Sau khi thu thập xong dữ liệu từng người tiêu dùng, các bảng phỏng vấn được xem xét và loại đi những bảng không đạt yêu cầu, mã hóa, nhập liệu và làm sạch bằng phần mềm SPSS 18.0.
Tiếp theo là thực hiện phân tích dữ liệu bằng các công cụ như thống kê mô tả, bảng tần số, kiểm định độ tin cậy cronbach alpha của các thang đo, phân tích các nhân tố khám (EFA), phân tích hồi qui.
* Phương pháp thống kê mô tả
Khái niệm: Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ
liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu.
Bước đầu tiên để mô tả và tìm hiểu về đặc tính phân phối của một bảng số liệu thô là lập bảng phân phối tần số. Sau đó, sử dụng một số hàm để làm rõ đặc tính của mẫu phân tích. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các phương pháp cơ bản của mô tả dữ liệu. Có rất nhiều kỹ thuật hay được sử dụng, có thể phân loại các kỹ thuật này như sau:
- Biểu diễn dữ liệu bằng đồ họa trong đó các đồ thị mô tả dữ liệu hoặc giúp so sánh dữ liệu;
- Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu;
- Thống kê tóm tắt (dưới dạng các giá trị thống kê đơn nhất) mô tả dữ liệu.
* Phương pháp phân tích độ tin cậy của thang đo (Cronbach’s Alpha)
Những mục hỏi đo lường cùng một khái niệm tiềm ẩn thì phải có mối liên quan với những cái còn lại trong nhóm đó. Hệ số của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau.
Công thức của hệ số Cronbach’s Alpha là:
N
=
[1 + (N – 1)]
Trong đó: là hệ số tương quan trung bình giữa các mục hỏi.
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach alpha. Những biến có hệ số tương quan biến tổng (Corrected item-total correlation) nhỏ hơn 0.3 sẽ bị loại. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại. 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. Thông thường, thang đo có Cronbach alpha từ 0.7 đến 0.8 là sử dụng được (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được vì hệ số Cronbach’s Alpha chỉ là giới hạn dưới của độ tin cậy của thang đo và còn nhiều đại lượng đo lường độ tin cậy, độ giá trị của thang đo, nên ở giai đoạn đầu khi xây dựng bảng câu hỏi, hệ số này nằm trong phạm vi từ 0,6 đến 0,8 là chấp nhận được (Nguyễn Đình Thọ, 2011).
* Phương pháp phân tích nhân tố khám phá EFA
Phân tích nhân tố nhằm rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn (nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 1998). Phân tích nhân tố khám phá được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
- Theo Hair và cộng sự (1998), Factor loading là chỉ tiêu đảm bảo mức ý nghĩa của EFA. Factor loading lớn hơn 0,3 là tối thiểu; lớn hơn 0,4 được xem là quan trọng; lớn hơn 0,5 được xem là có ý nghĩa thiết thực. Factor loading lớn nhất của các biến quan sát phải lớn nhất của các biến quan sát phải lớn hơn hoặc bằng 0,5.
- Kaiser-Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của EFA 0,5≤KMO ≤ 1 thì phân tích nhân tố là thích hợp.
- Jabnoun và Al-Tamimi (2003) tiêu chuẩn khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố.
- Kiểm định Bartlett’s test sphericity xem xét giả thuyết H0: độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể và bác bỏ giả thuyết H0.
- Phương sai trích (cumulative % of variance): phần trăm biến thiên của các biến quan sát (hay dữ liệu) được giải thích bởi các nhân tố phải đảm bảo ≥ 50%.
- Phương pháp trích hệ số được sử dụng là Principal Component Analysis với phép xoay Varimax để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, và các nhân tố không có sự tương quan lẫn nhau.
- Xác định số nhân tố bằng phương pháp dựa vào eigenvalue (Determination based on eigenvalue): chỉ giữ lại những nhân tố có eigenvalue lớn hơn 1 trong mô hình phân tích.
Sau khi phân tích EFA, các giả thuyết nghiên cứu được điều chỉnh lại theo các nhân tố mới. Phương pháp phân tích hồi quy tuyến tính bội sẽ được ứng dụng trong việc đánh giá mức độ ảnh hưởng của các nhân tố đến sự hài lòng của người dân.
Phân tích hồi quy tuyến tính đa biến
Phân tích hồi qui đa biến: là một phương pháp được sử dụng dùng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Phương trình hồi qui tuyến tính đa biến có dạng:
Yi = β0 + β1X1i +β2X2i +... +βpXpi +e
Mục đích của việc phân tích hồi qui đa biến là dự đoán mức độ của biến phụ thuộc (với độ chính xác trong phạm vi giới hạn) khi biết trước giá trị của biến độc lập. Theo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc - 2008) các tham số quan trọng trong phân tích hồi qui đa biến bao gồm:
Hệ số hồi qui riêng phần Bk: là hệ số đo lường sự thay đổi trong giá trị trung bình Y khi Xk thay đổi một đơn vị, giữa các biến độc lập còn lại không đổi.
Hệ số xác định R2 điều chỉnh: Hệ số xác định tỉ lệ biến thiên của biến phụ thuộc được giải thích bởi biến độc lập trong mô hình hồi qui. Đó cũng là thông số đo lường độ thích hợp của đường hồi qui theo qui tắc R2 càng gần 1 thì mô hình xây dựng càng thích hợp, R2 càng gần 0 mô hình càng kém phù hợp với tập dữ liệu mẫu. Tuy nhiên, R2 có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu trong trường hợp có hơn 1 biến giải thích trong mô hình. Trong tình huống này R2 điều chỉnh (Adjusted R square) được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2.
Kiểm định F trong phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình tuyến tính tổng thể. Nếu giả thuyết Ho của kiểm định F bị bác bỏ thì có thể kết luận mô hình hồi qui tuyến tính đa biến phù hợp với tập dữ liệu và có thể sử dụng được.
Chẩn đoán mô hình hồi quy:
Mô hình hồi qui tuyến tính bội được xây dựng trên các giả thiết sau (Hoàng Trọng và Mộng Ngọc, 2008):
(1) Có mối quan hệ tuyến tính giữa biến phụ thuộc với các biến độc lập.
(2) Các biến độc lập không có tương quan với nhau hay không có hiện tượng đa cộng tuyến.
(3) Giả định phân phối chuẩn của phần dư. (4) Giả định phương sai của sai số không đổi.
(5) Giả định về tính độc lập của các phần dư (vì dữ liệu thu thập không phải là dữ liệu chuỗi, nên giả định này khó bị vi phạm).
Mô hình hồi quy tuyến tính bằng phương pháp Enter được thực hiện với các giả định trên và mô hình chỉ thực sự có ý nghĩa khi các giả định này được đảm bảo. Nếu các giả thiết trên vi phạm, thì kết quả ước lượng sẽ không còn chính xác nữa. Giả định các biến độc lập không có tương quan với nhau hay không có hiện tượng đa cộng tuyến được đảm bảo như đã được phân tích ở trên. Do vậy, để đảm bảo cho độ tin cậy của mô hình, nghiên cứu còn phải thực hiện một loạt các dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính.
Giả định liên hệ tuyến tính và phương sai không đổi: Nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn thì không nhận thấy có liên hệ gì giữa các giá trị dự đoán và phần dư, chúng sẽ phân tán rất ngẫu nhiên. Nếu giả định tuyến tính được thỏa mãn (đúng) thì phần dư phải phân tán ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0 của đồ thị phân tán của phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Predicted Value). Và nếu phương sai không đổi thì các phần dư phải phân tán ngẫu nhiên quanh trục 0 (tức quanh giá trị trung bình của phần dư) trong một phạm vi không đổi (Hoàng và Chu – tập 1, 2008).
Tóm tắt chương 3
Chương 3 đưa ra phương pháp nghiên cứu trên cơ sở lý thuyết, mô hình và các giả thuyết nghiên cứu, xây dựng thang đo dự kiến và thảo luận nhóm đưa ra thang đo chính thức và phương pháp kiểm định Cronbach’s Alpha và phân tích EFA, Hồi quy đa biến... sẽ được sử dụng để phân tích trong nghiên cứu. Kết quả nghiên cứu sẽ được trình bày trong chương 4.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU
Trong chương 3 đã trình bày phương pháp nghiên cứu để kiểm định các thang đo và các giả thuyết trong mô hình nghiên cứu. Chương 4 này với mục đích trình bày kết quả kiểm định thang đo, mô hình nghiên cứu và các giả thuyết đưa ra trong mô hình. Nội dung của chương này bao gồm: (1) đặc điểm mẫu nghiên cứu, (2) kiểm định thang đo thông qua phương pháp hệ số tin cậy Cronbach alpha và phân tích yếu tố khám phá EFA, (3) kiểm định và đưa ra kết quả kiểm định của mô hình nghiên cứu và giả thuyết nghiên cứu bằng phương pháp phân tích hồi qui bội. Phương pháp kiểm định trên được thực hiện thông qua phần mềm SPSS.