6. Kết cấu của đề tài:
3.6 Phương pháp phân tích dữ liệu:
3.6.3 Phân tích nhân tố EFA
Theo Hair & ctg (1998): Phân tích nhân tố khám phá EFA là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. (Lưu Hà Chi, 2019).
Một số tiêu chuẩn quan trọng trong EFA là:
- Hệ số nhân tố tải Factor loading lớn hơn hoặc bằng 0.5 được xem là đủ điều kiện kết luận biến quan sát có ý nghĩa thống kê và mối tương quan giữa biến quan sát với nhân tố là tốt.
- Tổng phương sai trích total variance explained thể hiện phần trăm các nhân tố trích được của các biến đo lường.
- Thống kê KMO là một biện pháp lấy mẫu đầy đủ cho cả tổng thể và cho mỗi biến (Kaiser 1970; Cerny và Kaiser 1977; Dziuban & Shirkey, 1974). Gía trị KMO thuộc khoảng 0,5 ≤ KMO ≤ 1 được xem là đủ điều kiện để kết luận rằng các biến có mối tương quan tốt với nhau.
- Kiểm định Bartlett (Bartlett’s test of sphericity): kiểm tra ma trận tương quan có phải là một ma trận nhận dạng hay không. Một ma trận nhận dạng là ma trận
20
trong đó tất cả các yếu tố chéo là 1 và tất cả các yếu tố đường chéo tắt là 0. Nếu hệ số Sig. của kiểm định Bartlettt < 0.05 thì có thể kết luận rằng ma trận tương quan không phải là một ma trận nhận dạng, do đó các biến quan sát có tương quan với nhau.
- Trị số Eigenvalue là phương sai của các yếu tố. Tại Eigenvalue >=1, các nhân tố được rút ra được xem là mang thông tin ý nghĩa nhất.
- Trong quá trình EFA cần thực hiện phép xoay nhân tố (Varimax): Mục đích để hội tụ các biến quan có mức tương quan giống nhau tạo thành một nhân tố, và để phân kỳ các nhân tố đại diện biến độc lập. Tại mức trọng số tải phù hợp với cỡ mẫu sẽ trích được các nhân tố đạt tiêu chuẩn. Nếu sử dụng trọng số tải khơng phù hợp sẽ có khả năng loại biến oan.