2.2.3.1 Phƣơng pháp thống kê mô tả
Thống kê mô tả là tổng hợp các phương pháp đo lường, mô tả và trình bày số liệu được ứng dụng vào lĩnh vực kinh tế bằng cách rút ra những kết luận dựa trên số liệu và thông tin thu thập.
Các công cụ cơ bản để tóm tắt và trình bày dữ liệu trong thống kê mô tả thường là: bảng tần số, các đại lượng thống kê mô tả.
a) Bảng tần số:
Dùng để đếm tần số với tập dữ liệu đang có thì số đối tượng có các biểu hiện nào đó ở một thuộc tính cụ thể là bao nhiêu, nhiều hay ít… có thể thực hiện cho bảng tần số với tất cả các biến kiểu định tính lẫn định lượng.
Ý nghĩa: Là tính tần số của từng biểu hiện, được tính bằng cách đếm và cộng dồn; tần số tính theo tỷ lệ phần trăm (%) bằng cách lấy tần số của từng biểu hiện chia cho tổng số mẫu quan sát; tính phần trăm hợp lệ là tính trên số quan sát có thông tin trả lời; tính phần trăm tích lũy do cộng dồn các phần trăm từ trên xuống, nó cho biết có bao nhiêu phần trăm đối tượng ta đang khảo sát ở mức độ nào đó trở xuống hay trở lên.
b) Các đại lƣợng thống kê mô tả:
Các đại lượng thống kê mô tả chỉ được tính đối với các biến định lượng. Nếu tính các đại lượng này đối với các biến định tính thì kết quả sẽ không có ý nghĩa.
Các đại lượng thống kê mô tả thường được dùng là:
- Mean (trung bình cộng): Trong tổng số mẫu quan sát người ta tính trung bình xem được bao nhiêu trong mẫu chúng ta quan sát.
- Std. Deviation (độ lệch chuẩn): Cho biết mức độ phân tán của các giá trị quanh giá trị trung bình.
- Minimum (giá trị nhỏ nhất): Biểu hiện giá trị nhỏ nhất của biến trong mẫu khảo sát được.
- Maximum (giá trị lớn nhất): Biểu hiện giá trị lớn nhất của biến trong các mẫu quan sát được.
2.2.3.2 Kiểm định hệ số tin cậy Cronbach’s Alpha
Hệ số Cronbach's Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau, được sử dụng để loại các biến "rác" (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008), các biến có hệ số tương quan biến - tổng (Corrected item total correlation) nhỏ hơn 0,3 sẽ
bị loại (Nunnally, 1978; Peterson, 1994; Slater, 1995) và thang đo sẽ được chọn khi hệ số Cronbach's Alpha lớn hơn 0,6 (Nunnally & Bernstein, 1994). Hệ số Cronbach Alpha như sau: 0,9> alpha ≥ 0,8 sử dụng tốt; 0,8> alpha ≥ 0,7 chấp nhận được (George, D., & Mallery, 2003).
2.2.3.3 Phƣơng pháp phân tích nhân tố khám phá (EFA)
Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu chúng ta có thể thu thập một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Trong phân tích nhân tố không có sự phân biệt biến phụ thuộc và biến độc lập. Mối quan hệ giữa nhiều biến được xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một số biến). Phân tích nhân tố được sử dụng trong trường hợp người nghiên cứu cần nhận diện một tập hợp gồm một số lượng biến mới tương đối ít, không có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích đa biến tiếp theo sau như hồi qui hay phân tích biệt số.
Mô hình phân tích nhân tố
Nếu các biến được chuẩn hóa mô hình nhân tố có dạng như sau: Xi = Ai1F1+ Ai2F2+…+ AimFm+ ViUi
Trong đó:
Xi: biến được chuẩn hóa thứ i
Aij: hệ số hồi quy bội của biến được chuẩn hóa i 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: nhân tố duy nhất của biến i
m: số nhân tố chung
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Các tham số thống kê
- Bartlett’s test sphericity: Đại lượng Bartlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể.
- Correlation matrix: Cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích.
- Factor loadding (hệ số tải nhân tố): Là những hệ số tương quan đơn giữa các biến và các nhân tố.
- Factor matrix (ma trận nhân tố): Chứa các hệ số tải nhân tố của tất cả các biến đối với các nhân tố được rút ra.
- Factor scores: Là các điểm số nhân tố tổng hợp được ước lượng cho từng quan sát trên các nhân tố được rút ra (còn được gọi là nhân số).
- Kaiser-Meyer-Olkin (KMO) measure of sampling adequacy: Là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO giữa 0,5 và 1 là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu nhỏ hơn 0,5 thì không phù hợp.
- Cumulative (phương sai trích): Cho biết mức độ giải thích đúng của mô hình.
- Eigenvalue: Đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
Trong mô hình nghiên cứu của đề tài này, khi tiến hành phân tích nhân tố khám phá (EFA), tác giả sử dụng phương pháp trích Principle Components với phép xoay giữ gốc Varimax. Theo phương pháp này, hệ số tải nhân tố (Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố > 0,3 được xem là đạt đƣợc mức tối thiểu, hệ số tải nhân tố > 0,4 được xem là quan trọng và hệ số tải nhân tố ≥ 0,5 được xem là có ý nghĩa thực tiễn (Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. & Tatham, R. L., 2006).
KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5 ≤ KMO ≤ 1,0 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett’s xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê khi Sig. < 0,05 thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Ngoài ra, theo Gerbin và Anderson (1988) thì tổng phương sai trích phải ≥ 50% thì EFA mới phù hợp.