CHƯƠNG 2 : CƠ SỞ LÝ THUYẾT VÀ MƠ HÌNH NGHIÊN CỨU
2.7 LÝ THUYẾT PHƯƠNG PHÁP PHÂN TÍCH
2.7.1.2 Tham số thống kê kiểm tra tính đơn hướng và đa hướng của thang đo
Khái niệm thang đo đơn hướng, đa hướng
Việc dùng nhiều câu hỏi đo lường (mục hỏi) nhằm mục đích đo lường chính xác khái niệm nghiên cứu. Do đó, sau khi thiết lập thang đo và đo lường, chúng ta cần tổng hợp dữ liệu từ các biến quan sát lại thành một hay một vài biến cơ bản để phản ánh mức độ của khái niệm nghiên cứu đang đo trên các đơn vị quan sát.
Nếu tổng hợp được các biến quan sát về một khái niệm nghiên cứu thành một biến tổng
hợp để phản ánh chính xác mức độ của khái niệm nghiên cứu trên các đơn vị khảo sát, thì tập
hợp các biến quan sát này sẽ tạo thành một thang đo (nhiều chỉ báo) đơn hướng cho khái niệm nghiên cứu đang đo lường, và khái niệm nghiên cứu này chỉ có một thành phần.
Nếu tổng hợp các biến quan sát về một khái niệm nghiên cứu thành nhiều hơn một biến
tổng hợp để phản ánh chính xác mức độ của khái niệm nghiên cứu trên các đơn vị khảo sát, thì
tập hợp các biến quan sát này sẽ tạo thành một thang đo (nhiều chỉ báo) đa hướng cho khái niệm nghiên cứu đang đo lường, và khái niệm nghiên cứu này có hơn một thành phần.
Tóm lại, tập hợp biến quan sát gốc đo lường khái niệm chỉ có một khía cạnh/thành phần (rút trích ra được một nhân tố) tạo thành thang đo đơn hướng. Tập hợp biến quan sát gốc đo lường khái niệm có nhiều hơn một khía cạnh/thành phần (rút trích ra được nhiều hơn một nhân tố) tạo thành thang đo đa hướng.
Phương pháp phân tích nhân tố sẽ giúp “rút trích” các biến quan sát (mục hỏi) thành một hay một số biến tổng hợp (gọi là nhân tố hay thành phần). Những nhà thiết kế thang đo chuyên nghiệp hiện nay thường sử dụng phân tích nhân tố để kiểm tra tính đơn khía cạnh trong thang đo Likert. Nếu một khái niệm đang đo lường là đơn hướng thì sẽ có một nhân tố trội ẩn dưới tất cả các mục hỏi và tất cả các mục hỏi sẽ “tải mạnh” lên nhân tố đó (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008, 25, 26) [4, TV]
Trị số thống kê KMO và kiểm định Bartlett’s test of sphericity
Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau (các biến đo lường phản ánh những khía cạnh khác nhau của cùng một yếu tố chung). Trị số
thống kê Bartlett’s test of sphericity được vận dụng để kiểm định giả thuyết thống kê Ho: Các
biến khơng có tương quan với nhau trong tổng thể, nói cách khác là ma trận tương quan tổng
thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1 cịn các giá trị nằm ngồi đường chéo đều bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng chi-square từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì
ta càng có nhiều khả năng bác bỏ giả thuyết Ho (Hoàng Trọng & Chu Nguyễn Mộng Ngọc,
2008, 32) [4, TV]. Nếu kiểm định Bartlett’s test of sphericity có ý nghĩa thống kê (sig. ≤
0,05), có cơ sở để bác bỏ giả thuyết Ho, nghĩa là các biến trong tổng thể có mối liên hệ với
nhau (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008, 262) [4, TV], sẽ tiếp tục thực hiện các bước tiếp sau của phân tích nhân tố. Nếu kiểm định Bartlett’s test of sphericity cho thấy khơng có ý nghĩa thống kê, giả thuyết Ho khơng thể bị bác bỏ thì phân tích nhân tố rất có khả năng khơng thích hợp cho các biến đang xem xét.
Kaiser-Meyer-Olkin Measure of Sampling Adequacy là chỉ số xem xét sự thích hợp của phân tích nhân tố. Điều kiện đủ để có thể tiến hành phân tích nhân tố khi trị số của KMO
trong khoảng từ 0,5 – 1. Nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng
thích hợp với bộ dữ liệu.
Tham số thống kê eigenvalue, phương sai trích, và hệ số tải nhân tố
Khi bộ dữ liệu đáp ứng được cả điều kiện cần và đủ như trên, sẽ áp dụng phương pháp phân tích nhân tố Principal Component Analysis, thực hiện phép xoay Varimax để thực hiện rút trích nhân tố.
Có 5 phương pháp nhằm xác định số lượng nhân tố: xác định từ trước, dựa vào eigenvalue, biểu đồ dốc (scree plot), phần trăm biến thiên giải thích được (percentage of variance), chia đôi mẫu, kiểm định mức ý nghĩa. Đề tài lựa chọn phương pháp rút trích nhân tố dựa vào eigenvalue (Determination based on eigenvalue), chỉ có những nhân tố nào có
eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích. Đại lượng eigenvalue đại
diện cho lượng biến thiên được giải thích bởi nhân tố. 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 (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2008, 34) [4, TV]. Và tiêu
chuẩn đối với phương sai trích, Hair & ctg (1998) [5, TA] yêu cầu rằng phương sai trích phải
đạt từ 50% trở lên. Gerbing & Anderson (1988), “An Update Paradigm for Scale
Development Incorporing Unidimensionality and Its Assessments”, Journal of Marketing
Research, Vol.25, 186-192 cũng yêu cầu phương sai trích phải lớn hơn hoặc bằng 50% (dẫn
theo Nguyễn Khánh Duy, 2007) [5, TV].
Đề tài vận dụng phép xoay Varimax procedure, xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008, 38) [4, TV]. Các con số trong bảng Ma trận nhân tố sau khi xoay (Rotated Component Matrix) chính là các hệ số tải nhân tố (Factor loading). Hệ số tải nhân tố là những hệ số tương quan đơn giữa các biến và các nhân tố (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008, 31) [4, TV]. Theo Hair & ctg (1998, 111) Multivariate Data Analysis, Prentice-Hall International, Inc [5, TA], Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading > 0,3 được xem là đạt được mức tối thiểu, Factor loading > 0,4 được xem là quan trọng, > 0,5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998, 111) cũng khuyên bạn đọc như sau: nếu chọn tiêu chuẩn factor loading > 0,3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0,55, nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải > 0,75. Còn theo Nguyễn Khánh Duy (2007) [5, TV], một tiêu chuẩn quan trọng đối với Factor loading lớn nhất cần được quan
tâm: nó phải lớn hơn hoặc bằng 0,5. Với những nhận định thận trọng, tác giả bài viết này
cũng dựa trên những factor loading ≥ 0,5 mặc dù cỡ mẫu phục vụ cho đề tài thu được là 506 mẫu. Và trong trường hợp, các biến có mối liên hệ tương quan với nhiều nhóm nhân tố, hệ số tải nhân tố lớn nhất của biến thuộc nhân tố nào thì sẽ sắp xếp biến vào nhân tố đó (nhân tố chứa biến có hệ số tải nhân tố lớn nhất).