Đề tài sử dụng phần mềm SPSS 16.0 để tiến hành phân tích số liệu sơ cấp thu thập thông qua bảng câu hỏi được soạn sẵn. Phương pháp phân tích được chọn ứng với từng mục tiêu cụ thể:
Mục tiêu 1: Tác giả sử dụng phương pháp thống kê mô tả với các tiêu chí như tần suất, tỷ lệ, số trung bình để phân tích thực trạng tiêu dùng xanh của người dân Quận Ninh Kiều, TP. Cần Thơ. Sử dụng các kiểm định T test, ANOVA để kiểm định sự khác biệt về giới tính, độ tuổi, thu nhập, trình độ học vấn, nghề nghiệp với hành vi tiêu dùng xanh.
Mục tiêu 2: Phân tích các nhân tố ảnh hưởng đến hành vi tiêu dùng xanh của người dân Quận Ninh Kiều, TP. Cần Thơ. Ở mục tiêu này trước tiên tác giả sử dụng phương 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 được những nhân tố nào ảnh hưởng đến hành vi tiêu dùng xanh. Sau đó, sử dụng phân tích hồi quy tuyến tính đa biến để biết mức độ ảnh hưởng của từng nhân tố đến hành vi tiêu dùng xanh của người dân.
Mục tiêu 3: Dựa vào các số liệu đã thu thập và phân tích, cùng với những hiểu biết thực tế, tổng hợp các tài liệu có liên quan để nêu lên các giải pháp thúc đẩy hành vi tiêu dùng xanh của người dân Quận Ninh Kiều, TP. Cần Thơ.
Phân tích thống kê mô tả (Descriptive statistics):
Thống kê mô tả được định nghĩa như là phương pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán các đặc trưng khác nhau để phản ánh một cách tổng quát đối tượng nghiên cứu.
Ý nghĩa của một số thông số thông dụng
Mean: trung bình cộng
Std. Deviation: độ lệch chuẩn
Minimum: giá trị nhỏ nhất
Maximum: giá trị lớn nhất
S.E. mean: sai số chuẩn khi ước lượng trị trung bình.
Kiểm định giả thuyết về trị trung bình của hai tổng thể độc lập hay phối hợp từng cặp (Independent Sample T-test): Kiểm định về sự khác biệt trị trung bình của hai tổng thể độc lập.
Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) <= α thì phương sai hai tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed.
Nếu Sig. > α thì phương sai hai 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 phương sai ANOVA
Phân tích phương sai ANOVA là phương pháp so sánh giá trị trung bình của 3 nhóm trở lên. Có 2 kỹ thuật phân tích phương sai ANOVA: ANOVA 1 yếu tố (một biến yếu tố để phân loại các quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố (2 hay nhiều biến để phân loại). Trong phương pháp này sử dụng phân tích ANOVA 1 yếu tố.
Phương pháp hệ số tin cậy Cronbach Alpha: dùng để đánh giá độ tin cậy của phép đo lường bằng phương pháp tính hệ số Cronbach Alpha. Hệ số Cronbach Alpha được sử dụng trước để loại các biến quan sát không đạt yêu cầu hay các thang đo chưa đạt yêu cầu trong quá trình nghiên cứu.
Tính hệ số Cronbach Alpha được thực hiện đối với mỗi nhóm biến cố kết nên các nhân tố. Hệ số Cronbach Alpha cho biết sự tương đối đồng nhất trong đo lường theo các biến có nội dung gần gũi nhau và đã hình thành nên một nhân tố. Các biến quan sát có hệ số tương quan biến – tổng (item total correlation) nhỏ hơn 0,3 sẽ bị loại bỏ và tiêu chuẩn để chọn thang đo khi nó có độ tin cậy Alpha từ 0,6 trở lên nhưng tốt nhất là lớn hơn 0,7 (Nunnally & Burnstein, 1994).
Phương pháp phân tích nhân tố khám phá (EFA): Các biến có trọng số (factor loading) nhỏ hơn 0,5 trong EFA sẽ bị loại. (Hair và cộng sự, 2006). Phương pháp trích hệ số sử dụng là phương pháp thành phần chính (principal components) với phép quay cho phương sai tối đa
(varimax) và điểm dừng khi các yếu tố có phương sai tổng hợp của từng nhân tố (eigenvalue) lớn hơn hoặc bằng 1. Và thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% (Gerbing & Andesson 1988). Phân tích nhân tố khám phá được dùng đến trong mối quan hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay không chắc chắn. Phân tích EFA theo đó được tiến hành theo kiểu khám phá để xác định xem phạm vi, mức độ quan hệ giữa các biến quan sát và các nhân tố cơ sở như thế nào, làm nền tảng cho một tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát tải lên các nhân tố cơ sở. Các nhân tố cơ sở là tổ hợp tuyến tính (sơ đồ cấu tạo) của các biến mô tả bằng hệ phương trình sau:
Fi = Wi1X1 + Wi2X2 + Wi3X3 + …. + WikXk Trong đó: Fi: Ước lượng trị số của nhân tố thứ i. Wi: trọng số nhân tố.
k: số biến quan sát. Xi: biến quan sát.
Số lượng các nhân tố cơ sở tùy thuộc vào mô hình nghiên cứu, trong đó chúng ràng buộc nhau bằng cách xoay các vector trực giao nhau để không xảy ra hiện tượng tương quan. Phân tích nhân tố khám phá EFA rất hữu dụng trong bước thực nghiệm ban đầu hay mở rộng kiểm định.
Trong đề tài này, phân tích nhân tố được dùng để tìm ra nhân tố đại diện nhất. Những yếu tố đo lường các nhân tố ảnh hưởng đến hành vi tiêu dùng xanh được đo lường theo thang đo Likert 5 mức độ (1: Rất không đồng ý – 5: Rất đồng ý).
Ý nghĩa của từng giá trị trung bình đối với thang đo khoảng:
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 không hài lòng/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
Phân tích hồi quy: Phân tích hồi quy là phương pháp thống kê nghiên cứu mối liên hệ của một biến (gọi là biến phụ thuộc hay biến được giải thích) với một hay nhiều biến khác (gọi là biến độc lập hay biến giải thích). Mục đích của phân tích hồi quy là ước lượng giá trị của biến phụ thuộc trên cơ sở giá trị của các biến độc lập đã cho.
Phương trình hồi quy tuyến tính bội có dạng tổng quát như sau:
Y = β0 + β1 X1 + β2 X2 +… + βiXi +e
Trong đó:
Y: Biến phụ thuộc Β0: Hệ số tự do
βi: Các hệ số hồi quy
Xi: Biến độc lập thứ i
e: Sai số hồi quy
Trước khi tiến hành phân tích hồi quy tuyến tính, ta cần xem xét các mối quan hệ tương quan tuyến tính giữa tất cả các biến, đó là xem xét mối quan hệ giữa các biến độc lập với biến phụ thuộc và mối quan hệ giữa các biến độc lập với nhau. Tác giả sử dụng hệ số Pearson (ký hiệu r) để lượng hóa mối quan hệ tuyến tính giữa hai biến định lượng. Giá trị tuyệt đối của hệ số Pearson (r) cho biết mức độ tương quan giữa 2 biến định lượng với nhau, r = 1 là 2 biến có mối quan hệ rất chặt chẽ với nhau, r = 0 khi 2 biến không có mối tương quan với nhau.
Đánh giá sự phù hợp của mô hình hồi quy:
Để đánh giá sự phù hợp của mô hình, ta sử dụng hệ số xác định R2 . Hệ số này đã được chứng minh là hàm không giảm khi ta đưa thêm biến vào mô hình. Tức là nếu ta cứ đưa thêm biến vào mô hình thì giá trị này sẽ tăng lên. Tuy nhiên, không phải mô hình nào có nhiều biến thì sẽ giải thích được sự thay đổi của biến phụ thuộc tốt hơn. Do đó, để tránh tình trạng này, ta sử dụng hệ số R2 điều chỉnh (Adjusted R Square). Giá trị này không nhất thiết tăng lên khi ta thêm biến vào mô hình nên sẽ đánh giá được sự phù hợp của mô hình tốt hơn giá trị R2.
Kiểm định độ phù hợp của mô hình:
Để kiểm định sự phù hợp của mô hình, ta sử dụng kết quả kiểm định F trong bảng phân tích phương sai Anova với giả thuyết là tất cả các hệ số
βi=0, nghĩa là các biến độc lập không có mối quan hệ với biến phụ thuộc. Với giá trị Sig. < 5%, ta có thể bác bỏ giả thuyết H0, nghĩa là có tồn tại ít nhất 1 biến độc lập có mối quan hệ với biến phụ thuộc. Từ đó, ta có thể kết luận rằng mô hình đưa ra là phù hợp với tập dữ liệu.
CHƯƠNG 3
TỔNG QUAN ĐỊA BÀN NGHIÊN CỨU