6. Bố cục của đề tài
2.3.4. Phương pháp phân tích
Nghiên cứu này sử dụng 3 thang đo SERVPERF 5 thành phần đối với 3 đối tượng khách hàng: người học, người dạy và doanh nghiệp với mô hình đo lường như sau:
Sơ đồ 2-2: Mô hình thang đo dựa trên SERVPERF
Tin cậy Sự hài lòng Hữu hình Đồng cảm Đáp ứng Năng lực TC1 TCn ... HH1 HHn ... DC1 DCn ... DU1 DUn ... NL1 NLn ... HL1 HLn ...
Mỗi thang đo được phân tích Cronbach’s Alpha để đánh giá độ tin cậy và hiệu chỉnh (loại bỏ biến rác) nếu cần. Sau đó thực hiện phân tích nhân tố khám phá trên thang đo nhằm hiệu chỉnh các thành phần của thang đo (nếu có). Kết quả phân tích nhân tố khám phá tiếp tục được đánh giá lại độ tin cậy sau đó thực hiện hồi quy để xác định các nhân tố ảnh hưởng đến chất lượng đào tạo và mức độ ảnh hưởng.
Phân tích phương sai cũng được thực hiện để phân tích sự khác biệt giữa các nhóm khách hàng khác nhau dựa trên các biến nhân khẩu.
2.3.4.1. Đánh giá độ tin cậy của thang đo
Theo Nguyễn Đình Thọ (2011), các biến có tương quan Biến – Tổng (hiệu chỉnh) < 0,3 là các biến rác, không phản ảnh khái niệm nghiên cứu, cần phải loại bỏ. Một thang đo có Cronbach’s Alpha trong khoảng [0,7-0,8] là thang đo có độ tin cậy
tốt. Cronbach’s Alpha ≥ 0,6 là có thể dùng được. Khi Cronbach’s Alpha của thang đo nhỏ (< 0,6), việc hiệu chỉnh thang đo được thực hiện bằng cách loại lần lượt các biến có tương quan Biến – Tổng thấp mà việc loại biến đó làm tăng Cronbach’s Alpha.
2.3.4.2. Phân tích nhân tố khám phá (EFA)
Sau khi xác định thang đo đạt độ tin cậy, việc phân tích nhân tố khám phá được thực hiện nhằm hiệu chỉnh các thành phần (nhân tố) của thang đo (nếu có).
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), để có thể thực hiện phân tích nhân tố thì các biến phải có liên hệ với nhau và như vậy sẽ tương quan chặt với cùng một hay nhiều nhân tố. Do đó, để xác định có thể thực hiện phân tích nhân tố trên tập biến của thang đo, cần kiểm định giả thuyết không (H0) là các biến không có tương quan với nhau. Ta có thể sử dụng kiểm định KMO & Bartlet’s test để kiểm định giả thuyết này. Theo Nguyễn Đình Thọ (2011), KMO & Bartlet’s test >= 0,5 (dữ liệu phù hợp để phân tích nhân tố) và Sig. của Bartlett’s Test < 0,05 (các biến quan sát có tương quan với nhau trên tổng thể) xác định tập biến có thể sử dụng trong phân tích nhân tố.
Sau khi xác định tập biến của thang đo có thể đưa vào phân tích nhân tố, việc trích ra các nhân tố có thể thực hiện dựa trên số nhân tố xác định trước hoặc dựa trên lượng biến thiên được giải thích bởi các nhân tố trích ra (eigenvalue). Theo Nguyễn Đình Thọ (2011), số các nhân tố xác định ở nhân tố (dừng ở nhân tố) có eigenvalue ≥ 1 và tổng phương sai trích ≥ 50%.
Quá trình phân tích và trích nhân tố tạo ra một số nhân tố mới mà mỗi nhân tố mới này phụ thuộc một số biến độc lập (biến quan sát) ban đầu theo dạng:
Fi = Wi1X1 + Wi2X2 + … + WikXk
Trong đó: Fi là ước lượng trị số của nhân tố thứ I; Wij (j=1..k) là hệ số tải nhân tố (loading factor) hay trọng số của biến quan sát Xj (j=1 .. k) trong Fi.
Khi thực hiện EFA, các hệ số tải nhân tố Wij đã được tính, tuy nhiên theo Nguyễn Đình Thọ (2011), phương pháp tốt nhất để tính Wij là dùng tổng hoặc trung bình của các biến quan sát để dùng cho các phân tích tiếp theo (như hồi quy,…).
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), quá trình trích nhân tố (không xoay nhân tố) ít khi tạo ra được các nhân tố có thể giải thích dễ dàng bởi vì các nhân tố có tương quan với nhiều biến. Khi xoay nhân tố ta muốn mỗi nhân tố có hệ số khác không (tức là có ý nghĩa) chỉ trong vài biến.
Có nhiều phương pháp trích và xoay nhân tố nhưng phương pháp trích Principal Component Analysis (PCA) và phép xoay Varimax được sử dụng trong luận văn này vì trích được nhiều phương sai từ các biến đo lường với số lượng thành phần nhỏ nhất để phục vụ cho mục tiêu dự đoán tiếp theo (Nguyễn Đình Thọ, 2011).
Kết quả phân tính EFA có thể cho ra một mô hình thang đo với các thành phần mới và có thể có một số biến bị loại khỏi mô hình. Thang đo mới được kiểm định độ tin cậy trước khi đưa vào hồi quy.
2.3.4.3. Hồi quy
Từ mô hình sau phân tích nhân tố khám phá, việc hồi quy được thực hiện nhằm xác định ảnh hưởng của các thành phần (các nhân tố) lên thang đo.
1. Điều kiện áp dụng hồi quy
Điều kiện đầu tiên để có thể áp dụng hồi quy là các biến có tương quan chặt chẽ với nhau nhưng không trùng nhau. Do các biến trong mô hình này đều là biến định lượng nên hệ số tương quan Pearson – ký hiệu là r – được sử dụng (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Như vậy cần có r của các cặp biến lớn (có tương quan chặt) nhưng phải < 1 (không trùng lắp).
Mô hình hồi quy tuyến tính bội được xây dựng dựa trên 4 giả định: Biến phụ thuộc có mối quan hệ tuyến tính với các biến độc lập. Phương sai của sai số không đổi.
Không có tự tương quan giữa các phần dư. Phần dư có phân phối chuẩn.
Mô hình hồi quy có dạng:
𝑌 = 𝛽0+ 𝛽1𝑋1+ 𝛽2𝑋2+ ⋯ + 𝛽𝑘𝑋𝑘 + 𝜀
Trong đó Y là biến phụ thuộc, Xi là các biến độc lập. 0 là hằng số hồi quy, i
là các hệ số hồi quy (i = 1..k, với k là số biến độc lập), là sai số hồi quy. Mô hình hồi quy ước lượng:
𝑌̂ = 𝑏0+ 𝑏1𝑋1+ 𝑏2𝑋2+ ⋯ + 𝑏𝑘𝑋𝑘
Các hệ số hồi quy bi (i = 0…k) được ước lượng bằng phương pháp bình phương bé nhất (OLS).
Có nhiều phương pháp hồi quy khác nhau, theo Nguyễn Đình Thọ (2011), phương pháp đưa đồng thời các biến độc lập vào phương trình hồi quy (phương pháp Enter trong SPSS) là phương pháp dùng để khẳng định mối quan hệ của các biến tức là kiểm định giả thuyết. Thang đo SERVPERF là thang đo đã được kiểm nghiệm, do đó, trong luận văn này, phương pháp hồi quy Enter được sử dụng.
2. Kiểm định mức độ phù hợp của mô hình
Mô hình hồi quy dựa trên các hệ số hồi quy ước lượng bằng OLS có thể không có giá trị khi suy diễn cho tổng thể do đó cần kiểm định mô hình hồi quy dựa trên hệ số xác định R2. R2 phản ánh phần biến thiên của biến phụ thuộc Y được giải thích bởi các biến độc lập Xi (phần còn lại, ngoài R2, là sai số đo lường và ảnh hưởng của các biến khác vắng mặt trong mô hình). R2 càng lớn chứng tỏ mô hình càng phù hợp với thực tế.
Để kiểm định sự phù hợp của mô hình kiểm định F được sử dụng với giả thuyết không (H0) là hệ số xác định R2 = 0 có nghĩa là mô hình không phù hợp. Bác bỏ H0
Trong mô hình hồi quy đa biến có nhiều biến độc lập, do đó khi cần so sánh hai mô hình hồi quy, R2 không được sử dụng mà R2 hiệu chỉnh (R2
adjusted, điều chỉnh theo bậc tự do) được sử dụng.
Cần xem xét hiện tượng đa cộng tuyến giữa các biến độc lập làm cho R2 cao nhưng thực chất không giải thích được biến thiên dữ liệu. Theo Nguyễn Đình Thọ (2011), để kiểm tra hiện tượng đa cộng tuyến, chỉ số thường dùng là Hệ số phóng đại phương sai VIF (Variance Inflation Factor). Nếu VIF của biến độc lập > 10 thì biến này hầu như không có giá trị giải thích biến thiên của biến phụ thuộc (biến độc lập này có đa cộng tuyến, hay biến độc lập này phụ thuộc rất nhiều vào biến độc lập khác). Tuy nhiên, trong thực tế, nếu biến độc lập có VIF > 2, cần xem xét kỹ các hệ số tương quan (pearson, từng phần) khi diễn giải biến này trong mô hình.
Mô hình hồi quy có thể có xu hướng phù hợp với tổng thể nhưng độ dốc của đường hồi quy có thể không phù hợp, bước tiếp theo cần kiểm định ý nghĩa của các hệ số hồi quy, tức là kiểm định mối quan hệ hồi quy tuyến tính của từng biến độc lập với biến phụ thuộc với giả thuyết H0 là hệ số hồi quy i=0 (i=0..k với k là số biến độc lập). Kiểm định t được sử dụng trong kiểm định này. Bác bỏ H0 nếu kiểm định t có Sig. (p-value) < mức ý nghĩa .
3. Dò tìm các vi phạm giả định cần thiết trong hồi quy tuyến tính
1. Liên hệ tuyến tính giữa biến phụ thuộc và các biến độc lập: Giả định cơ bản của hồi quy tuyến tính là phải có mối liên hệ tuyến tính giữa biến phụ thuộc và các biến độc lập. Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), việc kiểm tra mối liên hệ tuyến tính có thể thực hiện thông qua đồ thị phân tán của phần dư (đã được chuẩn hóa) ui (𝑣ớ𝑖 𝑢𝑖 = 𝑌 − 𝑌̂). Nếu phần dư phân tán ngẫu nhiên trong một vùng xung quanh trục tung chứ không theo quy luật thì giả định tuyến tính được thỏa mãn.
2. Phương sai không đổi: Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), phương sai thay đổi cũng là một hiện tượng làm cho các hệ số hồi quy được ước lượng (theo phương pháp bình phương bé nhất – OLS) không chệch nhưng
không hiệu quả và các ước lượng của các phương sai là các ước lượng chệch dẫn tới các kiểm định mất ý nghĩa. Một trong những cách đơn giản là dùng kiểm định tương quan hạng Spearman kiểm định giả thuyết H0 là Hệ số tương quan hạng của tổng thể và biến phụ thuộc = 0 (tức là Phương sai không đổi). (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Nếu Sig. của kiểm định mức ý nghĩa thì đủ cơ sở bác bỏ H0 tức là phương sai thay đổi, ngược lại nếu Sig. > có nghĩa là phương sai không đổi.
3. Tự tương quan: hiện tượng tự tương quan là hiện tượng quan hệ tương quan giữa các phần dư ui, điều này cũng dẫn tới các hệ số hồi quy được ước lượng (theo phương pháp bình phương bé nhất – OLS) không chệch nhưng không hiệu quả và các ước lượng của các phương sai là các ước lượng chệch dẫn tới các kiểm định t và F mất ý nghĩa. Để kiểm tra hiện tượng tự tương quan, giá trị thống kê Durbin – Watson (d) được sử dụng với giả thuyết H0 là Hệ số tương quan tổng thể của các phần dư = 0 (tức là không có tự tương quan).
Theo Gujarati (1995), quy tắc kinh nghiệm:
Bảng 2-16: Quy tắc kinh nghiệm kiểm định Durbin – Watson
H0 D Quyết định
Không có tự tương quan đồng biến 0 < d < dL Bác bỏ
Không có tự tương quan đồng biến dL d dU Không quyết định Không có tự tương quan nghịch biến 4-dL d 4 Bác bỏ
Không có tự tương quan nghịch biến 4-dU d 4-dL Không quyết định Không có tự tương quan (đồng, nghịch biến) dU < d < 4-dU Không bác bỏ
Nguồn: Gujarati (1995) Khi d nằm trong khoảng không quyết định (vùng [dL,dU] và [4-dU,4-dL]), người ta có thể sử dụng quy trình kiểm định d cải tiến như sau: với mức tin cậy 2, tra bảng để xác định dL và dU:
Nếu 4-d < dU thì có tương quan nghịch biến đáng kể;
Nếu d < dU hoặc 4-d < dU thì có tự tương quan ở mức ý nghĩa 2.
4. Phần dư có phân phối chuẩn: hiện tượng này có thể xảy ra do sử dụng sai mô hình, phương sai thay đổi,… Cũng theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), có thể kiểm tra phân phối của phần dư có phải là phân phối chuẩn bằng biểu đồ Histogram và P-P plot.
Trong luận văn này, mô hình hồi quy nhằm mục đích xác định mối quan hệ giữa các thành phần và sự hài lòng chứ không nhằm mục đích dự báo, do đó, theo Nguyễn Đình Thọ (2011), mô hình sẽ dùng các hệ số hồi quy chuẩn hóa. Khi dùng hệ số hồi quy chuẩn hóa, phương trình hồi quy sẽ không có hằng số gốc b0.
2.3.4.4. Xác định các yếu tố mạnh, yếu
Phương trình hồi quy cho biết các yếu tố và mức ảnh hưởng của từng yếu tố đến sự hài lòng nhưng không cho biết thực tế yếu tố nào mạnh, yếu tố nào yếu. Để so sánh mức độ đánh giá của khách hàng đối với từng yếu tố cần so sánh trung bình tổng thể của các yếu tố. Việc so sánh có thể thực hiện bằng cách ước lượng trung bình tổng thể từng yếu tố và so sánh các trung bình đó.
2.3.4.5. Xác định các khác biệt đánh giá giữa các nhóm
Dựa trên các biến nhân khẩu (Giới tính, Hệ đào tạo, Nghề, Năm học, Làm thêm, Thâm niên,…) có thể có các sự khác biệt trong việc đánh giá chất lượng đào tạo. Việc xác định các khác biệt nhằm hỗ trợ cho việc phân tích các yếu tố ảnh hưởng tới chất lượng đào tạo.
Phân tích phương sai giúp so sánh trung bình tổng thể của một biến định lượng trên các nhóm khác nhau được phân nhóm theo một hay nhiều biến định tính. Điều kiện để có thể thực hiện ANOVA là phương sai của các nhóm so sánh phải đồng nhất. Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), kiểm định Levene được sử dụng để xác định điều kiện này với giả thuyết H0 là phương sai của các nhóm đồng nhất. Nếu Sig. của kiểm định Levene > mức ý nghĩa có nghĩa là không đủ cơ sở
bác bỏ H0, hay phương sai của các nhóm bằng nhau, cũng tức là có thể sử dụng ANOVA. Kết quả phân tích ANOVA thể hiện qua kiểm định F với giả thuyết H0 là trung bình tổng thể của các nhóm bằng nhau. Nếu kiểm định F có Sig. < có nghĩa là có đủ cơ sở bác bỏ H0 cũng tức là trung bình tổng thể các nhóm khác nhau. Khi đó cần thực hiện phân tích sâu để xác định khác biệt ở nhóm nào và mức độ khác biệt.
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), có hai phương pháp phân tích sâu ANOVA: phân tích trước (Contrast) và phân tích sau (Post hoc) trong đó phương pháp phân tích sau là một cách tiếp cận gần với phương pháp nghiên cứu thực do đó luận văn này sử dụng phân tích sau Post hoc. Khi sử dụng phân tích sau (Post hoc), theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), thống kê Bonferroni là một trong những thủ tục kiểm định đơn giản nhất và hay được sử dụng cho mục tiêu phân tích sâu khác biệt trung bình tổng thể. Trường hợp kiểm định Levene có Sig. <= tức là không thỏa điều kiện áp dụng phân tích phương sai thì dùng thống kê Tamhane’s T2 thay cho Bonferroni.