Các dữ liệu sau khi thu thập xong đƣợc xử lý bằng phần mềm SPSS 16.0.
Mục tiêu 1: Tác giả sử dụng phƣơng pháp thống kê mô tả với các tiêu chí nhƣ tần suất, tỷ lệ, số trung bình để phân tích thực trạng tiêu dùng rau và nhận biết về rau an toàn của sinh viên quận Ninh Kiều TP.Cần Thơ.
Phân tích thống kê mô tả (Descriptive statistics):
Thống kê mô tả đƣợc định nghĩa nhƣ là phƣơng pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán các đặc trƣng khác nhau để phản ánh một cách tổng quát đối tƣợng nghiên cứu.
+ Phân tích tần số để thống kê loại rau sinh viên thƣờng tiêu thụ, mua ở đâu và qua nguồn thông tin nào.
+ Tính trị trung bình về các tiêu chí quyết định mua rau. Ý nghĩa của từng giá trị trung bình đối với thang đo khoảng:
Giá trị trung bình = (Maximum – Minimum)/n = (5-1)/5 = 0,8 Vậy giá trị mỗi khoảng cách là 0,8 hay cách 0,8 điểm thì mức độ cảm nhận sẽ thay đổi 1 cấp độ. Cụ thể nhƣ sau:
20
Giá trị trung bình Ý nghĩa
1,00 – 1,80 Rất không đồng ý/rất không hài long/rất không quan trọng 1,81 – 2,60 Không đồng ý/không hài lòng/không quan trọng
2,61 – 3,40 Không ý kiến/ Trung bình
3,41 – 4,20 Đồng ý/Hài lòng/Quan trọng
4,21 – 5,00 Rất đồng ý/Rất hài lòng/Rất quan trọng
(Nguồn: Bài giảng phương pháp nghiên cứu Marketing của Lưu Thanh Đức Hải 2007)
Mục tiêu 2: Phân tích các nhân tố ảnh hƣởng đến hành vi tiêu dùng rau an toàn của sinh viên quận Ninh Kiều TP.Cần Thơ. Ở mục tiêu này trƣớc tiên tác giả sử dụng phƣơng pháp kiểm định hệ số Cronbach’s Alpha để xây dựng và kiểm định độ phù hợp của thang đo trong mô hình nghiên cứu. Tiếp theo, sử dụng phân tích nhân tố khám phá (EFA) để thu nhỏ và tóm tắt các dữ liệu, qua đó ta sẽ biết đƣợc những nhân tố nào ảnh hƣởng đến hành vi tiêu dùng rau an toàn. Sau đó, sử dụng phân tích hồi quy để biết mức độ ảnh hƣởng của từng nhân tố đến hành vi tiêu dùng rau an toàn của sinh viên.
Kiểm định độ tin cậy (Cronbach’Alpha):
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tƣơng quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tƣơng quan giữa bản thân các biến và tƣơng quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi ngƣời trả lời. Phƣơng pháp này cho phép ngƣời phân tích loại bỏ các biến không phù hợp và hạn chế của những biến rác trong mô hình nghiên cứu vì nếu không chúng ta không thể biết đƣợc chính xác độ biến thiên cũng nhƣ độ lỗi của các biến.
Công thức của Cronbach’s Alpha là: α = Np/[1+p(N-1)]
Những biến có hệ số tƣơng quan biến động (Item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Theo quy ƣớc thì một tập hợp các mục hỏi dùng để đo lƣờng đƣợc đánh giá là tốt nhất phải có hệ số α 0,8.
Nhiều nhà nghiên cứu đồng ý khi Cronbach α từ 0,8 đến 1 là thang đo tốt, từ 0,7 đến 0,8 là sử dụng đƣợc. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là sử dụng đƣợc trong những trƣờng hợp khái niệm đang nghiên cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu. (Nunnally, 1978; Peterson, 1994; Stater, 1995).
Tiếp theo, những biến có hệ số tƣơng quan giữa các biến và tổng (Item – total correlation) nhỏ hơn 0,3 sẽ bị loại (Nunnally & Burnstein 1994).
Phân tích các nhân tố khám phá (EFA)
Sau khi kiểm định độ tin cậy của thang đo tiếp theo ta sẽ tiến hành phân tích nhân tố khám phá EFA (exploratory factor analysis). Phân tích nhân tố khám phá là một phƣơng pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các
21
nhân tố) ít hơn để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. (Hair và ctv, 1998)
Phân tích nhân tố EFA theo phƣơng pháp Principal Componets với phép xoay Varimax. Các biến có hệ số tải nhân tố (Factor loading) nhỏ hơn 0.5 sẽ tiếp tục bị loại và mô hình EFA chỉ thích hợp khi 0,5 KMO 1 và sig. 0,05.
Phân tích hồi qui binary logistic
Hồi quy Binary Logistic sử dụng biến phụ thuộc dạng nhị phân để ƣớc lƣợng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có đƣợc. Khi biến phụ thuộc ở dạng nhị phân (hai biểu hiện 0 và 1), cụ thể trong đề tài biến phụ thuộc Y là hành vi tiêu dùng rau an toàn của sinh viên, với hai giá trị: 0 là không hành vi mua, 1 là có hành vi mua.
Mô hình hồi quy Binary Logistic đƣợc xây dựng nhƣ sau:
Loge ) 0 ( ) 1 ( Y P Y P = B0 + B1X1 + B2X2 + B3X3 +…+ BkXk Với giả thuyết H0: B1 = B2 = … = Bk = 0
Khác với hồi quy tuyến tính thông thƣờng hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ tiêu -2LL (-2 Log
likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có độ phù hợp hoàn hảo.
Ý nghĩa các thông số có trong kết quả chạy mô hình nhƣ sau:
Chi –squares: Giá trị kiểm định Chi bình phƣơng về độ phù hợp tổng quát của mô hình để quyết định bác bỏ hay chấp nhận H0.
Df: Độ tự do
Sig. : Mức ý nghĩa quan sát.
-2Log likelihood: Chỉ tiêu đo lƣờng độ phù hợp tổng quát của mô hình.
Percentage Correct: % chính xác của dự báo.
Wald: Kiểm định Wald về ý nghĩa của các hệ số hồi qui tổng thể.
Number of Obs : Số lƣợng các quan sát (số lƣợng mẫu).
Tiêu chuẩn để chọn mô hình
Mô hình hồi quy nhị nguyên có ý nghĩa khi giá trị Sig. của kiểm định Chi bình phƣơng bé hơn mức ý nghĩa ( α= 5% hay α= 10%).
Chỉ tiêu -2LL (-2 Log Likelihood) là sai số của mô hình, giá trị -2LL càng nhỏ càng tốt và độ phù hợp của mô hình sẽ càng cao. Nếu chỉ tiêu -2LL có giá trị bằng 0 (không có sai số) khi đó tỷ lệ dự báo của mô hình rất cao.
22
Kiểm định về sự khác biệt trị trung bình của hai tổng thể độc lập (Independent Sample T-test)
Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) α thì phƣơng sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed.
Nếu Sig. > α thì phƣơng sai của 2 tổng thể không khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed.
Nếu Sig. trong kiểm định T-test α (mức ý nghĩa) Có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể.
Phân tích phƣơng sai ANOVA: Phân tích phƣơng sai ANOVA là phƣơng pháp so sánh trị trung bình của 3 nhóm trở lên. Có 2 kỹ thuật phân tích phƣơng sai: ANOVA 1 yếu tố (một biến để phân loại các quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố (2 hay nhiều biến để phân loại). Trong nghiên cứu này, tác giả sử dụng phân tích ANOVA 1 yếu tố.
Một số giả định đối với phân tích phƣơng sai một yếu tố:
- Các nhóm so sánh phải độc lập và đƣợc chọn một cách ngẫu nhiên. - Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn
để đƣợc xem nhƣ tiệm cận phân phối chuẩn. Phƣơng sai của các nhóm so sánh phải đồng nhất.
Mục tiêu 3: Dựa vào những phân tích về thực trạng tiêu dùng rau an toàn của sinh viên và các kết quả từ việc nghiên cứu các yếu tố ảnh hƣởng đến hành vi tiêu dùng rau an toàn để nêu lên những giải pháp nâng cao hành vi tiêu dùng nhằm phục vụ sinh viên và đƣa ra các chính sách hỗ trợ tích cực khuyến khích sinh viên tiêu dùng rau an toàn mạnh hơn trong tƣơng lai.
23
CHƢƠNG 3
ĐÁNH GIÁ SƠ BỘ THỰC TRẠNG TIÊU DÙNG RAU VÀ NHẬN BIẾT RAU AN TOÀN CỦA SINH VIÊN
QUẬN NINH KIỀU THÀNH PHỐ CẦN THƠ