Hệ Số Cronbach’S Alpha Của Thang Đo Tính Đổi Mới

92


Bảng 4.24 Hệ số Cronbach’s Alpha của thang đo tính đổi mới



Trung bình thang đo nếu loại biến

Phương sai thang đo nếu loại biến


Hệ số tương quan biến tổng

Cronbach's Alpha nếu loại biến

DM1

11.26

4.396

0.672

0.793

DM2

11.44

4.776

0.703

0.773

DM3

11.66

5.199

0.707

0.778

DM4

11.05

5.212

0.601

0.818


Cronbach’s Alpha


0.834


Số biến quan sát


4

Có thể bạn quan tâm!

Xem toàn bộ 240 trang tài liệu này.

Các yếu tố ảnh hưởng đến việc lựa chọn dịch vụ ngân hàng trực tuyến của khách hàng cá nhân, nghiên cứu tại các ngân hàng thương mại - 14

Nguồn: Phụ lục 6


Ý định lựa chọn (YD)


Thang đo ý định lựa chọn có Hệ số Cronbach’s Alpha là 0.855 cho thấy mức độ tin cậy cao của thang đo. Bên cạnh đó, các biến quan sát đều có hệ số tương quan biến tổng lớn hơn 0.4 nên các biến quan sát đều được chấp nhận.

Bảng 4.25 Hệ số Cronbach’s Alpha của thang đo ý định lựa chọn



Trung bình thang đo nếu loại biến

Phương sai thang đo nếu loại biến


Hệ số tương quan biến tổng

Cronbach's Alpha nếu loại biến

YD1

10.22

4.171

0.739

0.798

YD2

10.17

4.429

0.664

0.829

YD3

10.24

4.264

0.751

0.794

YD4

10.16

4.385

0.640

0.840

Cronbach’s Alpha

0.855

Số biến quan sát

4

Nguồn: Phụ lục 6

93


Việc lựa chọn dịch vụ NHTT (LC)


Thang đo việc lựa chọn dịch vụ NHTT có Hệ số Cronbach’s Alpha là 0.847 cho thấy mức độ tin cậy cao của thang đo. Bên cạnh đó, các biến quan sát đều có hệ số tương quan biến tổng lớn hơn 0.4 nên các biến quan sát đều được chấp nhận.

Bảng 4.26 Hệ số Cronbach’s Alpha của thang đo việc lựa chọn dịch vụ NHTT



Trung bình thang đo nếu loại biến

Phương sai thang đo nếu loại biến


Hệ số tương quan biến tổng

Cronbach's Alpha nếu loại biến

LC1

6.81

2.184

0.687

0.813

LC2

6.74

1.887

0.770

0.732

LC3

6.79

2.086

0.691

0.810


Cronbach’s Alpha


0.847

Số biến quan sát


3

Nguồn: Phụ lục 6


4.2.3 Phân tích nhân tố khám phá (EFA)


Sau khi kiểm định độ tin cậy Cronbach’s Alpha của các thành phần thang đo, nghiên cứu tiếp tục thực hiện phân tích EFA đối với các thang đo. Mục đích của kỹ thuật phân tích EFA là nhằm xác định các yếu tố đại diện cho hành vi công dân tổ chức. Việc phân tích EFA được thực hiện với phương pháp Principal axis factoring và phép quay Promax. Kết quả như sau:

94


Bảng 4.27 Kiểm định KMO và Bartlett


Hệ số Kaiser-Meyer-Olkin.

0.873

Kiểm định Bartlett

Approx. Chi-Square

7802.493


Df

561


Sig.

0.000

Nguồn: Phụ lục 6


Hệ số KMO = 0.873 thỏa mãn điều kiện 0.5 < KMO < 1, cho thấy phân tích EFA là thích hợp cho dữ liệu thực tế. Bảng 4.27 cũng cho kết quả kiểm định Bartlett với Sig. < 0.05, cho thấy các biến quan sát có tương quan tuyến tính với yếu tố đại diện.

Bảng 4.28 cho thấy phân tích EFA trích ra được 8 yếu tố có giá trị Eigen lớn hơn 1. Bên cạnh đó, cột phương sai tích lũy trong Bảng 4.28 cho thấy giá trị phương sai trích là 58.568%. Điều này có nghĩa là 58.568% thay đổi của các yếu tố đại diện được giải thích bởi các biến quan sát.


Bảng 4.28 Tổng phương sai được giải thích



Nhân tố


Chỉ tiêu Eigenvalues

Tổng bình phương hệ số tải trích

được

Tổng

cộng

Phương

sai

Phương sai

tích lũy

Tổng

cộng

Phương

sai

Phương sai

tích lũy

1

8.849

26.028

26.028

8.461

24.887

24.887

2

2.833

8.331

34.359

2.403

7.068

31.954

3

2.732

8.035

42.394

2.311

6.797

38.751

4

2.442

7.181

49.575

2.015

5.927

44.679

5

1.947

5.726

55.301

1.497

4.403

49.082

6

1.814

5.334

60.635

1.393

4.098

53.180

7

1.458

4.288

64.923

1.173

3.451

56.631

95


8

1.059

3.114

68.037

0.659

1.937

58.568

9

0.774

2.277

70.314

10

0.668

1.965

72.279

11

0.642

1.889

74.168

12

0.626

1.840

76.009

13

0.595

1.750

77.758

14

0.563

1.657

79.415

15

0.554

1.629

81.044

16

0.504

1.481

82.525

17

0.484

1.425

83.949

18

0.465

1.369

85.318

19

0.457

1.345

86.664

20

0.422

1.241

87.904

21

0.414

1.217

89.122

22

0.395

1.163

90.285

23

0.361

1.062

91.347

24

0.352

1.036

92.382

25

0.343

1.008

93.390

26

0.335

0.984

94.374

27

0.308

0.906

95.280

28

0.288

0.847

96.127

29

0.282

0.829

96.956

30

0.272

0.801

97.757

31

0.231

0.679

98.436

32

0.225

0.662

99.097

33

.212

0.623

99.720

34

.095

0.280

100.000

Nguồn: Phụ lục 6

96



Nhân tố

1

2

3

4

5

6

7

8

HI3

0.802








HI5

0.774








HI2

0.769








HI1

0.720








HI4

0.670








XH4


0.788







XH5


0.749







XH3


0.729







XH2


0.706







XH1


0.669







CP4



1.028






CP3



0.852






CP2



0.685






CP1



0.524






RRR3




-0.848





RRR4




-0.749





RRR1




-0.696





RRR2




-0.658





HA4





0.784




HA3





0.735




HA2





0.731




HA1





0.703




Bảng 4.29 trình bày cụ thể các yếu tố trích ra được từ phân tích EFA. Bảng 4.29: Ma trận mô thức

97


DM2






0.800



DM3






0.797



DM1






0.751



DM4






0.674



DSD4







0.767


DSD3







0.701


DSD2







0.688


DSD1







0.643


YD1








0.818

YD3








0.735

YD2








0.712

YD4








0.605

Nguồn: phụ lục 6


Kết quả phân tích EFA cho thấy các biến quan sát đều có hệ số tải yếu tố (Factor loading) lớn hơn 0.5. Đồng thời, phân tích EFA cũng cho thấy có 8 yếu tố đại diện được trích ra và cả 8 yếu tố cũng như các biến quan sát thành phần của từng yếu tố đều phù hợp với mô hình nghiên cứu đề xuất.

Thang đo lựa chọn dịch vụ NHTT


Bảng 4.30 Kiểm định KMO và Bartlett


Hệ số Kaiser-Meyer-Olkin.

0.712

Kiểm định Bartlett

Approx. Chi-Square

574.812


Df

3


Sig.

0.000

Nguồn: Phụ lục 5

98


Hệ số KMO = 0.712 thỏa mãn điều kiện 0.5 < KMO < 1, cho thấy phân tích EFA là thích hợp cho dữ liệu thực tế. Bảng 4.30 cũng cho kết quả kiểm định Bartlett với Sig. < 0.05, cho thấy các biến quan sát có tương quan tuyến tính với yếu tố đại diện.

Bảng 4.31 cho thấy phân tích EFA trích ra được 1 yếu tố có giá trị Eigen lớn hơn 1. Bên cạnh đó, cột phương sai tích lũy trong Bảng 4.31 cho thấy giá trị phương sai trích là 65.494%. Điều này có nghĩa là 65.494% thay đổi của yếu tố đại diện được giải thích bởi các biến quan sát.


Bảng 4.31 Tổng phương sai được giải thích



Nhân tố


Chỉ tiêu Eigenvalues

Tổng bình phương hệ số tải trích được

Tổng cộng

Phương sai

Phương sai tích lũy

Tổng cộng

Phương sai

Phương sai tích lũy

1

2.298

76.616

76.616

1.965

65.494

65.494

2

0.423

14.086

90.702

3

0.279

9.298

100.000

Nguồn: Phụ lục 5


Như vậy, kết quả phân tích EFA cho thấy các biến quan sát đều có hệ số tải yếu tố (Factor loading) lớn hơn 0.5. Đồng thời, phân tích EFA cũng cho thấy có 1 yếu tố đại diện được trích ra và các biến quan sát thành phần của yếu tố này đều phù hợp với mô hình nghiên cứu đề xuất.

4.2.4 Phân tích nhân tố khẳng định (CFA)


Sau khi thực hiện phân tích nhân tố khám phá EFA, tác giả thực hiện phân

99


tích nhân tố khẳng định CFA. Phân tích CFA trong mô hình tới hạn nhằm đánh giá tính phân biệt giữa các khái niệm có trong mô hình nghiên cứu. Để đo lường mức độ phù hợp của mô hình, các chỉ số đánh giá thường sử dụng là Chi-square (CMIN); Chỉ số GFI, AGFI, CFI; Chỉ số Tucker&Lewis; Chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value > 0.05. Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu. Do đó, trong nghiên cứu thực nghiệm, nếu một mô hình được nhận các giá trị GFI, AGFI >= 0.8 (Forza và Filippini, 1998; Greenspoon và Saklofske, 1998), TLI, CFI > 0.9 (Bentler&Bonett, 1980); CMIN/df < 2, một số trường hợp CMIN/df có thể bằng 3 (Carmines&McIver, 1981); RMSEA < 0.08 (Steiger, 1990) thì mô hình được xem là phù hợp với dữ liệu thị trường hay tương thích với dữ liệu thị trường. Kết quả phân tích CFA mô hình tới hạn được thể hiện trong hình 4.1.

Xem toàn bộ nội dung bài viết ᛨ

..... Xem trang tiếp theo?
⇦ Trang trước - Trang tiếp theo ⇨

Ngày đăng: 13/05/2023