6. Kết cấu của nghiên cứu
3.4 Phân tích nhân tố EFA
Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập ít biến hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg 1998).
Theo Hair & ctg (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring pratical significance). Factor loading > 0.3 được xem là đạt được mức tối thiểu, Factor loading > 0.4 được xem là quan trọng và khi > 0.5 được xem là có ý nghĩa thực tiễn. Nếu chọn tiêu chuẩn Factor loading > 0.3 thì cỡ mẫu của bạn ít nhất phải là 300, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0.55, nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải > 0.75. Với nghiên cứu này, cỡ mẫu điều là 310 nên chọn tiêu chuẩn Factor loading > 0.4 để xét khi xoay nhân tố.
Phân tích nhân tố chỉ được sử dụng khi hệ số KMO (Kaiser-Meyer-Olkin) có giá trị từ 0.5 trở lên (Othman & Owen 2000). KMO là một chỉ tiêu dùng để xem xét sự thích hợp của phân tích nhân tố, KMO thỏa mãn 0.5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett để xem các biến quan sát có tương quan với nhau trong tổng thể hay không. 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.
Phương pháp trích hệ số để sử dụng là Maximum Likelihood với phép quay Varimax và điểm dừng khi trích các yếu tố có Eigenvalue từ 1 trở lên, các biến có trọng số Factoring Loading nhỏ hơn 0.4 sẽ tiếp tục bị loại và thang đo sẽ được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% (Gerbing & Anderson 1988).