Với phần mềm SPSS, ta sẽ thực hiện các bước:
Bước 1: Kiểm định độ tin cậy của thang đo
Các thang đo trong nghiên cứu được đưa vào kiểm định sự phù hợp và đánh giá độ tin cậy bằng hệ số Cronbach’s Alpha. Phân tích hệ số Cronbach’s Alpha được sử dụng trước để loại các biến không phù hợp. Theo Nunnally (1978); Peterson (1994) và Slater (1995) thì những thang đo có hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới. Cụ thể, những biến có hệ số tương quan biến tổng (Corrected Item – Total Correlation) nhỏ
hơn 0,3 và thành phần thang đo có hệ số Croncbach’s Alpha nhỏ hơn 0,6 được xem xét loại bỏ.
Bước 2: Phân tích nhân tố khám phá(Exploratory Factor Analysis – EFA)
Sau khi thực hiện đánh giá sơ bộ thang đo, nghiên cứu tiếp tục thực hiện phân tích nhân tố khám phá EFA nhằm khám phá cấu trúc và khái niệm nghiên cứu, loại bỏ các biến đo lường không đạt yêu cầu. Mục đích là để kiểm tra và xác định lại các các nhóm biến trong mô hình nghiên cứu. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), trị số Kaiser-Meyer-Olkin (KMO) được quan tâm trong phương pháp này vì trị số KMO là chỉ số dùng để xem xét sự thích hợp trong việc đưa các biến vào phân tích nhân tố. Trị số KMO lớn khi đạt từ 0,5 đến 1,0 đây là điều kiện đủ để phân tích nhân tố thích hợp, khi trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không tích hợp với các dữ liệu.
Cũng theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), khi phân tích dữ liệu bằng SPSS, ta cần lưu ý các trị số sau:
- Eigenvalue: những nhân tố có trị số Eigenvalue lớn hơn 1 sẽ được giữ lại vì chỉ có những nhân tố này mới đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
- Phương sai trích (% cumulative variance): Phần trăm biến thiên của các biến quan sát. Thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn 50% (Hair, Anderson, Tatham và Black, 1998)
- Ma trận nhân tố (Component Matrix): mặc dù phương pháp này giúp kiểm tra mối liên hệ giữa các nhân tố và từng biến một nhưng thông thường kết quả sẽ cho thấy mỗi nhân tố sẽ có mối liên hệ với nhiều biến làm cho việc giải thích khó khăn. Vì vậy cần phải kết hợp với việc xoay các nhân tố (Rotated Component Matrix). Sau khi xoay, kết quả là mối liên hệ giữa các biến và các nhân tố sẽ giảm đi, đôi khi một biến chỉ có mối liên hệ với một nhân tố mà thôi. Kết quả này được dựa vào hệ số khác không (có ý nghĩa) của các nhân tố đối với từng biến.
Phân tích hồi quy tuyến tính để biết được mức độ tác động của các biến độc lập lên biến phụ thuộc. Từ đó, sẽ kiểm tra độ thích hợp của mô hình, xây dựng mô hình hồi quy bội để kiểm định giả thuyết.