cộng sự, 2006).
Phương sai trích (Variance Explained Criteria): tổng phương sai trích phải lớn hơn 50% (Hair & cộng sự, 2006).
Hệ số tải nhân tố (factor loadings): là hệ tố tương quan đơn giữa các biến và nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ chặt chẽ với nhau. Với mẫu khoảng 200, hệ số tải nhân tố được chấp nhận là lớn hơn 0.5 (Hair & cộng sự, 2006), các biến có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại khỏi mơ hình.
Kiểm định Bartlett: để kiểm tra độ tương quan giữa các biến quan sát và tổng thể, phân tích chỉ só ý nghĩa khi sig. có giá trị nhỏ hơn 5% (Hair & cộng sự, 2006).
Kết quả phân tích nhân tố khám phá EFA các biến độc lập như sau:
Bảng 3.3: Kết quả phân tích nhân tố khám phá EFA các biến độc lập
Biến quan sát Nhân tố 1 2 3 4 5 6 DC2 .785 DC1 .738 DC4 .712 DC3 .710 PV1 .782 PV2 .770 PV4 .649 PV3 .627 HH3 .795 HH2 .743
HH4 .735 HH1 .712 GC3 .890 GC2 .860 GC1 .819 TC3 .693 TC1 .682 TC4 .649 TC5 .597 TC2 .503 DU3 .837 DU2 .827 DU1 .804
(Nguồn: kết quả điều tra thực tế và phân tích của tác giả) Thang đo rút trích được 06 thành phần với:
Chỉ số KMO là 0.798 (>0,5) chứng tỏ phân tích nhân tố khám phá EFA thích hợp để sử dụng trong phân tích này và thống kê Chi-square của Kiểm định Bartlett đạt giá trị 1877,296 với mức ý nghĩa 0.000 do đó các biến quan sát có tương quan với nhau xét trên phạm vi tổng thể. Tổng phương sai trích được là 64.708% thể hiện rằng 6 nhân tố rút ra giải thích được 64,708% biến thiên của dữ liệu tại hệ số Eigenvalue là 1.065.
Kiểm tra trên bảng Rotated Component Matrix, các biến quan sát đều có hệ số factor loading lớn hơn 0,5 để tạo giá trị hội tụ và khác biệt hệ số factor loading của một biến quan sát giữa các nhân tố ≥ 0,3 để tạo giá trị phân biệt.
thành phần nguyên gốc sau khi phân tích nhân tố khám phá EFA thì vẫn giữ nguyên 6 nhân tố với 23 biến quan sát. Các biến quan sát trong các thành phần của thang đo ban đầu đều được giữ nguyên khi chia thành 6 nhân tố.
Kết quả phân tích nhân tố khám phá EFA cho biến phụ thuộc:
Bảng 3.4 : Kết quả phân tích nhân tố khám phá EFA cho biến phụ thuộc
Biến quan sát Nhân tố 1 HL2 .912 HL1 .895 HL3 .587
(Nguồn: kết quả điều tra thực tế và phân tích của tác giả) Thang đo sự hài lòng gồm 3 biến quan sát. Sau khi đạt độ tin cậy thông qua việc kiể tra hệ số Cronbach Alpha, phân tích nhân tố khám phá EFA được sử dụng để kiểm định lại mức độ hội tụ của 3 biến quan sát.
Kết quả kiểm định KMO và Bartlett’s trong phân tích nhân tố cho thấy hệ số KMO là 0,572 (>0,5) và thông kê Chi-square của kiểm định Bartlett đạt giá trị 210,793 với mức ý nghĩa 0.000. Điều này cho thấy phân tích nhân tố EFA là rất thích hợp cho mẫu nghiên cứu này.
Phương sai trích được là 65,878% thể hiện rằng 1 nhân tố rút ra giải thích được là 65,878% biến thien của dữ liệu tại hệ số Eigenvalue là 1,976.