6. KẾT CẤU LUẬN VĂN
3.5.3 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. Trong nghiên cứu, phân tích nhân tố được sử dụng như một công cụ giúp nhóm các biến quan sát thành một số ít nhân tố có thể sử dụng được và mỗi nhân tố đại diện cho phần lớn ý nghĩa của các biến sát trong nhân tố đó. Mỗi biến quan sát sẽ được tính một tỷ số được gọi là hệ số tải nhân tố (trọng số nhân tố) và nhân tố trội ẩn dưới những biến quan sát nào thì các biến quan sát đó sẽ tải mạnh lên nhân tố đó.
Tập hợp các biến quan sát từ sáu khái niệm lý thuyết (1) Nhận định về tính hữu dụng của việc mua sắm trực tuyến - PU, (2) Nhận định về tính dễ sử dụng của các trang web bán hàng trực tuyến - PEOU, (3) Nhận định về một số loại rủi ro liên quan đến hàng hóa/dịch vụ trong mua bán trực tuyến - PRP, (4) Nhận định về một số loại rủi ro liên quan đến giao dịch trực tuyến - PRT, (5) Nhận định về hệ thống thanh toán trong mua bán trực tuyến - PAY và (6) Nhận định về niềm tin trong mua bán trực tuyến - TRUST sẽ được đưa vào phân tích nhân tố khám phá. Phân tích nhân tố khám phá được sử dụng để nhóm các biến quan sát này thành các nhân tố và nhận diện các yếu tố theo các nhân tố trích được. Các nhân tố mới có thể có sự khác biệt so với các yếu tố (khái niệm) trong mô hình lý thuyết, vì vậy mô hình nghiên cứu lý thuyết cùng với các giả thuyết sẽ được điều chỉnh theo kết quả phân tích EFA.
Điều kiện của các tham số thống kê khi thực hiện phân tích nhân tố bao gồm:
1
Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005
2
KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5≤KMO≤1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết H0: độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể 1
Chỉ số Eigenvalue: đại diện cho lượng biến thiên được giải thích bởi nhân tố. Do mỗi biến riêng biệt có Eigenvalue là 1 nên chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được xem là có ý nghĩa và được giữ lại2.
Chỉ số phần trăm phương sai trích (Percentage of Variance Criterion): đại diện cho phần trăm lượng biến thiên được giải thích bởi các nhân tố. Tổng phương sai trích của tất cả các nhân tố phải lớn hơn 50% thì phân tích nhân tố mới đảm bảo giải thích được hầu hết ý nghĩa của các biến quan sát3.
Trọng số nhân tố (factor loading): hệ số tương quan giữa mỗi biến quan sát và nhân tố, trong đó biến có trọng số nhân tố cao hơn sẽ mang ý nghĩa đại diện cao cho nhân tố. Trọng số nhân tố > 0.3 được xem là đạt được mức tối thiểu vì vậy các biến có trọng số nhân tố ≤ 0.3 sẽ bị loại. Tiêu chuẩn chọn thang đo là các biến quan sát có trọng số nhân tố ≥ 0.5 (Hair & ctg, 2006), vì vậy các biến có trọng số nhân tố < 0.5 sẽ bị loại và mỗi lần chỉ loại một biến. Biến bị loại theo nguyên tắc dựa trên trọng số nhân tố lớn nhất của từng biến quan sát không đạt, biến nào có trọng số nhân tố này không đạt nhất sẽ bị loại trước và sau đó tiến hành chạy phân tích nhân tố với các biến còn lại.
Phương pháp trích nhân tố Principle Component với phép quay vuông góc Varimax sẽ được sử dụng. Với phép quay Varimax, các biến sẽ có trọng số nhân tố rất cao hoặc rất thấp lên một nhân tố nào đó. Do đó, Varimax giúp phân biệt rõ hơn giữa các nhân tố và tăng cường khả năng giải thích nhân tố.
Mô hình nhân tố được chọn là mô hình đáp ứng các điều kiện: KMO ≥ 0.5; giá trị Eigenvalue >1; tổng phương sai trích > 50%; trọng số nhân tố ≥ 0.5. Các nhân tố được hình thành trong phân tích EFA thỏa mãn các điều kiện trên sẽ được sử dụng trong các bước tiếp theo như phân tích hồi quy.
Các khái niệm Thái độ (ATU) và ý định (BI) đối với việc mua hàng hóa/dịch vụ trực tuyến sẽ được phân tích EFA riêng biệt từng khái niệm. Điều kiện để thang đo của
1
Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005
2
Anderson & Gerbing, 1988
3
các khái niệm đạt yêu cầu cũng tương tự như trên (KMO ≥ 0.5; giá trị Eigenvalue >1; tổng phương sai trích >50%; trọng số nhân tố ≥ 0.5).
Các nhân tố sẽ được lưu lại thành các biến mới với các nhân số được tính như sau:
Fi = = βi1*F1 + βi2* F2 +…+ βik*Fk
Trong đó: βik: Hệ số nhân tố của biến quan sát thứ k trong nhân tố i (hệ số này được trình bày trong ma trận hệ số nhân tố); Fk: giá trị của biến quan sát đó.
Các biến mới này sẽ được sử dụng thay cho tập hợp biến gốc để đưa vào phân tích hồi quy, kiểm định mô hình nghiên cứu và các giả thuyết.