Phương pháp thống kê sử dụng mức có ý nghĩa alpha trong đề tài này là 0.05. Số liệu thu thập được phân tích bằng phần mềm SPSS 20.
Quá trình phân tích phân tích dữ liệu được thực hiện qua các giai đoạn sau:
3.4.3.1. Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha:
Một thang đo có giá trị khi không có sai lệch mang tính hệ thống và sai lệch ngẫu nhiên. Điều kiện đầu tiên là thang đo áp dụng phải đạt độ tin cậy. Hệ số Cronbach’s Alpha càng lớn thì độ tin cậy càng cao. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố khám phá EFA để loại các biến không phù hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007).
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các biến đo lường có liên kết với nhau hay không nhưng không cho biết biến nào cần loại bỏ đi và biến nào cần giữ lại. Do đó, kết hợp sử dụng hệ số tương quan biến - tổng để loại ra những biến không đóng góp nhiều cho khái niệm cần đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Các tiêu chí sử dụng khi thực hiện đánh giá độ tin cậy thang đo gồm:
Hệ số tin cậy Cronbach’s Alpha: lớn hơn 0.8 là thang đo lường tốt; từ giá trị 0.7 đến 0.8 là sử dụng được; từ 0.6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong hoàn cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Hệ số tương quan biến - tổng: các biến quan sát có tương quan biến - tổng nhỏ (nhỏ hơn 0.3) được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu.
Trong nghiên cứu này, luận văn sử dụng tiêu chuẩn Cronbach’s Alpha từ 0.6 trở lên và các biến quan sát hệ số tương quan biến tổng (Corrected item- total correlation) nhỏ hơn 0.3 sẽ bị loại.
3.4.3.2. Đánh giá thang đo bằng phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phân tích nhân tố EFA sẽ được sử dụng để gom các biến từ kết quả phân tích Cronbach’s Alpha để tạo ra các biến mới từ các biến đã cho phù hợp với mẫu xem xét. Các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phân tích nhân tố khám phá được dùng để kiểm định giá trị khái niệm của thang đo.
Cách thực hiện và tiêu chí đánh giá trong phân tích nhân tố khám phá EFA: Phương pháp: Đối với thang đơn hướng, sử dụng Principal components analysis
đi cùng phép xoay Varimax. Thang đo chấp nhận được khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007).
Tiêu chuẩn: Hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0.3 là mức tối thiểu chấp nhận được; lớn hơn 0.4 là quan trọng; lớn hơn 0.5 là có ý nghĩa thực tiễn. Tiêu chuẩn chọn mức giá trị hệ số tải nhân tố: cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải nhân tố lớn hơn 0.3; nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải nhân tố lớn hơn 0.55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0.75 (Hair, 1998; dẫn theo Lê Ngọc Đức, 2008).
Từ cơ sở lý thuyết trên, luận văn sử dụng phân tích nhân tố EFA theo các bước sau:
Đối với các biến quan sát đo lường các khái niệm đều là các thang đo đơn hướng nên sử dụng phương pháp trích nhân tố Principal Components với phép quay Varimax và điểm dừng khi trích các yếu tố có EigenValues > 1. Sau đó tiến hành thực hiện kiểm định các yêu cầu liên quan gồm:
Kiểm định Barlett: các biến quan sát có tương quan với nhau trong tổng thể. Xem xét trị số KMO: nếu KMO trong khoảng từ 0.5 đến 1 thì phân tích nhân tố
là thích hợp với dữ liệu; ngược lại, KMO nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Để phân tích EFA có giá trị thực tiễn; tiến hành loại các biến quan sát có hệ số tải nhân tố nhỏ hơn 0.5. Trị số Eigenvalue phải lớn hơn 1 và tổng phương sai trích phải lớn hơn hoặc bằng 50%.
3.4.3.3. Phân tích tương quan
Các thang đo được đánh giá đạt yêu cầu được đưa vào phân tích tương quan Pearson và phân tích hồi quy để kiểm định các giả thuyết. Phân tích tương quan Pearson được thực hiện giữa biến phụ thuộc và các biến độc lập nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Giá trị tuyệt đối của Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ. Đồng thời cũng cần phân tích tương quan giữa các biến độc lập với nhau nhằm phát hiện những mối tương quan chặt chẽ giữa các biến độc lập. Vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả của phân tích hồi quy như gây ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
3.4.3.4. Phân tích hồi quy tuyến tính bội
Sau khi kết luận hai biến có mối quan hệ tuyến tính với nhau thì có thể mô hình hóa mối quan hệ nhân quả này bằng hồi quy tuyến tính (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Nghiên cứu thực hiện hồi quy tuyến tính bội bằng phương pháp Enter, xử lý tất cả các biến đưa vào một lần và đưa ra các thông số thống kê liên quan đến các biến. Sau đó, kiểm định các giả thuyết theo các bước sau:
Đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội bằng hệ số R2 và hệ số R2 điều chỉnh. Hệ số R2 đã được chứng minh là hàm không giảm theo số biến độc lập được đưa vào mô hình, càng đưa thêm nhiều biến độc lập vào mô hình thì R2 càng tăng. Tuy nhiên, điều này cũng được chứng minh rằng không phải phương trình càng có nhiều biến sẽ càng phù hợp hơn với tập dữ liệu. Để giải quyết tình huống này, hệ số R2 điều chỉnh được sử dụng để phản ánh tốt hơn mức độ phù hợp của mô hình hồi quy tuyến tính bội. Hệ số R2 điều chỉnh không nhất thiết phải tăng lên khi nhiều biến độc lập được đưa thêm vào mô hình. Hệ số R2 điều chỉnh là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính bội vì nó không phụ thuộc vào độ lệch phóng đại của hệ số R2.
Kiểm định giả thuyết về độ phù hợp của mô hình.
Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy từng thành phần.
Kiểm định giả thuyết về phân phối chuẩn của phần dư sử dụng biểu đồ tần số của các phần dư. Nếu trung bình bằng 0 và độ lệch chuẩn xấp xỉ bằng 1 thì có thể kết luận rằng giả định phân phối chuẩn không bị vi phạm..
Kiểm tra giả định về hiện tượng đa cộng tuyến thông qua hệ số phóng đại phương sai VIF (Variance Inflation Factor). Nếu VIF > 10 thì có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Xác định mức độ ảnh hưởng của các yếu tố tác động đến thái độ và ý định: hệ số beta của yếu tố nào càng lớn thì có thể nhận xét yếu tố đó có mức độ ảnh hưởng cao hơn các yếu tố khác trong mô hình nghiên cứu.
3.4.3.5. Kiểm định sự khác biệt của các nhân tố với các biến định tính bằng T- test và Anova
Trong phần này luận văn sử dụng 2 phép kiểm định: Kiểm định Independent - samples T-test: (adsbygoogle = window.adsbygoogle || []).push({});
Sử dụng trong trường hợp kiểm định về trung bình của 2 tổng thể độc lập. Các bước tiến hành theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), như sau:
o Nếu giá trị Sig. trong kiểm định Levene < 0.05 thì phương sai các biến là khác nhau, ta sử dụng kết quả kiểm định t ở phần giả định phương sai khác nhau (Equal variances not assumed).
o Nếu giá trị Sig. trong kiểm định Levene >= 0.05 thì phương sai các biến là không khác nhau, ta sử dụng kết quả trong kiểm định t ở phần giả định phương sai bằng nhau (Equal variances assumed).
o Nếu giá trị Sig. trong kiểm định t < 0.05 thì kết luận có sự khác biệt về trung bình 2 tổng thể. Nếu t >= 0.05 thì kết luận chưa có sự khác biệt có ý nghĩa về trị trung bình 2 tổng thể.
Phân tích phương sai một yếu tố ANOVA
Trong trường hợp có nhiều hơn 2 tổng thể, không sử dụng kiểm định Independent - samples T-test mà sử dụng kiểm định One-Way ANOVA. Có một số giả định sau đối với phân tích phương sai một yếu tố:
o Các nhóm so sánh phải độc lập và được chọn ngẫu nhiên.
o Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như có tiệm cận phân phối chuẩn.
o Phương sai của các nhóm so sánh phải đồng nhất.