6. Các nhận xét khác (Ghi rõ mức độ đồng ý hay không đồng ý với đề tài và
2.2.2 Phương pháp phân tích số liệu
Đối với mục tiêu thứ nhất: số liệu thứ cấp thu thập được về thực trạng khai thác và phát triển du lich sinh thái tại địa bàn thành phố CầnThơ, đề tài sử dụng phương pháp so sánh số tuyệt đối và tương đối như tìm khoảng chênh lệch của các số liệu thứ cấp qua các năm.
Đối với mục tiêu thứ hai: sử dụng phương pháp thống kê mô tả gồm phương pháp tính tần sốđể tìm hiểu thông tin về đáp viên để có cái nhìn tổng quát về đáp viên. Kiểm định thang đo bằng hệ số Cronback‘s Alpha, và phân tích nhân tố khám phá EFA để phân tích chất lượng dịch vụ của thành phố Cần Thơ trên phần mềm SPSS, tiếp theo là phân tích nhân tố khẳng định CFA được dùng để kiểm định thang đo và phương pháp phân tích mô hình cấu trúc tuyến tính SEM trên phần mềm AMOS được sử dụng để kiểm định độ thích ứng của mô hình lý thuyết và các giả thuyết, cuối cùng là tính trị trung bình để đánh giá mức độ hài lòng của du khách.
Đối với mục tiêu thứ ba: đề tài sử dụng phương pháp tổng hợp để tổng họp các kết quả nghiên cứu từ mục tiêu 1 và 2 từđó đề ra các giải pháp.
Phương pháp so sánh số tuyệt đối: là hiệu giữa trị số của kỳ phân tích so với kỳtrước đó ∆y = y1– y0 (2.2)
trong đó: + y1: chỉtiêu năm sau +y0: chỉtiêu năm trước
+∆y: phần tăng giảm của chỉ tiêu kinh tế
Phương pháp này dùng để so sánh số liệu của năm này so với năm trước nó. Sau đó nhận xét đánh giá về sựtăng giảm của các giá trịtính được
Phương pháp so sánh sốtươngđối: là thương giữa trị số của kỳ phân tích so với kỳtrước đó (2.3)
trong đó: +y1: chỉtiêu năm sau +y0: chi tiêu năm trước
+∆y: phần tăng giảm của chi tiêu kinh tế Phương pháp này dùng để làm rõ tình hình biến động của các giá trị qua các
năm. So sánh tốc độ biến động của số liệu năm này so với năm trước.
Phương pháp thông kê mô tả (Descriptive statistics): là các phương pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán và mô tả các đặc trưng khác nhau để phản ánh một cách tổng quát đối tượng nghiên cứu. Trong thống kê mô tả, các nhà nghiên cứu thường sử dụng các chỉ số thống kê như trịtrung bình (mean), độ lệch chuẩn (standard deviation), …
Phương pháp tính trị trung bình: là tính trị trung bình của từng quan sát, thang đo được sử dụng là thang đo khoảng.
Thang đo khoảng: là một kiểu đánh giá phân loại sự vật, hiện tượng hay đặc tính theo những đơn vịđều nhau ở bất kỳ khoảng nào trên thang
Ý nghĩa của từng giá trị trung bình với thang đo khoảng (trích bởi Phạm Lê Hồng Nhung)
Giá trị khoảng cách = ( Maximum – Minimum) / n = (5 -1)/ 5 = 0,8 Giá trị trung bình Ý nghĩa
1.00 - 1.80 Rất không đồng ý/ Rất tiêu cực/ Rất không quan trọng 1.81 - 2.60 Không đồng ý/ Tiêu cực/ Không quan trọng 2.61 - 3.40 Không ý kiến/ Trung bình 3.41 - 4.20 Đồng ý/ Tích cực/ Quan trọng 100 0 1 * = D y y y
4.21 - 5.00 Rất đồng ý/ Rất tích cực/ Rất quan trọng
Phương pháp phân tích tần số: dùng bảng phân phối tần số, trong đó nêu lên các số lượng quan sát (hay các tần số) đối với mỗi phân nhóm của biến số. Trong phần mềm xử lý thống kê, tần số ký hiệu là f. Bảng phân phối tần số cho thấy xu hướng trung tâm và mức độ phân tán của dữ liệu thu thập được.
Bảng phân phối tần số: là bảng tóm tắt các dữ liệu được sắp xếp thành từng tổ khác nhau. Để lập một bảng phân phối tần số ta sắp xếp các dữ liệu theo một thứ tựtăng dần hoặc giảm dần. Sau đo thực hiện các bước:
Bước 1: xác định tổ của dãy số phân phối (number of class) Số tổ (m) = [(2) x số quan sát (n)]0,3333
Chú ý: số tổ chỉ nhận giá trịnguyên dương
Bước 2: xác định khoảng cách tổ (k)- (class interval)
m X X
k= max- min
Trong đó: Xmax: là lượng biến lớn nhất của dãy số phân phối. Xmin: là lượng biến nhỏ nhất của dãy số phân phối. Bước 3: Xác định giới hạn trên và giới hạn dưới của mỗi tổ
Bước 4: xác định tần số của mỗi tổ (frequency). Điểm số quan sát rơi vào giới hạn của tổ đó. Cuối cùng trìnhbày kết quả trên biểu bảng và sơ đồ. (Ngô Thị Huyền, 2012)
Hệ số tin cậy Cronback‘s Alpha: được sử dụng để loại biến không phù hợp. Các biến có hệ sốtương quan biến tổng (item – total correlation) nhỏhơn 0,3 sẽ bị loại và tiêu chuẩn chọn thang đo khi có độ tin cậy alpha từ 0,6 trở lên (Nunnally và Burnstein, 1994). Tuy nhiên cũng cần lưu ý rằng nếu Cronback‘s Alpha quá cao (>0,95) thì có khả năng xuất hiện biến thừa ở trong thang đo, tương tự như trường hợp đa cộng tuyến trong hồi quy, khi đó biến thừa nên được loại bỏ. (Ngô Thị Huyền, 2012)
Phương pháp phân tích nhân tố EFA
Phương pháp phân tích nhân tố được sử dụng để rút gọn và tóm tắt dữ liệu. Trong nghiên cứu, có rất nhiều biến, hầu hết chúng đều có tương quan với nhau và thường được rút gọn để có thể dễ dàng quản lý. Mối quan hệ giữa các bộ phận khác nhau của nhiều biến được xác định và được đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho nhiều biến). Trong phân tích ANOVA hay hồi quy, tất cả các biến nghiên cứu thì có một biến phụ
thuộc còn các biến còn lại là biến độc lập, nhưng đối với phân tích nhân tố thì không có sự phân biệt này. Hơn nữa phân tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc này được xác định. Phân tích nhân tốđược sử dụng trong các trường hợp sau:
1. Nhận dạng các nhân tốđể giải thích mối quan hệ giữa các biến.
2. Nhận dạng các biến mới thay thế cho các biến gốc ban đầu trong phân tích đa biến (hồi quy).
3. Nhận dạng một bộ có số biến ít hơn cho việc sử dụng phân tích đa biến.
Theo Hair & ctg (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading > 0,3 được xem là đạt mức tối thiểu, Factor loading > 0,4 được xem là quan trọng, ≥ 0,5 được xem là có ý nghĩa thực tiễn. Hair và các cộng sự (1998), nếu chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu khoảng 100 thì chọn tiêu chuẩn Factor loading > 0,55, còn nếu cỡ mẫu khoảng 50 thì chọn Factor loading > 0,75 (dẫn theo Nguyễn Khánh Duy, 2009).
Bài nghiên cứu này sử dụng cỡ mẫu là 150 nên các biến có trọng số (factor loading) nhỏ hơn 0,5 trong EFA sẽ bị loại tiếp tục.
Mô hình phân tích nhân tố
Về mặt toán học, mô hình phân tích nhân tố giống như phương trình hồi quy nhiều chiều mà trong đó mỗi biến được đặc trưng cho mỗi nhân tố. Những nhân tố này không được quan sát một cách riêng lẻ trong mô hình. Nếu các biến được chuẩn hóa mô hình nhân tố có dạng như sau:
Xi = Ai1Fi1 + Ai2Fi2 + … + AimFim + ViUi
Trong đó: X1: Biến được chuẩn hóa thứ i
Aij: Hệ số hồi quy bội của biến được chuẩn hóa trên nhân tố chung j F: Nhân tố chung
Vi: Hệ số hồi quy của biến chuẩn hóa I trên nhân tố duy nhất i Ui: Hệ số duy nhất của biến i
m: Số nhân tố chung
Mỗi nhân tố duy nhất thì tương quan với mỗi nhân tố khác và với các nhân tố chung. Các nhân tố chung có sự kết hợp tuyến tính của các biến được quan sát.
Fi = wi1x1 + wi2x2 + … + wikxik Trong đó: Fi: Ước lượng nhân tố thứ i
wi: Trọng số hay hệ sốđiểm nhân tố k: số biến
Trong phân tích này có thể chọn trọng số (hay hệ sốđiểm) để nhân tố thứ nhất có tỷ trọng lớn nhất trong tổng phương sai. Các nhân tố có thể được ước lượng điểm nhân tố của nó. Theo ước lượng này, nhân tố thứ nhất có điểm số nhân tố cao nhất, nhân tố thứhai có điểm số nhân tố cao thứhai…
Tiến trình phân tích nhân tố
Xác định vấn đề: có nhiều nhiệm vụ trong việc xác định vấn để phân tích. Trước tiên, mục tiêu nghiên cứu phải được xác định trước. Các biến trong mô hình phân tích nhân tố phải cụ thể, điều này có thể dựa vào các nhân tố trước, lý thuyết hoặc sự cân nhắc của nhà nghiên cứu. Việc những biến này sử dụng thang đo khoảng và thang đo tỷ lệ thì rất quan trọng và phải chọn cỡ mẫu phù hợp.
Lập ma trận tương quan: sau khi thu thập thông tin, dựa vào dữ liệu của 7 biến trên ta lập ma trận tương quan giữa các biến . Nếu phân tích nhân tố thích hợp thì các biến này phải có tương quan với nhau. Trong thực tế, nếu sự tương quan giữa các biến tương đối nhỏ thì phân tích nhân tố không phù hợp.
Để xác định các biến có tương quan như thế nào, ta sử dụng kiểm định Barletts’ s để kiểm định giả thuyết:
H0: Các biến không có tương quan H1: Các biến có tương quan với nhau
Trong phân tích nhân tố, ta mong đợi bác bỏ giả thuyết H0, nghĩa là chấp nhận giả thuyết H1 các biến có tương quan với nhau. Điều này có được khi giá trị P sau khi kiểm định phải nhỏhơn mức ý nghĩa xửlý (α)
Xác định số nhân tố: Trong nghiên cứu thường số nhân tố sau khi xửlý ít hơn số biến ban đàu. Rất hiếm có trường hợp tất cả các biến ban đầu đều là nhân tố ảnh hưởng hay tác động đến vấn đề nghiên cứu. Tuy nhiên có rất nhiều cách đểxác định nhân tố trong mô hình phù hợp:
1. Quyết định trước số nhân tố: thỉnh thoảng nhà nghiên cứu biết trước có bao nhiêu nhân tố trước khi tiến hành phân tích. Số nhân tố có giảm đi hay hay không là hoàn toàn do nhà nghiên cứu quyết định.
(Eigenvalue): Trong cách tiếp cận này chỉ có những nhân tố có Eigenvalue lớn hơn 1 mới được đưa vào mô hình. Nếu số biến ban đàu ít hơn 20 thì cách tiếp cận này vẫn còn tác dụng.
3. Quyết định dựa vào phần trăm phương sai của từng nhân tố: Số nhân tố được chọn vào mô hình phải có tổng phương sai tích lũy giữa hai nhân tố lớn hơn 60%. Tuy nhiên, tùy thuộc vào vấn đề nghiên cứu mức độ này có thể thấp hơn.
Xoay nhân tố: có nhiều phương pháp xoay khác nhau như:
+ Orthogonal rotation: xoay nhân tố giữ nguyên góc ban đầu giữa các nhân tố
+Varimax procedure: xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố. Phương pháp này thường được sử dụng nhiều nhất.
+ Quartimax: xoay nguyên góc các nhân tốđể tối thiểu hóa số nhân tố có hệ số lớn cùng một biến, vì vậy sẽtăng cường giải thích các biến.
+ Equamax: xoay nhân tố để đơn giản hóa việc giải thích cả biến lẫn nhân tố.
+ Oblique (direct oblimin): xoay nhân tố không giữnguyên góc ban đầu giữa các nhân tố (là có tương quan giữa các nhân tố với nhau). Phương pháp này nên sử dụng khi nào các nhân tố trong tổng thể có khả năng tương quan mạnh với nhau
Đặt tên và giải thích các nhân tố: việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến có hệ số (Factor loading) lớn ở cùng một nhân tố.
Phương pháp phân tích nhân tố khẳng định CFA
Trong kiểm định thang đo, phương pháp CFA trong phân tích mô hình cấu trúc tuyến tính có nhiều ưu điểm hơn so với phương pháp truyền thống như phương pháp hệ sốtương quan, phương pháp phân tích nhân tố khám phá EFA, phương pháp đa phương pháp – đa khái niệm MTMM.. (Bogozzi & Foxall, 1996). Lý do là CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo lường như mối quan hệ giữ một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường (Steenkamp & Van Trijp,1991). Hơn nữa chúng ta có thể kiểm định giá trị hội tụ và giá trị phân biệt của thang đo mà không cần dùng nhiều nghiên cứu như trong phương pháp truyền thống MTMM (dẫn theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2008).
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, người ta sử dụng các chỉ tiêu chi- square (CMIN), chi- square điều chỉnh theo bậc tự do (CMIN/ df), chỉ số thích hợp so sánh CFI (CFI- Comparative Fit Index), chỉ số Tucker & Lewis (TLI- Tucker & Lewis Index) và chỉ số RMSEA (RMSEA- Root Mean Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định chi- square có giá trị p>0,05. Tuy nhiên Chi-square có nhược điểm là nó phụ thuộc vào kích thước mẫu. Nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥ 0,9 (Bentler & Bonett, 1980), CMIN/df <2, một sốtrường hợp CMIN/df có thể≤3. (Carmines & McIve, 1981); RMSEA ≤ 0,08; RMSEA ≤ 0,05 được xem là rất tốt (Steiger, 1990); thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường. Thọ và Trang (2008) thì cho rằng nếu mô hình nhận được các giá trị TLI, CFI≥0,9, CMIN/df≤2, RMSEA≤0,08 thì mô hình phù hợp tương thích với dữ liệu thịtrường. Qui tắc này được sử dụng đểđánh giá mức độ phù hợp của mô hình cấu trúc tuyến tính SEM. (Nguyễn Khánh Duy, 2009).
Các chỉtiêu đánh giá trong phân tích CFA bao gồm tính đơn hướng, giá trị hội tụ, giá trị phân biệt và độ tin cậy.
Tính đơn hướng (undimensionality)
Theo Steenkamp & van Trijp, 1991. Mức độ phù hợp của mô hình đo lường với dữ liệu thịtrường cho chúng ta điều kiện cần và đủđể cho tập biến quan sát đạt được tính đơn hướng trừ trường hợp sai số của biến quan sát tương quan với nhau
Giá trị hội tụ (convergent validity)
Gerbing & Anderon, 1988 cho rằng thang đo đạt giá trị hội tụ nếu các trọng số chuẩn hóa đều cao (> 0,5) và có ý nghĩa thống kê (p<0.05)
Giá trị phân biệt (discriminant validity)
Có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn (saturated model) mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau. Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thể giữa các khái niệm có thật sự khác biệt so với 1 hay không. Nếu các khái niệm thật sự có khác biệt so với 1 thì các thang đo đạt giá trị phân biệt.
Độ tin cậy
Độ tin cậy của thang đo được đánh giá thông qua hệ số tin cậy tổng hợp (composite reliability) và tổng phương sai trích được (variance extracted). Hệ sốb Cronback’s Alpha.
Mô hình cấu trúc tuyến tính SEM
Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình cấu trúc tuyến tính cũng có lợi thế hơn các phương pháp truyền thống như hồi quy đa biến vì nó thể tính được sai số đa lường. Hơn nữa phương pháp này cho phép chúng ta kết hợp khái niệm tiềm ẩn với đo lường của chúng và có thể xem xét các đo lường độc lập hay kết hợp chung với mô hình lý thuyết cùng mô hình cùng một lúc. Chính vì vậy, phương pháp phân tích cấu trúc tuyến tính được sử dụng rất phổ biến trong ngành tiếp thị trong những năm gần đây và thường được gọi là phương pháp phân tích thông tin thế hệ thứ hai (Hulland & ctg, 1996), (dẫn theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2008).
Qui tắc để đo lường mức độ phù hợp của mô hình với thông tin thị trường giống như đối với các qui tắc ở phương pháp phân tích nhân tố khẳng định CFA. Mặc khác nếu các khái niệm không có ý nghĩa thống kê ở độ tin cậy 90% (p – value > 0,1) ta sẽ lần lượt loại ra khỏi mô hình.
Kiểm định Bootstrap
Để đánh giá độ tin cậy của các ước lượng, trong các phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thương chúng ta phải chia