Đang tải... (xem toàn văn)
I. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F 0.3 được xem là đạt mức tối thiểu • Factor loading > 0.4 được xem là quan trọng • Factor loading > 0.5 được xem là có ý nghĩa thực tiễn Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: Hệ số tải nhân tố (Factor loading ) > 0.5 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp. Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể. Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %. (hotrospss@gmail.com)
I. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất. Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA: • Factor loading > 0.3 được xem là đạt mức tối thiểu • Factor loading > 0.4 được xem là quan trọng • Factor loading > 0.5 được xem là có ý nghĩa thực tiễn Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: Hệ số tải nhân tố (Factor loading ) > 0.5 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp. Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể. Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %. (hotrospss@gmail.com) II. ĐÁNH GIÁ ĐỘ TIN CẬY THANG ĐO - Độ tin cậy của thang đo thường được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. - Chạy cho từng nhân tố (cả độc lập và phụ thuộc) - Mục đích là tìm hiểu xem các biến quan sát có cùng đo lường cho 1 khái niệm cần đo hay không. Muốn biết cái nào đóng góp nhiều hay ít thì quan sát hệ số tương quan biến – tổng. - Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các nhân tố giả khi phân tích EFA (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009). - Điều kiện khi chạy Cronbach’s alpha: - Hệ số cronbach’s alpha > 0.6 - Hệ số tương quan biến – tổng > 0.3 (thường khi loại 1 biến thì hệ số cronbach’s alpha phải tăng hơn trước) DỮ LIỆU THỨ CẤP - Bản chất: đã được thu thập và xử lý phục vụ cho mục tiêu nào đó, có thể khác với mục tiêu của đề tài đang nghiên cứu. - Ưu điểm: chi phí thấp, thời gian ngắn - Nhược điểm: tính sẵn có, tính thích hợp, khó xác định độ chính xác/ tin cậy - Phạm vi ứng dụng: + cung cấp thông tin hình thành vấn đề nghiên cứu; + đề xuất phương pháp và loại dữ liệu sơ cấp cần thu thập; + cơ sở đế đối chiếu và đánh giá/ diễn dịch các thông tin sơ cấp - Nguồn cung cấp: + Nguồn nội bộ: số liệu kế toán, doanh số, khách hàng; chi phí sản xuất, tồn kho; báo cáo nhân viên bán hàng; báo cáo và tài liệu khác + Nguồn bên ngoài: các nguồn cơ sở dữ liệu; các hiệp hội, báo cáo nghiên cứu, hội nghị; báo, tạp chí; các tổ chức chính phủ/ phi chính phủ, cục thống kê . phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các nhân tố giả khi phân tích EFA (Nguyễn Đình. trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không