Chương 1: CƠ SỞ LÝ LUẬN CỦA ĐỀ TÀI
2.4. Nghiên cứu định lượng (nghiên cứu chính thức)
2.4.5. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser - Meyer - Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO có giá trị trong khoản từ 0,5 đến 1 thì phân tích này mới thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Đại lượng Bartlett là một đại lượng thống kê dung để xem xét xem xét giả thuyết các biến không có tương quan trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hoàn toàn với chính nó (r=1) nhưng không có tương quan với những biến khác (r=0). Điều kiện cần để áp dụng phân tích nhân tố là các biến các biến phải có tương quan với nhau, do đó nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Nếu kiểm định này có ý nghĩa thống kê (Sig
≤0.05) thì các biến quan sát có tương quan trong tổng thể.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue > 1 và tổng phương sai trích lớn hơn 50% thì mới được giữ lại trong mô hình (Gerbing và Anderson, 1988). Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Component Matrix) hay ma trận nhân tố khi các nhân tố được xoay. Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan
chặt chẽ với nhau. Với cở mẫu trong nghiên cứu là 200, như vậy có thể giữ lại các biến có hệ số tải nhân tố ≥ 0.4 để hạn chế loại biến (Gerbing và Anderson, 1988).
Ngoài ra, tác giả khi thực hiện loại các biến không phù hợp khi phân tích nhân tố khám phá EFA theo thứ tự: loại các biến cùng giải thích cho nhiều nhân tố có hệ số tải nhân tố gần nhau trước để tạo giá trị phân biệt giữa các nhân tố, sau đó loại tiếp các biến có hệ số tải nhân < 0.4.
Tác giả phân tích nhân tố khám phá EFA riêng biệt cho biến độc lập và biến phụ thuộc nhằm tránh trường hợp khi phân tích hồi quy tuyến tính sẽ không có ý nghĩa vì hiện tượng các biến độc lập và phụ thuộc giải thích qua lại cho nhau.
2.4.5.2. Kết quả EFA cho biến độc lập
Bảng 2.7: Kết quả kiểm định KMO và Bartlett biến độc lập
KMO 0.880
Sig 0.000
Eigenvalue 1.210
Phương sai trích 65.903
(Nguồn: Phụ lục 6 - Kết quả SPSS KMO và Bartlett biến độc lập) KMO = 0.880 > 0.5 nên mô hình phân tích là phù hợp. Sig = 0.000 nên kiểm định này có ý nghĩa thống kê và các biến có tương quan nhau trong tổng thể. Đồng thời phương sai trích = 65.903% > 50 %, Eigenvalue = 1.210 > 1 nên mô hình đủ điều kiện để phân tích nhân tố.
Sau khi dùng SPSS 16.0 chạy kết quả phân tích ma trận nhân tố xoay đến với phương thức loại từng biến nếu có hệ số tải nhân tố ≤ 0.4 và cùng giải thích cho nhiều thành phần có mức độ ngang nhau. Các biến đều được giữ lại vì có hệ số tải nhân tố đạt tiêu chuẩn nghiên cứu, giá trị nhỏ nhất 0.539 > 0.4 (phụ lục 6).
Như vậy với 22 biến quan sát trong 4 thành phần (biến độc lập) sau khi đã kiểm tra độ tin cậy, qua bước phân tích nhân tố còn lại toàn bộ 22 biến quan sát.
Đồng thời vẫn giữ nguyên 4 thành phần chính. Dựa trên các biến mới sau khi phân tích nhân tố khám phá, tác giả vẫn dùng lại tên củ trong nhóm biến độc lập. Kết quả
phân tích nhân tố khám phá được thể hiện tại phụ lục 6 với các tên gọi và thành phần:
Thành phần Tin cậy, bao gồm các biến: V01, V02, V03, V04, V05, V06.
Tất cả các biến đều được giữ nguyên theo cơ sở lý thuyết, biểu hiện cho sự Tin cậy của khách hàng đối với nhà cung cấp dịch vụ kiểm toán (DTL).
Thành phần Đáp ứng, bao gồm các biến V07, V08, V09, V10, V11. Các biến thể hiện mức độ đáp ứng chính xác, đầy đủ, nhanh chóng, mức độ sẵn sàng…
đối với nhu cầu của khách hàng.
Thành phần Năng lực phục vụ, bao gồm các biến V12, V13, V14, V15, V16. Tất cả các biến biểu hiện cho năng lực phục vụ của nhà cung cấp dịch vụ kiểm toán (DTL), với cốt lõi là nhân sự của Công ty.
Thành phần Phương tiện hữu hình: bao gồm các biến V17, V18, V19, V20, V21, V22. Tất cả các biến biểu hiện những phương tiện hữu hình mà khách hàng có thể nhìn thấy được trong quá trình cung cấp dịch vụ của công ty, bao gồm nhân viên và cơ sở vật chất của Công ty.
2.4.5.3. Kết quả EFA cho biến phụ thuộc
Bảng 2.8: Kết quả kiểm định KMO và Bartlett biến phụ thuộc
KMO 0.714
Sig 0.000
Eigen-value 2.199
Phương sai trích 73.300
(Nguồn: Phụ lục 6 - Kết quả SPSS KMO và Bartlett biến phụ thuộc) KMO = 0.714 > 0.5 nên mô hình phù hợp cho việc phân tích. Sig = 0.000 nên kiểm định này có ý nghĩa thống kê và các biến có tương quan nhau trong tổng thể.
Đồng thời phương sai trích = 73.300% > 50%; Eigenvalue = 2.199 > 1 nên mô hình đủ điều kiện để phân tích nhân tố khám phá.
Bảng 2.9: Kết quả EFA biến phụ thuộc
Biến Diễn giải Hệ số tải
nhân tố V23 Lợi ích của bạn nhận được từ Công ty cao hơn những công
ty cùng lĩnh vực khác .858
V24 Công ty đã đáp ứng được những kỳ vọng của bạn .871 V25 Nhìn chung, bạn hài lòng với dịch vụ kiểm toán của Công ty .839
(Nguồn: Phụ luc 6 - Kết quả SPSS - EFA biến phụ thuộc) 2.4.5.4. Kết luận về mô hình nghiên cứu
Sau khi phân tích EFA, các nhóm được vẫn giữ nguyên tên với những biến phù hợp trong thành phần. Mô hình chính thức về chất lượng dịch vụ kiểm toán và sự hài lòng của khách hàng giữ nguyên theo mô hình lý thuyết.
Hình 2.3: Mô hình nghiên cứu chính thức Với các giả thuyết như sau:
Giả thuyết H1: Sự tin cậy càng cao thì khách hàng sẽ càng hài lòng.
Giả thuyết H2: Năng lực phục vụ càng tốt thì sự hài lòng càng lớn Giả thuyết H3: Sự đáp ứng càng tốt thì sự hài lòng của càng cao
Giả thuyết H4: Phương tiện hữu hình càng tốt thì khách hàng càng hài lòng Sự hài lòng của
khách hàng Tin cậy
Đáp ứng
Năng lực phục vụ
Phương tiện hữu hình