Sau khi loại bỏ các biến không đảm bảo độ tin cậy thông qua phân tích Cronbach’s Alpha, phương pháp phân tích nhân tố (EFA) được sử dụng để xác định độ giá trị hội tụ (convergent validity), độ giá trị phân biệt (discriminant validity) và đồng thời thu gọn các tham số ước lượng theo từng nhóm biến.
Trong thực tiễn nghiên cứu, để thang đo đạt giá trị hội tụ thì hệ số tương quan đơn giữa các biến và các nhân tố (factor loading) phải lớn hơn hoặc bằng 0.5 trong một nhân tố (0.4 ≤ factor loading < 0.5 được xem là quan trọng; factor loading > 5 được xem là có ý nghĩa thực tiễn). Để đạt độ giá trị phân biệt, khác biệt giữa các nhân tố phải lớn hơn hoặc bằng 0.3 (λiA – λiB ≥ 0.3). Tuy nhiên, chúng ta cần xem xét giá trị nội dung của nó trước khi ra quyết định loại bỏ hay không loại bỏ một biến đo lường (Nguyễn Đình Thọ, 2011).
Số lượng nhân tố được xác định dựa trên chỉ số Eigenvalue – đại điện cho phần biến thiên được giải thích bởi mỗi nhân tố. Số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có Eigenvalue tối thiểu bằng 1 (≥1) và những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại ra khỏi mô hình (Nguyễn Đình Thọ, 2011). Tiêu chuẩn phương sai trích (Variance explained criteria): tổng phương sai trích phải đạt từ 50% trở lên, nghĩa là phần chung phải lớn hơn phần riêng và sai số (từ 60% trở lên được coi là tốt) (Nguyễn Đình Thọ, 2011).
Để xác định sự phù hợp khi sử dụng EFA thì người ta thường tiến hành kiểm định Barlett và KMO:
o Kiểm định Bartlett: dùng để xem xét ma trận tương quan có phải là ma trận đơn vị (I) hay không. Kiểm định Barlett có ý nghĩa thống kê khi Sig < 0.05. Điều này chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
o Kiểm định KMO: KMO là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa các biến đo lường với độ lớn của hệ số tương quan riêng phần của chúng (Norusis, 1994, trích trong Nguyễn Đình Thọ, 2011). Hệ số KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn (Nguyễn Đình Thọ, 2011). Hệ số KMO phải
đạt giá trị từ 0.5 trở lên (KMO ≥ 0.5) thể hiện phân tích là phù hợp. Hệ số KMO < 0.5 thì không thể chấp nhận được (Kaiser, 1974, trích trong Nguyễn Đình Thọ, 2011).
Tuy nhiên, theo Nguyễn Đình Thọ (2011, trang 397) thì trong thực tế, với sự hỗ trợ của các phần mềm xử lý thống kê SPSS và chúng ta có thể nhìn vào kết quả trọng số nhân tố và phương sai trích đạt yêu cầu thì vấn đề kiểm định Bartlett, KMO không còn ý nghĩa nữa vì chúng luôn luôn đạt yêu cầu.
Trong nghiên cứu này, tác giả sẽ sử dụng phương pháp trích nhân tố Principal components với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues lớn hơn hoặc bằng 1 để phân tích nhân tố khám phá cho 07 biến độc lập cũng như 03 biến phụ thuộc.
3.4.3.3 Phân tích hồi quy và kiểm định giả thuyết
Sau khi hoàn tất việc phân tích đánh giá độ tin cậy thang đo và phân tích nhân tố khám phá EFA, các biến quan sát không đảm bảo độ giá trị hội tụ tiếp tục bị loại khỏi mô hình cho đến khi các tham số được nhóm theo các nhóm biến đạt yêu cầu đề ra.
Phân tích hồi quy sau đó sẽ được đưa vào sử dụng để phân tích mô hình nghiên cứu của đề tài.
Tuy nhiên, trước khi tiến hành phân tích hồi quy, một phân tích quan trọng cần được thực hiện đầu tiên là phân tích tương quan nhằm kiểm định mối tương quan tuyến tính giữa các biến trong mô hình.