Theo mô hình nghiên cứu đã được xây dựng ở chương III, có 8 khái niệm nghiên cứu được hình thành đó là: (1) nhu cầu tôn giáo cá nhân, (2) thư giản, giải trí, (3) tăng thêm sự hiểu biết, (4) tác động từ bạn bè, người thân, (5) chi phí hợp lý, (6) di sản, sự kiện và lễ hội, (7) giao thông thuận tiện và (8) ý định du lịch của du khách. Tất cả các khái niệm được đo dựa trên nhận thức của khách hàng cá nhân với thang đo Likert - 5 mục. Để kết luận các giả thuyết H1, H2, H3, H4, H5 ,H6, H7 trong mô hình, các biến độc lập là các nhân tố ảnh hưởng đến ý định du lịch và biến phụ thuộc là ý định của du khách.
Phần mềm SPSS 20.0 được sử dụng để xử lý dữ liệu. Các phép kiểm định thống kê bao gồm hồi quy đa biến dùng để kiểm định các giả thuyết H1, H2, H3, H4, H5,H6, H7.
Thực hiện xử lý và phân tích dữ liệu thông qua SPSS 20.0 để tìm ra kết quả thông qua các bước:
Đánh giá độ tin cậy thang đo Cronbach’s Alpha.
Theo Nguyễn Đình Thọ (2013) trước tiên chúng ta cần đánh giá độ tin cậy của thang đo. Độ tin cậy thường dùng nhất là tính nhất quán nội tại, nói lên mối quan hệ của các biến quan sát trong cùng một thang đo. Độ tin cậy thường dùng nhất đó là hệ số α của Cronbach’s Alpha. Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lường tốt, từ 0,7 đến gần 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; trích bởi Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Trang 49
Các biến quan sát có hệ số tương quan biến tổng dưới 0,3 sẽ bị loại bỏ (Nunnally và Burnstein, 1994 trích bởi Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007). 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 các dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng chúng phải được giảm bớt xuống một lượng mà chúng ta có thể phân tích. Các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Theo Gerbing và Aderson (1998) trích bởi Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2007) các biến quan sát có trọng số (factor loading) nhỏ hơn 0,5 trong EFA sẽ tiếp tục bị loại bỏ và kiểm tra tổng phương sai trích được (≥ 50%). Các biến quan sát còn lại (thang đo hoàn chỉnh) sẽ được đưa vào phân tích hồi quy. Các tham số thống kê sử dụng trong phân tích nhân tố là:
Correlation matrix: cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích.
Kaiser – Meyer – Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, còn trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Eigenvalue: là đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Factor loading: là những hệ số tương quan đơn giữa các biến và các nhân tố. Factor matrix: 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 biến quan sát trên các nhân tố được rút ra.
Phân tích hồi quy bội.
Mô hình hồi quy bội (Multiple Linear Regression) biểu diễn mối quan hệ giữa hai hay nhiều biến độc lập định lượng với một biến phụ thuộc định lượng (Nguyễn Đình Thọ, 2013). Các biến độc lập định lượng trong luận văn này là nhu cầu tôn giáo
Trang 50
cá nhân, thư giản giải trí, tăng thêm sự hiểu biết, tác động tốt từ bạn bè và người thân, chi phí hợp lý, di sản và sự kiện lễ hội và giao thông thuận tiện. Biến phụ thuộc định lượng chính là biến ý định du lịch của du khách.
Theo Nguyễn Đình Thọ (2013), để ước lượng các trọng số hồi quy βk (k = 1, .... 5) trong mô hình hồi quy bội ta dùng phương pháp bình phương bé nhất (Ordinary Least Squares – OLS). Một thước đo sự phù hợp của mô hình tuyến tình thường dùng là hệ số xác định R2. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), hệ số các định R2 càng gần 1 thì mô hình đã xây dựng càng thích hợp, R2 càng gần 0 thì mô hình càng kém phù hợp. Hệ số xác định R2 này đã được chứng minh là hàm không giảm theo số biến độc lập đưa vào mô hình, càng đưa thêm biến độc lập vào mô hình thì chỉ số R2 càng tăng, tuy nhiên điều này cũng được chứng minh rằng không phải phương trình càng có nhiều biến phụ thuộc sẽ càng phù hợp hơn với dữ liệu. Như vậy R2 có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình. Trong tình huống này R2 hiệu chình (Adjusted R square) từ R2 được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính đa biến. R2 hiệu chỉnh không nhất thiết tăng lên khi nhiều biến được đưa thêm vào phương trình. Như vậy dùng R2
hiệu chỉnh để đánh giá phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình.