CHƯƠNG 3 : THIẾT KẾ NGHIÊN CỨU ĐỀ TÀI
3.3 Phân tích nhân tố khám phá EFA
Dữ liệu thu thập sau khi được kiểm tra bằng phương pháp phân tích độ tin cậy Cronbach’s Alpha và loại đi những biến không đảm bảo độ tin cậy, tiếp theo sẽ sử dụng kỹ thuật phân tích nhân tố khám phá EFA để giảm bớt hay tóm tắt các dữ liệu. Trong nghiên cứu, thu thập được một số lượng biến khá lớn và hầu hết các biến này có quan hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản.
Trong phân tích nhân tố khám phá, giá trị KMO (Kaiser-Meyer-Olkin) là một chỉ số được sử dụng để kiểm tra sự phù hợp của phân tích nhân tố. Giá trị của KMO
phải có giá trị nằm trong khoảng từ 0.5 đến 1 thì phân tích này mới phù hợp; Nếu giá trị này nhỏ hơn 0.5 thì phân tích nhân tố trong trường hợp này có thể khơng phù hợp với các dữ liệu đã thu thập được.
Ngồi ra, phân tích nhân tố cịn dựa vào hệ số Eigenvalue là đại lượng đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Chỉ có những nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích. 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 nội dung khác cũng rất quan trọng cần xét đến trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Factor matrix). Ma trận nhân tố chứa các hệ số tải nhân tố của tất cả các biến đối với các nhân tố được rút ra. Hệ số tải nhân tố (factor loading) là những hệ số tương quan đơn giữa các biến và các nhân tố. Phương pháp trích hệ số được sử dụng là Principal Component Analysis với phép xoay varimax và điểm dừng khi trích các yếu tố có eigenvalue là 1. Những biến quan sát có hệ số tải (factor loading) nhỏ hơn 0.5 sẽ bị loại (dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Thang đo được chấp nhận khi phương sai trích bằng hoặc lớn hơn 50%.