Chương 4: KẾT QUẢ NGHIÊN CỨU
4.2. Kết quả nghiên cứu
4.2.3. Phân tích nhân tố khám phá Exploratory Factor Analysis (EFA) 64
Phương pháp phân tích nhân tố khám phá EFA được sử dụng để thu nhỏ và làm gọn dữ liệu. Phương pháp EFA dựa vào mối tương quan giữa các biến với nhau để rút gọn thành những nhân tố có ý nghĩa hơn.
Trong nghiên cứu này, khi đưa tất cả 26 biến thu thập được vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ được gom thành các nhóm biến có liên hệ để xem xét và trình bày dưới dạng các yếu tố cơ bản ảnh hưởng đến phát triển DLST bền vững tại huyện Củ Chi.
Kết quả phân tích nhân tố khám phá EFA các biến độc lập như sau:
1. Kiểm định KMO
Để tiến hành phân tích nhân tố khám phá thì dữ liệu thu được phải đáp ứng được các điều kiện qua kiểm định KMO và kiểm định Bartlett’s. Bartlett’s Test dùng để kiểm định giả thuyết H0 là các biến không có tương quan với nhau trong tổng thể, tức ma trận tương quan tổng thể là một ma trận đơn vị, hệ số KMO dùng để kiểm tra xem kích thước mẫu ta có được có phù hợp với phân tích nhân tố hay không. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì giá trị Sig. của Bartlett’s Test nhỏ hơn 0.05 cho phép bác bỏ giả thiết H0 và giá trị 0.5<KMO<1 có nghĩa là phân tích nhân tố là thích hợp
Bảng 4.16: Kiểm định KMO KMO and Bartlett’s Test
Trị số KMO (Kaiser-Meyer-Olkin of Sampling Adequacy) 0,812 Đại lượng thống kê
Bartlett’s (Bartlett’s Test of Sphericity)
Giá trị Approx. Chi-Square 4857,200
Bậc tự do (Df) 325
Sig(giá trị P-value) 0,000
(Nguồn: Phân tích dữ liệu – Phụ lục 3) Kết quả kiểm định cho ra trị số của KMO đạt 0.812 lớn hơn 0.5 và Sig của Bartlett’s Test là 0.000 nhỏ hơn 0.05 cho thấy 26 quan sát này có tương quan với nhau và hoàn toàn phù hợp với phân tích nhân tố.
2. Ma trận xoay các nhân tố
Phương pháp được chọn ở đây là phương pháp xoay nhân tố Varimax proceduce, xoay nguyên góc các nhân tố để tối thiểu hoá số lượng các quan sát có hệ số lớn tại cùng một nhân tố. Vì vậy, sẽ tăng cường khả năng giải thích các nhân tố. Sau khi xoay ta cũng sẽ loại bỏ các quan sát có hệ số tải nhân tố nhỏ hơn 0,5 ra khỏi mô hình, Chỉ những quan sát có hệ số tải nhân tố lớn hơn 0,5 mới được sử dụng để giải thích một nhân tố nào đó, Phân tích nhân tố khám phá EFA sẽ giữ lại các biến quan sát có hệ số tải lớn hơn 0,5 và sắp xếp chúng thành những nhóm chính
Nhằm xác định số lượng nhân tố trong nghiên cứu này sử dụng 2 tiêu chuẩn:
- Tiêu chuẩn Kaiser (Kaiser Criterion) nhằm xác định số nhân tố được trích từ thang đo. Các nhân tố kém quan trọng bị loại bỏ, chỉ giữ lại những nhân tố quan trọng bằng cách xem xét giá trị Eigenvalue. Giá trị Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố, chỉ có nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích.
- Tiêu chuẩn phương sai trích (Variance Explained Criteria): Phân tích nhân tố là thích hợp nếu tổng phương sai trích không được nhỏ hơn 50%.
Bảng 4.17 Kết quả EFA cho các biến độc lập Biến
quan sát
Hệ số tải nhân tố của các thành phần
1 2 3 4 5 6
TC1 0,849
TC2 0,848
TC3 0,831
TC4 0,804
TC5 0,723
CD1 0,805
CD4 0,804
CD2 0,791
CD5 0,778
CD3 0,715
VC3 0,900
VC1 0,869
VC5 0,839
VC2 0,792
MT2 0,835
MT1 0,821
MT4 0,815
MT5 0,803
DV5 0,822
DV1 0,822
DV2 0,799
DV3 0,760
TN3 0,843
TN2 0,789
TN5 0,773
TN4 0,750
Eigenvalu es
6,460 3,226 2,786 2,655 1,913 1,344
Phương sai rút trích
24,846 12,408 10,716 10,213 7,357 5,170
(Nguồn: Phân tích dữ liệu – Phụ lục 3) Tổng phương sai trích:
24,846 + 12,408 + 10,716 + 10,213+ 7,357+ 5,170 = 70,711 %
Từ phương pháp rút trích hệ số Principal component với phép quay Varimax lần thứ nhất, với kết quả bảng 4.18 ta có:
- Đối với kết quả phân tích nhân tố khám phá trên, tổng phương sai trích là 70,711% lớn hơn 50% và giá trị eigenvalues của các nhân tố đều lớn hơn 1, do đó sử dụng phương pháp phân tích nhân tố là phù hợp.
- Kết quả phân tích nhân tố khám phá cho ra được 6 nhân tố có ảnh hưởng đến nhân tố PTBV. 6 nhóm nhân tố được rút trích giải thích được 70.711% sự biến động của dữ liệu.
Sau khi tiến hành phân tích hệ số Cronbach’s Alpha và thực hiện phương pháp rút trích Principal components với phép quay Varimax, có 6 yếu tố gồm 26 biến quan sát rút trích giải thích được 70,711% sự biến động của dữ liệu tác động đến phát triển DLST bền vững huyện Củ Chi.
4.2.3.2 Phân tích EFA cho biến phụ thuộc PTBV
Bảng 4.18 Kiểm định KMO cho biến phụ thuộc KMO and Bartlett’s Test
Trị số KMO (Kaiser-Meyer-Olkin of Sampling Adequacy) 0,740 Đại lượng thống kê
Bartlett’s (Bartlett’s Test of Sphericity)
Approx, Chi-Square 467,502
Df 3
Sig, 0,000
(Nguồn: Phân tích dữ liệu – Phụ lục 3) Kết quả kiểm định cho ra trị số của KMO đạt 0,740 > 0,5 và Sig của Bartlett’s Test là 0,000 nhỏ hơn 0,05 cho thấy 2 quan sát này có tương quan với nhau và hoàn toàn phù hợp với phân tích nhân tố,
Bảng 4.19 Kết quả EFA cho các biến phụ thuộc
Biến quan sát Hệ số tải
PTBV2 0,898
PTBV3 0,894
PTBV1 0,883
Eigenvalues 2,385
Phương sai rút trích 79,493
(Nguồn: Phân tích dữ liệu – Phụ lục 3) Đối với kết quả phân tích nhân tố khám phá trên, tổng phương sai trích là 79,493% lớn hơn 50% và giá trị eigenvalues của các nhân tố đều lớn hơn 1, do đó sử dụng phương pháp phân tích nhân tố là phù hợp. Như vậy ta thu được nhân tố PTBV với 3 biến quan sát PTBV1, PTBV2, PTBV3.