Cronbach's Alpha N of Items
Scale Mean if Item Deleted Scale Variance if Item Deleted Corrected Item- Total Correlation Cronbach's Alpha if Item Deleted CL1 11.31 2.955 .693 .835 CL2 11.28 2.810 .683 .839 CL3 11.32 2.655 .729 .820 CL4 11.32 2.655 .750 .810 (Nguồn Kết quả xử lý SPSS 20.0 – Phụ lục số 4.7)
Bảng 4.8 cho thấy thang đo Đặc tính Chất lượng TTKT được đo lường qua 4 biến quan sát: CL1, CL2, CL3, CL4. Kết quả phân tích độ tin cậy của thang đo (Cronbach Alpha) là 0.770> 0.6. Đồng thời, cả 4 biến quan sát đều có tương quan biến tổng > 0.3 và hệ số Cronbach's Alpha nếu loại biến nhỏ hơn Cronbach Alpha tổng. Như vậy, thang đo nhân tố Đặc tính Chất lượng TTKT đáp ứng độ tin cậy. Như vậy, sau khi tiến hành đo lường độ tin cậy của các nhân tố thông qua hệ số Cronbach Alpha, kết quả cho thấy tất cả các biến của 7 nhân tố đều được giữ lại vì đáp ứng được độ tin cậy.
4.3. Phân tích nhân tố khám phá (EFA) chất lượng thơng tin kế toán tại các đơn vị sự nghiệp giáo dục công lập trên địa bàn tỉnh Long An
Phương pháp phân tích nhân tố khám phá (EFA) được sử dụng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu này, phương pháp EFA dựa vào mối tương quan giữa các biến với nhau để rút gọn thành những nhân tố có nghĩa hơn. Cụ thể, khi đưa tất cả các biến thu thập được (20 biến quan sát) vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ được gom thành các nhóm biến có liên hệ để xem xét và trình bày dưới dạng các nhân tố cơ bản tác động đến CLTT trên BCTC tại các đơn vị SNGD công lập trên địa bàn tỉnh Long An.
Nghiên cứu tiến hành sử dụng phương pháp trích hệ số Principal component với phép quay Varimax tại điểm dừng khi trích các yếu tố có Eigenvalue > 1. Thang đo nào có tổng phương sai trích từ 50% trở lên là được chấp nhận (Gerbing & Anderson, 1988). Các biến có trọng số (Factor loading) nhỏ hơn 0.5 sẽ bị loại. Tại mỗi khái niệm có chênh lệch trọng số (Factor loading) lớn nhất và bất kỳ phải đạt ≥ 0.3 (Jabnoun & AL-Tamini, 2003). Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser – Meyer – Olkin) phải có giá trị lớn (0.5 ≤ KMO ≤ 1), điều này thể hiện phân tích nhân tố là thích hợp. Nếu hệ số KMO < 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu. Theo Kaiser (1974), KMO ≥ 0.9 là rất tốt; 0.9 > KMO ≥ 0.8 là tốt; 0.8 > KMO ≥ 0.7 là được; 0.7 > KMO ≥ 0.6 là tạm được, 0.6> KMO ≥ 0.5 là xấu và KMO < 0.5 là không thể chấp nhận được (Hồng Trọng và Mộng Ngọc, 2008).
4.3.1. Phân tích nhân tố khám phá (EFA)
Khi phân tích nhân tố, nghiên cứu đặt ra 2 giả thuyết:
Giả thuyết Ho: Các biến trong tổng thể khơng có tương quan với nhau.
Giả thuyết H1: Các biến trong tổng thể có tương quan với nhau.