Nhân tố Biến quan sát Hệ số tương
quan biến tổng
Hệ số Cronbach’s Alpha nếu loại
biến ĐỘNG LỰC
LÀM VIỆC
Hệ số Cronbach’s Alpha = 0,784
DLLV1 Anh/Chị hài lịng với cơng việc hiện tại của mình
0,679 0,651
DLLV2 Anh/Chị sẽ gắn bó lâu dài với trung tâm
0,676 0,661
DLLV3 Anh/Chị cảm thấy tự hào khi làm việc tại trung tâm
0,540 0,820
(Nguồn: Xử lý số liệu SPSS)
Kết quả cho thấy, nhân tố phụ thuộc Động lực làm viêc có hệ số Cronbach’s Alpha là 0,784 lớn hơn 0,7 và hệ số tương quan biến tổng của tất cả biến quan sát đều lớn hơn 0,3 nên thỏa mãn điều kiện. Do đó, các biến đo lường trong thang đo sau khi được đánh giá độ tin cậy Cronbach’s Alpha đều được sử dụng trong phân tích EFA tiếp theo.
2.2.3. Phân tích nhân tố khám phá EFA
Các biến quan sát được giữ lại sau khi thỏa mãn điều kiện độ tin cậy của thang đo sẽ được đưa vào để phân tích nhân tố khám phá EFA và kiểm định KMO (Kaiser-
Meyer-Olkin) và kiểm định Bartlett’s Test.
Phân tích nhân tố khám phá EFA dùng để rút gọn một tập gồm nhiều biến quan sát thành một nhóm để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung cần thiết ban đầu (Hair và ctg,1998).
Theo Hair & ctg (1998, 111), trong phân tích EFA, chỉ số Factor Loading (trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA, cụ thể là: chỉ số Factor Loading lớn hơn 0,3 được xem là đạt mức tối thiểu, Factor Loading lớn hơn 0,4 được xem là quan trọng và chỉ số Factor Loading lớn hơn 0,5 được xem là có ý nghĩa thực tế. KMO là chỉ số thể hiện mức độ phù hợp của phương pháp EFA, hệ số KMO phải có giá trị lớn hơn 0,5 và nhỏ hơn 1 thì phân tích nhân tố được coi là phù hợp.
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005), kiểm định Bartlett’s Test xem xét giả thuyết Ho độ tương quan bằng 0 trong tổng thể. Nếu như kiểm định có ý nghĩa thống kê, tức là Sig nhỏ hơn 0,05 thì các quan sát có tương quan với nhau trong tổng thể.
Ngoài ra, nghiên cứu này sử dụng phương pháp trích Principle Components Analysis, với nguyên tắc dựa vào hệ số Eigenvalue để xác định số lượng nhân tố, chỉ những nhân tố có hệ số Eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình và tổng phương sai trích phải lớn hơn 50%.
Tóm lại, phân tích nhân tố khám phá phải thỏa mãn các điều kiện sau: - Factor Loading > 0,5
- 0,5 < KMO < 1
- Kiểm định Bartlett có Sig. < 0,05
- Phương sai rút trích Total Variance Explained > 50% - Eigenvalue > 1
2.2.3.1 Phân tích nhân tố khám phá EFA cho các biến độc lập
Kết quả phân tích nhân tố khám phá lần 1
Bảng 2.6: Kết quả kiểm định KMO và Bartlett’s đối với nhóm nhân tố độc lập lần 1 Kiểm định KMO và Bartlett’s
Chỉ số KMO 0,824
Bậc tự do (df) 276 Mức ý nghĩa (Sig.) 0,000
(Nguồn: Xử lý số liệu SPSS)
Các yếu tố đánh giá được thống kê từ bảng 2.6:
- KMO = 0,824 > 0,5 nên phân tích nhân tố là phù hợp.
- Sig. = 0,000 < 0,05 chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Hệ số Eigenvalue = 1,005 > 1 (xem ở phụ lục) đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố, thì nhân tố rút ra có ý nghĩa tóm tắt thơng tin tốt nhất.
Tổng phương sai rút trích Rotation Sum of Squared Loadings (Cumulative %) = 67,449 > 50% (xem ở phụ lục). Điều này chứng tỏ 67,449% biến thiên của dữ liệu được giải thích bởi 6 nhân tố mới.