7. Kết cấu của luận văn
2.3.4.2. Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá là tên chung của một nhóm các thủ tục được sử dụng trong trường hợp mối quan hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay không chắc chắn. Phân tích EFA được tiến hành theo kiểu khám phá để xác định theo phạm vi, mức độ tương quan giữa các biến quan sát và các nhân tố cơ sở, cũng như sự phân biệt rõ ràng giữa các nhân tố, làm nền tảng cho một tập hợp các phép đo để rút ngắn hay giảm bớt số biến quan sát tải lên các nhân tố cơ sở. Các nhân tố cơ sở là tổ hợp tuyến tính của các biến mô tả bằng hệ phương trình sau:
F1 = 11x1 + 12x2 + 13x3 + … + 1PxP
F2 = 21x1 + 22x2 + 23x3 + … + 2PxP
Sử dụng phương pháp trích nhân tố Principal Axis Factoring với phép quay Promax (đối với các thang đo lường đa hướng – các biến tác động) vì theo (Gerbing & Anderson, 1988), phương pháp trích Principal Axis Factoring với phép xoay Promax sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal components với phép xoay Varimax. Tuy nhiên với thang đo lường đơn hướng – biến tác động, nên sử dụng phương pháp trích Principal component analysis vì phương pháp trích này sẽ làm cho tổng phương sai trích tốt hơn. Thang đo lường được chấp nhận khi thỏa mãn điều kiện tổng phương sai trích từ 0,5 trở lên (Gerbing & Anderson, 1988).
Hệ số tải nhân tố (Factor loading) lớn nhất của mỗi biến phải lớn hơn hoặc bằng 0,5 theo (Hair & ctg, 1998). Hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích EFA (Ensuring Practical Significance). Factor loading lớn hơn 0,3 được xem là đạt mức tối thiểu; Factor loading lớn hơn 0,4 được xem là quan trọng; Factor loading lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Nếu chọn tiêu chuẩn Factor loading lớn hơn 0,3 thì cỡ mẫu ít nhất phải là n = 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu
chuẩn Factor loading lớn hơn 0,55; nếu cỡ mẫu khoảng 50 thì Factor loading phải lớn hơn 0,75 (Hair & ctg, 1998). Cỡ mẫu nghiên cứu của đề tài là n = 300 nên tiêu chuẩn của Factor loading được sử dụng là 0,5 trở lên. Đồng thời, tại mỗi biến quan sát chênh lệch giữa hệ số tải nhân tố (Factor loading) lớn nhất và hệ số tải nhân tố bất kỳ phải từ 0,3 trở lên (Jabnoun & Al-Tamimi, 2003).
Hệ số KMO (Kaiser-Meyer-Olkin Measure of Sampling Adequacy) là chỉ tiêu sử dụng để xem xét sự thích hợp của phân tích EFA, khi 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp.
Kiểm định Bartlett xem xét giả thuyết về 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) (Hair & ctg, 2006) thì các biến quan sát có tương quan với nhau trong tổng thể (Trọng & Ngọc, 2008)
Phân tích nhân tố khám phá sẽ giải quyết được mục tiêu nghiên cứu đó là xây dựng thang đo lường đã qua phép kiểm định Cronbach Alpha.