CHƯƠNG 3: MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
4.3. Kết quả kiểm định thang đo
4.3.2. Phân tích thành phần chính (PCA)
Thành phần chính (Principal Component Analysis) sử dụng tất cả các biến quan sát trên để giảm thiểu bộ dữ liệu mà không mất đi thông tin và quan sát sự chặt chẽ giữa các biến bằng cách tính độ tin cậy (Sig). Một số tiêu chuẩn cần quan tâm trong phân tích thành phần chính (PCA) như sau:
“(1) Hệ số KMO (Kaiser-Mayer-Olkin) > 0.5 với mức ý nghĩa của kiểm định Bartlett < 0.05 là chấp nhận. KMO là một thước đo để xem xét sự thích hợp của PCA, và đủ điều kiện khi 0.5 < KMO < 1. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng 0 trong tổng thể. Các biến quan sát này có tương quan với nhau trong tổng thể khi sig< 0.05 (Hoàng Trọng và Mộng Ngọc, 2005, p.262).
(2) Hệ số tải (Factor loading): loại bỏ biến quan sát có hệ số tải nhân tố < 0.5.
Theo Hair & ctg (1998, 111), hệ số tải nhân tố (Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của PCA. Hệ số tải nhân tố > 0.3 được xem là đạt mức tối thiểu,
> 0.4 được xem là quan trọng và > 0.5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998, 111) khuyên như sau: hệ số tải > 0.3 cần ít nhất là 350 mẫu NC, nếu chọn hệ số tải > 0.55 thì khoảng 100 mẫu và cỡ mẫu khoảng 50 thì hệ số tải phải > 0.75.
(3) Khi tổng phương sai trích (TVE-Total Variance Explained) > 50% thì thang đo được chấp nhận.
(4) Theo Gerbing và Anderson (1998), Hệ số eigenvalue > 1 . Tiêu chí eigenvalue sử dụng phổ biến để xác định số lượng nhân tố trong phân tích PCA.
(5) Sự khác biệt giữa các biến được tạo ra nếu chênh lệch hệ số tải giữa các nhân tố > 0.3 là được chấp nhận (Jabnoun và Al-Tamimi, 2003). Tuy nhiên nếu chênh lệch hệ số tải nhân tố của một biến quan sát giữa các nhân tố < 0.3 nhưng nội dung giá trị của biến quan sát đóng vai trò quan trọng trong thang đo thì không nên loại nó.”
Bảng 4. 16. Kết quả kiểm định KMO và Bartlett cho các biến độc lập
KMO and Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy 0.849 Bartlett’s Test of Approx. Chi-Square 1685.150 Sphericity df 136
Sig. 0
Nguồn: Tính toán từ phần mềm Bảng 4. 17. Ma trận hệ số điểm thành phần
Component Matrix Component
1 2 3 4
USED1 0.811
USED2 0.802
USED3 0.769
KNOWNER3 0.759
USED4 0.697
USED5 0.685
USED6 0.683
INFLUENCE1 0.671
KNOWNER1 0.664 0.578578
USED7 0.627
USED8 0.621
KNOWNER4 0.582 -0.508
KNOWNER5 0.525 0.505
SIZE1 0.775
SIZE2 0.661
KNOWNER2 0.576 -0.589
INFLUENCE2 0.532532 0.552
Extraction Method: Principal Component Analysis
Nguồn: Tính toán từ phần mềm Bảng 4. 18. Tổng phương sai được giải thích cho các biến độc lập
Total Variance Explain
Component
Initial Eigenvalues Extraction Sums of Squared Loadings Total % of
Variance
Cumulative
% Total % of
Variance
Cumulative
%
1 6.926 40.743 40.743 6.926 40.743 40.743
2 2.089 12.286 53.028 2.089 12.286 53.028
3 1.725 10.150 63.178 1.725 10.150 63.178
4 1.300 7.648 70.826 1.300 7.648 70.826
5 0.902 5.303 76.129
6 0.716 4.213 80.342
7 0.594 3.494 83.836
8 0.486 2.860 86.696
9 0.415 2.443 89.139
10 0.330 1.940 91.080
11 0.306 1.800 92.880
12 0.260 1.530 94.410
13 0.247 1.451 95.861
14 0.219 1.287 97.148
15 0.187 1.100 98.248
16 0.152 0.893 99.140
17 0.146 0.860 100.000
Extraction Method: Principal Component Analysis
Nguồn: Tính toán từ phần mềm Phân tích thành phần chính (PCA) cho ra 4 nhân tố trong đó có 17 biến quan sát:
(1) Bảng 4.15 cho biết Hệ số KMO = 0.849 > 0.5 và Bralett Sig = 0 < 0.05 nên phân tích PCA là phù hợp với dữ liệu và với mức ý nghĩa 0.000, thống kê Chisquares của kiểm định Bartlett đạt giá trị khi đó, các biến quan sát có tương quan với nhau
(2) Hệ số tải (Factor loading) > 0.5
(3) Khi tổng phương sai trích bằng 70.826% > 50%, kết quả thang đo là chấp nhận được. Phương sai trích thể hiện 4 nhân tố giải thích 70.826 % mức độ biến thiên của dữ liệu, tại hệ số Eigenvalue = 1,300 > 1, giá trị của hệ số Eigenvalue của các nhân tố cũng đều cao (>1) nên các thang đo được chấp nhận. Sau khi bị PCA loại, hệ số Cronbach Alpha của các biến được tính lại và cho ra kết quả tin cậy.
Khi đó, các nhân tố sẽ thay đổi như sau:
Nhân tố 1 (USED): được đặt lại tên “Mức độ áp dụng công nghệ thông tin” bao gồm 8 biến quan sát:
Tên nhân tố Ký hiệu Các biến quan sát
Mức độ áp dụng công nghệ thông tin
USED1 Word, Excel
USED2 Hệ thống nội bộ (Lan)
USED3 Phần mềm hỗ trợ quản lý sản xuất
USED4 Máy vi tính và phần mềm điều khiển quá trình sản xuất USED5 PMKT đóng gói bán sẵn và không thể thay đổi, nâng cấp
USED6 Phần mềm dành riêng cho KT của doanh nghiệp đặt từ nhà cung cấp bên ngoài
USED7 PMKT do doanh nghiệp tự thiết kế và ứng dụng USED8 Phần mềm tích hợp quản lý nguồn lực tổng hợp (ERP)
Nhân tố 2 (KNOWNER): được đặt lại tên “Hiểu biết của của ban lãnh đạo/chủ sở hữu) bao gồm 5 biến quan sát:
Tên nhân tố Ký hiệu Các biến quan sát
Hiểu biết của của ban lãnh đạo/chủ sở hữu
KNOWNER1 Có hiểu biết về tài chính và KT
KNOWNER2 Thành thạo các ứng dụng xử lý văn bản
KNOWNER3 Hiểu và tổ chức vận hành, kiểm soát hệ thống thông tin KNOWNER4 Quản lý và vận hành sản xuất có sự trợ giúp của máy tính KNOWNER5 Kiến thức về rủi ro CNTT
Nhân tố 3 (SIZE): được đặt lại tên “Quy mô doanh nghiệp” bao gồm 2 biến quan sát:
Tên nhân tố Ký hiệu Các biến quan sát
Quy mô doanh nghiệp
SIZE1 Quy mô lao động của doanh nghiệp SIZE2 Quy mô về vốn của doanh nghiệp
Nhân tố 4 (INFLUENCE): được đặt lại tên “Đặc điểm kinh doanh” bao gồm 2 biến quan sát:
Tên nhân tố Ký hiệu Các biến quan sát
Đặc điểm kinh doanh
INFLUENCE1 Các đơn vị có cung cấp dịch vụ KT, thuế và dịch vụ kiểm toán, dịch vụ đảm bảo
INFLUENCE2 Các đơn vị không tham gia hoạt động trên
4.3.2.2. Phân tích PCA cho biến phụ thuộc
Bảng 4. 19. Kết quả kiểm định KMO và Bartlett cho biến phụ thuộc
KMO and Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy 0.843
Bartlett’s Test of Approx. Chi-Square 525.203 Sphericity df 21
Sig. 0.000
Nguồn: Tính toán từ phần mềm Bảng 4. 20. Ma trận hệ số pháp điểm thành phần
Component Matrix
Component
1 2
NEED5 0.862
NEED2 0.811
NEED3 0.763
NEED7 0.737 0.515
NEED1 0.713 -0.515
NEED6 0.677 0.0586
NEED4 0.662
Extraction Method: Principal Component Analysis.
a. 2 components extracted.
Nguồn: Tính toán từ phần mềm Bảng 4. 21. Tổng phương sai được giải thích cho các biến độc lập
Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Total % of
Variance
Cumulative
%
Total % of
Variance
Cumulative
%
1 3.931 56.161 56.161 3.931 56.161 56.161
2 1.062 15.175 71.336 1.062 15.175 71.336
3 0.622 8.883 80.219
4 0.438 6.258 86.476
5 0.393 5.612 92.089
6 0.314 4.488 96.577
7 0.240 3.423 100.000
Extraction Method:Principal Component Analysis.
Nguồn: Tính toán từ phần mềm (1). Phân tích thành phần chính (PCA) biểu diễn 7 biến quan sát. Hệ số KMO = 0,843 nên PCA phù hợp với dữ liệu và với mức ý nghĩa 0.000, thống kê Chi-squares của
kiểm định Bartlett đạt giá trị 525.203 nên các biến có tương quan với nhau trên phạm vi tổng thể.
(2). Tổng phương sai trích là 71.336% thể hiện một nhân tố giải thích 71,336%
biến thiên của dữ liệu khi hệ số Eigenvalue = 1.062 do đó, thang đo chấp nhận được.
(3). Kết quả bảng trên cho thấy biến thứ nhất (NEED1) đại diện được cho biến phụ thuộc khi giải thích được 56.161% tổng phương sai của nhân tố nhu cầu ứng dụng CN vào AIS.
Theo Radovanovi c, Filipovi c, & Golusin (2018), thành phần chính đầu tiên được đại diện tốt nhất cho nhân tố được xây dựng và có phương sai giải thích cao nhất. Do vậy tác giả sử dụng NEED_1 để đại diện cho nhu cầu ứng dụng CN vào AIS.