Analysis)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha. Phân tích nhân tố khám phá 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.
Tác giả sẽ xem xét các Factor loading hay hệ số tải nhân tố hay trọng số nhân tố trong bảng Rotated Component Matrix. Trên mỗi dòng nhất định, chỉ có một con số, con số này chính là factor loading lớn nhất của biến quan sát nằm ở dòng đó. Biến quan sát có factor loading lớn nhất nằm tại cột nào thì biến quan sát đó thuộc về nhân tố đó. Như vậy, biến quan sát bất kỳ sẽ nằm ở nhân tố thứ mấy sẽ được thể hiện rõ ràng trên bảng Rotated Component Matrix. Đối với những Factor Loading mang dấu âm thì lấy giá trị tuyệt đối của nó. Tiêu chuẩn quan trọng đối với Factor loading lớn nhất là nó phải lớn hơn hoặc bằng 0,5, tiêu chuẩn này phù hợp với cỡ mẫu điều tra (Hair và cộng sự, 1998). Ngoài ra, nghiên cứu còn xem xét hệ số Eigenvalue có đạt điều kiện lớn hơn 1 hay không. Cuối cùng, tác giả kiểm tra trị số của phép kiểm định KMO để chắc chắn rằng trị số này lớn hơn hoặc bằng 0,5, đảm bảo phân tích nhân tố phù hợp với các dữ liệu. Nếu biến quan sát không đạt được các điều kiện về hệ số Factor loading thì sẽ bị loại bỏ khỏi mô hình nghiên cứu. Tuy nhiên, việc loại bỏ sẽ được tiến hành từng bước một trong trường hợp có nhiều biến không đạt.
Sau khi kiểm tra độ tin cậy, phân tích nhân tố khám phá được tiến hành. Phương pháp rút trích nhân tố được sử dụng là Principal Component (được mặc định trong chương trình SPSS v18) với phép quay Varimax.
2.4.2.1. Phân tích nhân tố EFA lần 1
Kiểm định KMO và Barlett's trong phân tích nhân tố cho thấy hệ số KMO khá lớn 0,884 > 0,5. Đồng thời, giả thuyết Ho đặt ra là không có sự tương quan giữa 20 biến quan sát này cũng bị bác bỏ thông qua phép kiểm
định này với mức ý nghĩa sig là 0.000. Cả 2 điều này cho thấy rằng, phân tích nhân tố là rất phù hợp với tập dữ liệu.
Kết quả phân tích nhân tố lần đầu, tại mức giá trị Eigenvalue 1,063 cho phép trích được 5 nhân tố từ 20 biến quan sát và với phương sai trích là 62,167% (lớn hơn 50%). Như vậy, cho thấy phương sai rút trích đạt yêu cầu.
Tuy nhiên, dựa trên bảng Rotated Component Matrix, 2 biến C7 (Máy vi tính ở trường có kết nối internet), và C13 (Tham gia tất cả các giờ học trên lớp) đều có hệ số factor loading rất thấp, lần lượt là 0,429 và 0.481 (nhỏ hơn 0.5), không đạt yêu cầu đặt ra nên sẽ bị loại bỏ lần lượt (Xem phần Phụ lục 3.1).
Biến C7 (Máy vi tính ở trường có kết nối internet) có hệ số factor loading nhỏ nhất nên sẽ bị loại bỏ trước. Khi biến này loại bỏ, ta có thể thấy rằng yếu tố việc kết nối internet MVT ở trường chưa tác động đến mức độ đáp ứng kỳ vọng kết quả thi HSG Tin học của HS. Theo kết quả khảo sát cho thấy thời gian dạy môn Tin học ở trường mỗi tuần có 2 tiết, gồm 1 tiết TH và 1 tiết LT. Do đó, thời gian để cho các em sử dụng internet ở trường để tìm kiếm thông tin, tài liệu phục vụ cho nhu cầu học tập bị hạn chế. Giáo viên dành thời gian dạy TH để hướng dẫn các em TH lại những bài học LT vừa dạy và trao dồi việc sử dụng các phần mềm học tập là đã hết thời gian quy định. Vì vậy, nhiều trường cũng chưa quan tâm đến việc kết nối internet đến phòng Tin học cho HS sử dụng.