- Kiểm định giả thuyết, mô hình nghiên cứu
3.7. Xử lý và phân tích số liệu
Sau khi lựa chọn ra các mẫu phù hợp thì tác giả tiến hành làm sạch số liệu, chạy bảng tần số để loại bỏ những câu hỏi sai hoặc thiếu. Sau đó mã hóa và nhập liệu bằng chữ và số để thuận tiện cho việc theo dõi kết quả. Và nghiên cứu sẽ sử dụng những thủ thuật phân tích vớiphần mềm SPSS phiên bản 20 gồm: đánh giá độ tin cậy của thang đoqua hệ số Cronbach’s Anpha, phân tích nhân tố khám phá EFA (Exploratory Factor Analysis), các hệ số tương quan và thực hiện phân tích hồi quy tuyến tính để thực hiện kiểm định mô hình và các giả thuyết về các nhân tố tác động đến sự hài lòng của khách hàng khi sử dụng dịch vụ 3G của công ty Mobifone tại Tp. Hồ Chí Minh. Bên
cạnh đó tác giả cũng sử dụng kết hợp phần mềm AMOS phiên bản 21 để phân tích sâu các nhân tố khẳng định CFA để khám phá cũng như kiểm định mức độ phù hợp của mô hình nghiên cứu so với những dữ liệu nghiên cứu ngoài thị trường.
Quá trình phân tích gồm 3 bước như sau:
- Bước 1:
• Đánh giáđộ tin cậy của thang đo thông qua hệ số Cronbach’s Anpha, kiểm tra tương quan giữa các mục hỏi với khái niệm lý thuyết nghiên cứu bằng hệ số Cronbach’s Anpha, để loại các biến không phù hợp vì cácbiến rác này có thể tạo ra các nhân tố giả khi phân tích EFA (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).Nhiều nhà nghiên cứu đề nghị rằng hệ số Cronbach’s
Anpha phải từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm
cứu, cũng đồng thời kiểm tra hệ số tương quan biết tổng (Corrected 32TItem1T32T-
1T
Total 32TCorrelation) lớn hơn 0.3 để chọn các biến quan sát thích hợp cho quá
trình phân tích. - 32TBước 2:
• 32TThang đo sau khi đánh giá độ tin cậy phù hợp sẽ được đưa vào phân tích nhân tố khám phá EFA: 32TPhương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là
không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
• Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
• Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
Factor loading > 0.3 được xem là đạt mức tối thiểu
Factor loading > 0.4 được xem là quan trọng
Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
• Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
Hệ số tải nhân tố (Factor loading ) > 0.5
0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
• Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
• Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát, chỉ số Eigenvalue của các nhân
tố phải lớn hơn 1. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết
phân tích nhân tố giải thích được bao nhiêu phần trăm.
- Bước 3:
• Phân tích EFA lần 2 với phép xoay Promax và phương pháp trích Principal Axis Factoring để khẳng định lại các nhân tố xemcác biến đạt giá trị hội tụ từ đó thoả các điều kiện như trong lần phân tích EFA trước. Vì vậy lần phân tích này là bước quan trọng để thực hiện phân tích CFA trong AMOS để kiểm định độ phù hợp của mô hình nghiên cứu.
• Phân tích tương quan Pearson để kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập? Vì điều kiện để hồi quy là trước nhất phải tương quan. Ngoài ra cần nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Dấu hiệu đa cộng
tuyến sẽ được xem xét khi phân tích hồi quy (kiểm tra hệ số VIF<10, Hair và ctg 2006), cuối cùng kiểm tra sự phù hợp của mô hình thông qua hệ số RP
2
P
(Nếu 0.3 ≤ R < 0.5 => 0.1 ≤ R² < 0.25: Tương quan mức trung bình và nếu 0.5 ≤ R < 0.7 => 0.25 ≤ R² < 0.5: Tương quan khá chặt chẽ; 0.7 ≤ R < 0.9 => 0.5 ≤ RP 2 P < 0.8 : tương quan chặt chẽ; 0.9 ≤ R < 1 => 0.8 ≤ RP 2 P <1: tuong quan rất chặt chẽ; R =1 và RP 2
P= 1 là tương quan hoàn toàn - Hồ Minh Sánh & Trần Thị Kim
Dung, 2012) và kiểm định các giả thuyết nghiên cứu thông qua P-value (Sig
<0.05, bác bỏ Ho).