Nghiên cứu sơ bộ định lượng được thực hiện với mẫu nhỏ để phát hiện sai sót trong thiết kế bảng câu hỏi, đồng thời được dùng để kiểm định sơ bộ thang đo nhằm hiệu chỉnh thang đo trước khi thực hiện nghiên cứu chính thức.
Theo Hair et al. (2006) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50 (dẫn theo Nguyễn Đình Thọ, 2011), do đó tác giả chọn kích thước mẫu trong nghiên cứu sơ bộ là n = 50. Đối tượng được mời phỏng vấn thử được chọn theo phương pháp chọn mẫu thuận tiện bao gồm 50 khách hàng cá nhân đang vay vốn tại Vietcombank Long An. Thông tin được thu thập bằng cách phỏng vấn trực tiếp khách hàng tại trụ sở Vietcombank Long An. Thông tin thu thập được nhập liệu và xử lý bằng chương trình SPSS 16.1.0.
Điều kiện quan trọng nhất của một thang đo lường thích hợp đó là giá trị hiệu dụng. Nghĩa là thang đo được thiết kế phải đo được những gì mà nó định đo. Một điều quan trọng khác đó là thang đo lường phải nhất quán, nghĩa là khi nó được lặp lại thì sẽ dẫn đến cùng một kết quả. Sự nhất quán này được gọi là tính đáng tin cậy. Trước khi thực hiện nghiên cứu chính thức, tính đáng tin cậy và giá trị hiệu dụng của thang đo cần phải được đánh giá để đảm bảo rằng các biến quan sát sử dụng trong mô hình là thích hợp (Hoàng Thị Phương Thảo và các cộng sự, 2010).
Đầu tiên tác giả sử dụng hệ số Cronbach’s Alpha để kiểm tra độ tin cậy của thang đo nhằm xác định mối tương quan biến tổng. Nếu các biến quan sát có hệ số tương quan biến tổng (Item Total Correlation) nhỏ hơn 0,3 sẽ bị loại. Các nhà nghiên cứu cho rằng khi Cronbach’s Alpha từ 0,8 trở lên gần 1 thì thang đo lường là tốt, từ 0,7 đến gần 0,8 là sử dụng được. Một số nhà nghiên cứu khác đề nghị Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hay mới đối với người trả lời trong bối cảnh nghiên cứu. Tiêu
42
chuẩn chọn thang đo trong nghiên cứu này là khi Cronbach’s Alpha có giá trị từ 0,7 trở lên sẽ được chấp nhận.
Sau đó tác giả tiến hành phân tích thành phần EFA nhằm xác định các thành phần và biến quan sát giải thích cho thành phần. Phân tích nhân tố khám phá (EFA – Exloratory Factor Analysis) là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu, xác định các tập hợp nhóm biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên hệ qua tỷ số gọi là hệ số tải nhân tố (Factor Loading), hệ số này cho biết mỗi biến đo lường sẽ thuộc về nhân tố nào.
Phân tích nhân tố được thực hiện theo phương pháp rút trích các nhân tố chính (Principal Component Analysis), chỉ trích xuất các nhân tố có giá trị Eigenvalue lớn hơn 1 (vì những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, do sau khi chuẩn hóa mỗi biến gốc có phương sai là 1), sử dụng phép xoay nguyên gốc Varimax của các nhân tố để tối thiểu hóa các biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố. Biến quan sát được chọn là biến có hệ số tải nhân tố lớn hơn hoặc bằng 0,5; nếu biến nào có hệ số tải nhân tố nhỏ hơn 0,5 sẽ bị loại. Mức độ thích hợp của tương quan nội tại giữa các biến quan sát trong các khái niệm nghiên cứu được thể hiện bằng hệ số Kaiser- Myer- Olkin (KMO) đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Barlett’s. Hệ số KMO phải đạt giá trị từ 0,5 trở lên (0,5 < KMO < 1) thể hiện phân tích nhân tố là phù hợp, còn ngược lại thì phân tích nhân tố có khả năng không thích hợp với dữ liệu và giả thiết không (Ho) và ma trận tương quan biến tổng có thể bị bác bỏ thông qua đại lượng thống kê Barlett’s tức là mỗi biến tương quan hoàn toàn với chính nó (r = 1), nhưng không tương quan với biến khác (r = 0).
Qua kết quả phân tích dữ liệu, những nhân tố không đáp ứng điều kiện Cronbach’s Alpha, các tương quan biến tổng nhỏ hơn 0,3, hệ số tải nhân tố nhỏ hơn 0,5 là các biến có tương quan kém hay không đặc trưng sẽ bị loại bỏ. Tiếp theo tác giả tiến hành hiệu chỉnh bảng câu hỏi và bảng câu hỏi chính thức được thiết kế (Phụ lục 6).
43