7. Kết cấu luận án
1.4.5.Các phương pháp phân tích dữ liệu sử dụng trong luận án
1.4.5.1. Phương pháp phân tích dữ liệu thứ cấp
Đối với các dữ liệu thứ cấp về số doanh nghiệp, số lao động, doanh thu, lợi nhuận, nộp ngân sách, tài sản doanh nghiệp được thu thập qua dữ liệu của Tổng Cục Thống Kê. Những dữ liệu này được phân tích bằng các phương pháp tổng hợp, so sánh và các phương pháp biểu diễn biểu đồ. Để dự báo quy mô thị trường đến năm 2020 tác giả sử dụng phương pháp hàm xu thế san bằng mũ để dự báo cho các chỉ tiêu đánh giá về số doanh nghiệp, doanh thu, lợi nhuận, tài sản hay giá trị nộp ngân sách.
1.4.5.2. Phương pháp phân tích dữ liệu sơ cấp
Dữ liệu sơ cấp là các dữ liệu được tiến hành điều tra trực tiếp từ các doanh nghiệp thông qua bảng câu hỏi. Các dữ liệu này được tiến hành làm sạch và phân tích qua các bước như sau:
Mô tả mẫu nghiên cứu: Với mẫu nghiên cứu thực hiện trong luận án sau khi tiến hành làm sạch được phân loại bằng các chỉ tiêu thống kê mô tả như tần suất, tỷ lệ bằng bảng tần suất theo những đặc trưng có sẵn trong phiếu điều tra.
Đánh giá sơ bộ thang đo: Các nhân tố trong mô hình nghiên cứu được tiến hành đánh giá tính tin cậy của khái niệm nghiên cứu và tính đơn hướng qua bước đánh giá sơ bộ. Để đánh giá tính tin cậy của các biến quan sát (câu hỏi điều tra) trong một nhân tố tác giả sử dụng kiểm định bằng hệ số Cronbach Alpha và hệ số tương quan biến tổng. Để đánh giá tính đơn hướng của nghiên cứu tác giả sử dụng phân tích khám phá dữ liệu. Do trong nghiên cứu có cả thang đo đa hướng (khái niệm bậc hai như năng lực marketing, định hướng kinh doanh) và đơn hướng nên đối với các thang đo đa hướng được phân tích lần lượt cho từng thành phần đơn hướng. Đầu tiên, các nhân tố được tiến hành đánh giá tính nhất quán nội tại bằng hệ số hệ số Cronbach Alpha với tiêu chuẩn tối thiểu cho một nghiên cứu mới là 0.6
24
[69], các biến quan sát trong một nhân tố có hệ số tương quan biến tổng nhỏ hơn 0.3 được xem là các biến rác và sẽ được loại khỏi thang đo [83]. Tiếp theo, phân tích khám phá nhân tố cho từng biến được thực hiện1, phân tích nhân tố sẽ giúp cho việc rút gọn từ một tập hợp gồm nhiều biến quan sát thành những biến tiềm ẩn ít hơn mà vẫn giải thích được dữ liệu nghiên cứu [69]. Các tham số thống kê quan trọng và tiêu chí chấp nhận trong phân tích khám phá nhân tố gồm:
Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thông qua giá trị thống kê Kaiser-Meyer-Olkin (KMO). Theo đó, trị số của KMO lớn hơn 0,5 thì phân tích nhân tố là thích hợp, ngược lại nếu trị số KMO nhỏ hơn 0,5 thì áp dụng phương pháp phân tích nhân tố không thích hợp với dữ liệu đang có.
Số lượng nhân tố: Số lượng nhân tố được xác định dựa vào chỉ số eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser thì những nhân tố có eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình nghiên cứu [36].
Phương sai giải thích (variance explained criteria): Tổng phương sai giải thích phải lớn hơn 50% [69].
Độ giá trị hội tụ: Để thang đo đạt giá trị hội tụ thì hệ số tương quan đơn giữa các biến và các hệ số chuyển tải nhân tố (factor loading) phải lớn hơn hoặc bằng 0.5 trong một nhân tố [49].
Phương pháp trích hệ số nhân tố được thực hiện bằng phương pháp thành phần chính với phép xoay trực giao Varimax để đảm bảo số lượng nhân tố là bé nhất [36].
Đánh giá chính thức thang đo: Các thang đo nhân tố sẽ được đánh giá chính thức về tính tương thích giữa lý thuyết và dữ liệu thực tế, giá trị hội tụ, giá trị phân biệt thông qua phân tích khẳng định nhân tố với mẫu nghiên cứu chính thức (n = 282). Phân tích khẳng định nhân tố (CFA) là phương pháp phân tích sử dụng thông tin tiên nghiệm từ các nghiên cứu trước, các lý thuyết nền tảng để xây dựng thang đo hoặc từ nghiên cứu khám phá nhân tố nhằm kiểm chứng sự tồn tại của các khái niệm nghiên cứu, tính tương thích của mô hình lý thuyết với dữ liệu thực tế [69], [74].
Trong phân tích CFA có ba mô hình để đánh giá độ giá trị (validity) của từng nhân tố và cả mô hình đề xuất bao gồm: (1) mô hình đo lường, (2) mô hình so sánh
1 Do bước này chỉ là bước đánh giá sơ bộ và cỡ mẫu khá nhỏ (n=117) nên tác giả sử dụng phương pháp phân tích nhân tố cho từng nhân tố mà không xem xét cùng một lượt. Các giá trị của thang đo sẽ tiếp tục được xem xét kỹ hơn ở phần đánh giá chính thức thang đo.
25
cặp biến và (3) mô hình tới hạn. Mô hình đo lường là mô hình đánh giá cho một nhân tố mà không xem xét quan hệ của nó với các nhân tố khác. Mô hình đo lường được sử dụng để đánh giá tính tương thích với dữ liệu thực tế và giá trị hội tụ của khái niệm nghiên cứu. Mô hình so sánh cặp biến là mô hình đánh giá tính tương thích của từng cặp biến trong mô hình tổng thể. Mô hình so sánh cặp biến sử dụng để đánh giá giá trị phân biệt giữa các cặp khái niệm nghiên cứu trong mô hình tổng thể. Mô hình tới hạn là mô hình xem xét các quan hệ trong mô hình tổng thể với nhau mà không phải các quan hệ riêng lẻ để đánh giá tính thích hợp tổng thể với dữ liệu thực tế và giá trị phân biệt của từng khái niệm.
Trong nghiên cứu này tác giả sử dụng cả ba phương pháp phân tích để đánh giá giá trị thang đo. Đầu tiên các khái niệm nghiên cứu (nhân tố trong mô hình) được đánh giá lần lượt với nhau để kiểm định tính phù hợp với dữ liệu thực tế và giá trị phân biệt. Tiêu chuẩn để một mô hình phù hợp với dữ liệu thực tế là hệ số Chi-square/df nhỏ hơn 3 [57], [69]; các hệ số CFI, TLI, GFI lớn hơn 0.9 [69], [74] và hệ số RMSEA nhỏ hơn 0.08 [71]. Mặc dù vậy các chỉ số thích hợp mô hình không hoàn toàn thống nhất với nhau nên các nhà nghiên cứu đề nghị cách sử dụng đa chỉ số. Với mỗi nghiên cứu có từ 3 đến 4 chỉ số thích hợp là đủ bằng chứng cung cấp về tính phù hợp của mô hình mà không cần xem xét tất cả các chỉ báo khác nhau [69]. Các hệ số tải nhân tố của các biến quan sát lớn hơn 0.5 được xem là đạt giá trị hội tụ [69], [74]. Tiếp theo, để đánh giá giá trị phân biệt của các nhân tố trong mô hình với nhau tác giả sử dụng phân tích theo cặp biến. Các hệ số tương thích mô hình được sử dụng như trong phân tích mô hình đo lường, kiểm định hệ số tương quan nhỏ hơn 1 được xem là các biến có giá trị phân biệt [97]. Cuối cùng, mô hình tới hạn được sử dụng để đánh giá tính tương thích của mô hình tổng thể với dữ liệu thực tế, các hệ số tin cậy tổng hợp lớn hơn 0.7, phương sai trích lớn hơn 50% được xem là các chỉ báo về tính tin cậy và giá trị hội tụ của một thang đo.
Phân tích bằng mô hình cấu trúc và kiểm định các giả thuyết nghiên cứu: Để kiểm định các giả thuyết nghiên cứu tác giả sử dụng mô hình cấu trúc tuyến tính (SEM) với phương pháp phân tích đường dẫn (path analysis) thông qua các trọng số hồi quy và giá trị p-value để kiểm định. Phân tích khẳng định nhân tố là một dạng của phân tích mô hình cấu trúc, do đó tiêu chuẩn phù hợp của mô hình với dữ liệu thực tế được xem xét giống như phần đánh giá chính thức thang đo. Tiêu chuẩn kiểm định các giả thuyết nghiên cứu lấy theo thông lệ ở mức ý nghĩa 5%.
Kiểm định tính bền vững của mô hình bằng phương pháp bootstrap: Do tính chất của nghiên cứu chọn mẫu các tham số thống kê được sử dụng để suy diễn
26
cho tổng thể. Tuy nhiên, các ước lượng mẫu thay đổi từ mẫu này sang mẫu khác. Để đánh giá sự tin cậy của các ước lượng các nhà nghiên cứu có thể chia mẫu nghiên cứu thành hai mẫu con. Một mẫu dùng để ước lượng tham số, một mẫu dùng để so sánh với giá trị ước lượng được để đánh giá độ chệch (bias) của các ước lượng. Tuy nhiên, cách làm này thường không khả thi do các phân tích nhân tố đều đòi hỏi mẫu lớn. Trong trường hợp như vậy phương pháp thay thế thường được sử dụng là phương pháp Bootstrap. Boostrap là phương pháp lấy mẫu có hoàn lại được phát triển bởi Efron [62]. Trong phương pháp bootstrap mẫu thu được đóng vai trò là tổng thể và các mẫu được lấy ra để ước lượng lấy theo quy tắc lấy mẫu có hoàn lại (sampling with replacement). Với cách lấy mẫu này nhà nghiên cứu có thể tái tạo nhiều cỡ mẫu nghiên cứu khác nhau để ước lượng các tham số thống kê và so sánh nó với ước lượng mẫu ban đầu. Độ chệch của ước lượng bootstrap với mẫu càng nhỏ càng thể hiện tính tin cậy của ước lượng mẫu tính được. Các phần mềm thống kê hiện nay như SPSS, AMOS đều cho phép người sử dụng sử dụng phương pháp bootstrap để tạo ra nhiều cỡ mẫu khác nhau tùy ý để so sánh với ước lượng ban đầu một cách rất dễ dàng và thuận tiện. Trong luận án này tác giả sử dụng hai cỡ mẫu có hoàn lại theo phương pháp bootstrap với cỡ mẫu lần lượt là 500 và 1000 để đánh giá tính vững của mô hình ước lượng được. Giá trị tới hạn về độ chệch ước lượng không quá giá trị 2 được xem là mô hình vững và tin cậy.
Đánh giá sự khác biệt về kết quả kinh doanh theo nhóm doanh nghiệp:Để đánh giá sự khác biệt về kết quả kinh doanh giữa các doanh nghiệp theo các tiêu chí phân loại về quy mô lao động, mặt bằng kinh doanh và kinh nghiệm hoạt động tác giả sử dụng phân tích phương sai (ANOVA). Để đánh giá sự khác biệt xảy ra ở nhóm nào kiểm định hậu định (Post Hoc Test) sẽ được sử dung với giá trị Tukey. Tiêu chuẩn kiểm định theo thông lệ lấy ở mức 5%.
27
CHƯƠNG 2
CƠ SỞ LÝ LUẬN VÀ KINH NGHIỆM THỰC TIỄN NÂNG CAO NĂNG LỰC CẠNH TRANH CỦA DOANH NGHIỆP BÁN LẺ