1. Khái niệm phân tích EFA Phân tích nhân tố khám phá, hay còn gọi là phân tích EFA là một phép phân tích dùng để thu gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn. Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau. Thay vì đi nghiên cứu 30 đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu 5 đặc điểm lớn, trong mỗi đặc điểm lớn này gồm 6 đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người nghiên cứu. 2. Các tiêu chí trong phân tích EFA - Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố EFA. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.[1] - Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Chúng ta cần lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.[2] - Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích[3]. Ví dụ, bảng phía dưới cho thấy có 3 nhân tố trích được tại eigenvalue là 2.062. Nếu chúng ta trích thêm một nhân tố nữa (nhân tố thứ tư) thì eigenvalue lúc này là 0.811 < 1. Vì vậy, nếu dựa vào tiêu chí eigenvalue từ 1 trở lên, chúng ta dừng ở nhân tố thứ ba. Khi trình bày vào bài, các bạn sẽ trích giá trị Eigenvalue bôi đỏ trong cột Extraction Sums of Squared Loadings. - Tổng phương sai trích (Total Variance Explained) ≥ 50% cho biết số nhân tố được trích đại diện tốt cho dữ liệu. Coi biến thiên của dữ liệu là 100% thì trị số này nói lên rằng, số nhân tố được trích từ EFA cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát. Trong ví dụ ở bảng kết quả trên, tổng phương sai trích là 61.62%. Như vậy, 3 nhân tố được trích từ EFA giải thích được (cô đọng được) 61.62% biến thiên của dữ liệu. - Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì: · Factor Loading ở mức ± 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại. · Factor Loading ở mức ± 0.5: Biến quan sát có ý nghĩa thống kê tốt. · Factor Loading ở mức ± 0.7: Biến quan sát có ý nghĩa thống kê rất tốt. Tuy nhiên, giá trị tiêu chuẩn của hệ số tải Factor Loading cần phải phụ thuộc vào kích thước mẫu. Với từng khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát có ý nghĩa thống kê là hoàn toàn khác nhau. [1] Trị số của KMO phải đạt giá trị 0.5 trở lên là điều kiện đủ để phân tích nhân tố là phù hợp trích nguồn từ: Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức, Trang 31. [2] Kiểm định Bartlett có ý nghĩa thống kê (sig < 0.05) chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố trích nguồn từ: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, Trang 413. [3] Chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích trích nguồn từ: Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức, Trang 34.
