Bảng 3.1: Tổng hợp kỹ thuật phân tích dữ liệu
Kỹ thuật Chức năng Thông số yêu cầu
Phân tích Cronbach’s
Alpha
- Kiểm tra độ tin cậy của thang đo,độ giá trịhộitụ - Loại bỏ biến rác có thể gây ra các nhân tố khác trong phân tích nhân t ố
- Khi Cronbach’s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0,7 đến gần 0,8 là sử dụng được (Trọng & Ngọc, 2008)
- Các biến có hệ số tương quan biến
– tổng nhỏ hơn 0,3 sẽ bị loại (Nunnally & Burnstein, 1994) Phân tích nhân tố khám phá (EFA) - Loại các biến có hệ số tải nhân tố nhỏ - Kiểm tra yếu tố trích được
- Kiểm tra phương sai trích được
- Kiểm tra giá trị phân biệtcủa thang đo.
- Loại các biến có hệ số tải nhân tố nhỏ. Theo Hair & ctg (1998, 111),
Multivariate Data Analysis, Prentice- Hall International, Inc, Factor loading > 0,3 được xem đạt mức tối thiểu, > 0,4 được xem là quan trọng, > 0,5 được xem là có ý nghĩa thực tiễn.
- Kiểm định Bartlett xem xét giả thuyết Ho: độ tương quan giữa các biến quan sát bằng 0 trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể (Trọng & Ngọc, 2005) - Hệ số KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là phù
32
hợp (Khánh Duy, Chương trình giảng dạy kinh tế Fulbright, 2007-2008)
- Phương sai trích được phải lớn hơn 50% (Hair & ctg, 1998)
- Phương pháp xác định số lượng nhân tố dựa vào eigenvalue: chỉ có những nhân tố có eigenvalue > 1 mới được giữ lại trong mô hình phân tích. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc(Trọng & Ngọc, 2008)
- Phương pháp xoay Varimax thườngđược sử dụng phổ biến nhất (Trọng & Ngọc, 2008). Nếu có ý định sử dụng kết quả phân tích nhân tố khám phá EFA để thực hiện các phân tích như CFA (Confirmatory Factor Analysis), SEM (Structural Equation Modeling) thì trong quá trình thực hiện EFA, nên chọn phương pháp trích Principal axis factoring với phép xoay Promax (Khánh Duy, Chương trình giảng dạy kinh tế Fulbright, 2007 -2008).
Phân tích tương
quan và hồi qui
- Tính hệ số tương quan (r) giữa biến phụ thuộc và biến độc lập (xem thử giữa chúng có mối liên hệ với nhau không, dự đoán hiện tượngđacộngtuyến) - Phân tích hồi qui
- r lớn (có ý nghĩathống k ê)
- Kiểm tra R2, kiểm định ANOVA, kiểm tra hệ sốhồi qui, kếtquả kiểm định
- Kiểm tra giả thuyết của phân tích hồi qui:
+ Đa cộng tuyến (hệ số VIF): nhỏ hơn 5 + Phần dư có phân phối chuẩn: kiểm tra biểu đồ phân phối phần dư, biểu đồ P-P
33 plot.
+ Phương sai không đổi: hay phần dư không tương quan với các biến độc lập trong mô hình. Nếu độ lớn của phần dư tăng hay giảm cùng với giá trị dự đoán thì giả định này bị vi phạm. Qua đồ thị Scatter thể hiện mối quan hệ giữa giá trị dự đoán và phần dư, các quan sát phải phân tán ngẫu nhiên. Đồng thời, bằng phương pháp phân tích tương quan hạng Spearman giữa phần dư với các biến độc lập cho thấy giảthiết này không bị vi phạm (sig. > 0,05) (Trọng & Ngọc, 2008)
(Nguồn: Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008))