CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
3.3. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA)
Phân tích nhân tố thường sẽ giúp ta rút gọn tập hợp nhiều biến đồng thời kiểm định sự hội tụ (convergent validity) của thang đo được đánh giá sơ bộ thông qua phương pháp phân tích nhân tố khám phá EFA. Các tham số thống kê trong phân tích nhân tố khám phá bao gồm: kiểm định Kartlett, phương sai rút trích, ma trận thành phần xoay.
3.3.1. Phân tích nhân tố đối với biến độc lập
+ Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thông qua giá trị thống kê Kaiser-Meyer-Olkin (KMO). Trị số KMO lớn hơn 0.5 thì phân tích nhân tố thích hợp.
Bảng 3.12. Kết quả kiểm định KMO với biến độc lập KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .804
Approx. Chi-Square 2485.845
Df 300
Bartlett's Test of Sphericity
Sig. .000
Giá trị KMO = 0.804 >0.5, kiểm định Bartlett có Chi-square = 2485.845, df = 300, p(chi-square, df) = 0.000 < 0.5 nên khẳng định rằng các biến có tương quan với nhau, dữ liệu là thích hợp để phân tích nhân tố.
+ Số lượng nhân tố rút trích: Trong đề tài tổng cộng có 32 chỉ báo, trong khi kiểm định Cronbach’s anpha tác giả đã loại được 4 chỉ báo vậy bảng tổng phương sai trích cho thấy có thể trích từ 28 chỉ báo thành 6 nhân tố có giá trị riêng eigenvalue lớn hơn hoặc bằng 1, với phương sai tích lũy là 61,320%, điều này cho biết 6 nhân tố này giải thích được 61,320% biến thiên của dữ liệu, phương sai trích đạt yêu cầu.
Bảng 3.13. Tổng phương sai rút trích
Giá trị phương sai trích ra ở mỗi nhân tố
Nhân tố Tổng % Phương sai % Phương sai tích lũy
1 6.132 24.528 24.528
2 2.740 10.959 35.487
3 2.166 8.663 44.150
4 1.828 7.314 51.463
5 1.315 5.260 56.723
6 1.149 4.597 61.320
7 .949 3.794 65.114
+ Ứng dụng phép quây Orthogonal (Varimax): Sử dụng phép quây varimax, kích thước mẫu = 250, các giá trị có hệ số tải nhân tố nhỏ hơn 0.35 đều bị loại khỏi mô hình. Kết quả ma trận thành phần sau khi xoay (Rotated Component Matrix) với tất cả các chỉ báo thỏa mãn điều kiện hệ số tải nhân tố lớn hơn 0.35 và không sảy ra hiện tượng cross-loading như sau
Bảng 3.14. Ma trận thành phần với phép xoay Varimax Component
1 2 3 4 5 6
KH1 .864
KH5 .809
KH10 .787
KH4 .687
KH7 .578
KH8 .546
KH9 .505
QCKM2 .760
QCKM1 .732
QCKM4 .686
QCKM3 .663
CL2 .784
CL3 .720
CL1 .719
CL4 .637
GC4 .797
GC3 .796
GC2 .675
GC1 .655
GT1 .775
GT3 .757
GT2 .691
TH2 .845
TH3 .818
TH1 .810
Sau khi phân tích rút trích nhân tố, từ 6 nhân tố ban đầu của đề tài vẫn còn lại 6 nhân tố sau khi loại bỏ các chỉ báo, tất cả các hệ số tải nhân tố đều lớn hơn 0.35. Từ 6 nhân tố bao gồm chất lượng cuộc gọi, cấu trúc giá, thương hiệu, quảng cáo và khuyến mãi, dịch vụ khách hàng, dịch vụ gia tăng này ta tiến hành phân tích hồi quy.
3.3.2. Phân tích nhân tố đối với biến phụ thuộc
Tiến hành phân tích nhân tố sự hài lòng dựa vào 3 chỉ báo là HL1, HL2, HL3 với kết quả thu được sau:
Bảng 3.15. Kết quả kiểm định KMO với biến phụ thuộc KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .693
Approx. Chi-Square 318.856
Df 3
Bartlett's Test of Sphericity
Sig. .000
Giá trị KMO = 0.693 >0.5, kiểm định Bartlett có Chi-square = 318.856, df = 3, p(chi-square, df) = 0.000 < 0.5 nên khẳng định rằng dữ liệu là thích hợp để phân tích nhân tố.
Bảng 3.16. Tổng phương sai rút trích Total Variance Explained
Initial Eigenvalues
Extraction Sums of Squared Loadings
Com pone
nt Total
% of Variance
Cumulative
% Total
% of Variance
Cumulative
%
1 2.273 75.767 75.767 2.273 75.767 75.767
2 .469 15.618 91.384
3 .258 8.616 100.000
Bảng 3.17. Ma trận thành phần với phép xoay Varimax Component Matrixa
Component 1
HL3 .911
HL2 .870
HL1 .828
Phân tích đã rút trích 3 chỉ báo trong nhân tố sự hài lòng thành 1 nhân tố duy nhất có giá trị riêng eigenvalue bằng 2.273 lớn hơn 1, với phương sai tích lũy là 75.767%, điều này cho biết nhân tố này giải thích được 75.767%
biến thiên của dữ liệu, phương sai trích đạt yêu cầu. Vì chỉ 1 nhân tố nên không thể hiện ma trận xoay nhân tố, các hệ số tải nhân tố đều lớn hơn 0.35.
Vậy sau khi tiến hành phân tích nhân tố khám phá nhận thấy rằng tất cả các nhân tố, các chỉ báo sau khi kiểm định Cronbach’s anpha đều phù hợp để phân tích nhân tố khám phá. Không loại bất kỳ chỉ báo nào trong mô hình và sử dụng kết quả này để tiến hành phân tích hồi quy.