CHƯƠNG 3 THIẾT KẾ NGHIÊN CỨU
3.4. lý Xử số liệu
3.4.4. Phân tích yếu tố khám phá – EFA (Eploratory Factor Analysis ).
Khi thực hiện EFA, chúng ta cần tiến hành một số quyết định về thống kê và phương pháp luận, đó là: các kỹ thuật kiểm tra dữ liệu, phương pháp phân tích nhân tố, phương pháp duy trì nhân tố, phương pháp xoay nhân tố và cắt giảm hệ số tải nhân tố.
Các kỹ thuật kiểm tra dữ liệu: Hai kỹ thuật phổ biến nhất cho EFA là kiểm định Bartlett và thước đo mức độ thích hợp của việc lấy mẫu với hệ số KMO (Kaiser- Meyer-Olkin Measure of Sampling Adequacy). Kiểm định Bartlett kiểm tra ma trận tương quan được quan sát có phải là ma trận đồng nhất hay khơng (hay khơng có phần tử ngồi đường chéo) (Tobias S., Carlson J. E., 1969). Vì kỹ thuật này giải thích mối quan hệ của các biến, nên việc thiếu hoàn toàn các mối quan hệ trong một bộ dữ liệu (ví dụ như một ma trận đồng nhất) sẽ ngăn chặn việc thực hiện EFA. Nếu kiểm định Bartlett có ý nghĩa, kết quả cho thấy dữ liệu khơng phải ma trận đồng nhất và thích hợp cho EFA, tuy nhiên, điều này lại xảy ra trong hầu hết các nghiên cứu (Dziuban C. D., Harris C. W., 1973); (Dziuban C. D., Shirkey E. C., 1974). Mặc dù vậy, kiểm định này có thể phát hiện ra các bộ dữ liệu có vấn đề, vì vậy nó vẫn nên được thực hiện trước EFA (Matt C. H., 2016). Một kỹ thuật khác được đề cập là KMO, đây là chỉ số về phương sai chung trong một bộ dữ liệu, cho thấy việc các yếu tố tiềm ẩn có thể tồn tại và EFA có thể được thực hiện hay khơng. So với kiểm định Bartlett, KMO cung cấp nhiều khoảng để kiểm tra phương sai có được chấp nhận hay khơng thay vì chỉ cho kết quả có hay khơng có ý nghĩa, các chỉ số trong các khoảng được biểu thị như sau: từ 0,00 đến 0,5 là không thể chấp nhận được; từ trên 0,5 đến 0,6 là nghèo nàn; từ trên 0,6 đến 0,7 là bình thường; từ trên 0,7 đến 0,8 là trung bình; từ trên 0,8 đến 0,9 là tốt; từ trên 0,9 đến 1 là tuyệt vời. Do đó, các nhà làm nghiên cứu cần có chỉ số KMO lớn hơn 0,6 trước khi tiến hành phân tích EFA, nếu đạt giá trị thấp hơn, chúng ta có thể loại bỏ các biến có
quan hệ tương hỗ nhỏ để cải thiện tính phù hợp của EFA (Dziuban C. D., Shirkey E. C., 1974); (Kaiser H. F., 1970).
Phương pháp phân tích nhân tố: Có rất nhiều phương pháp để lựa chọn hiện nay, tuy nhiên, nghiên cứu này sẽ sử dụng phương pháp Principal Axis Factoring (PAF). Phương pháp này có độ phổ biến chỉ sau phương pháp phân tích yếu tố chính (Principal Components Analysis: PCA) – được biết đến là phương pháp trích xuất yếu tố mặc định của phần mềm SPSS (Costello A. B., Osborne J., 2005). Vì PAF cho rằng sự xuất hiện của các phương sai riêng là bình thường, mục tiêu của phương pháp này là tạo ra một tập hợp các hệ số ước tính tải nhân tố để tái tạo phương sai chung trong một ma trận tương quan (De Winter J. C., Dodou D., 2012).
Phương pháp duy trì nhân tố: Tác giả chọn tiêu chuẩn Kaiser (1960): “Khuyến nghị rằng tất cả các nhân tố có hệ số eigenvalue lớn hơn 1 đều nên được giữ lại”. Phương pháp xoay nhân tố: Nghiên cứu sử dụng phép xoay Varimax, phương pháp này tìm cách tăng các phương sai của các hệ số tải nhân tố, cho ra cả hệ số lớn và nhỏ, và các biến quan sát sẽ được tải hoặc không được tải một cách rõ ràng lên mỗi nhân tố (Kaiser H. F., 1958).
Cắt giảm hệ số tải nhân tố: Ngoài việc xác định số lượng các nhân tố trong một nhóm các biến, phân tích nhân tố còn xác định mức độ mà mỗi biến đại diện cho từng yếu tố nổi bật thông qua các giá trị tải. Thông thường, những biến đại diện cho duy nhất một nhân tố sẽ được giữ lại, trong khi các biến đại diện cho nhiều nhân tố hoặc không đại diện cho nhân tố nào sẽ bị loại bỏ (Hair J. F., Black W. C., Babin B. J., Anderson R. E., Tatham R. L., 2006); (Tabachnick B. G., Fidell L. S., 2007). Nó được khuyến nghị rằng các biến quan sát thỏa điều kiện khi hệ số tải nhân tố chính trên 0,4 và chênh lệch giữa giá trị này với hệ số tải nhân tố thay thế trên 0,2 (Matt C. H., 2016). Nếu một biến quan sát có hệ số tải từ 0,32 trở lên ở hai hoặc nhiều hơn hai nhân tố, chúng ta cần phải xem xét lại việc biến đó có bị loại khỏi phân tích hay khơng (Tabachnick B. G., Fidell L. S., 2001).