6. Bố cục đề tài:
3.5 Phương pháp phân tích dữ liệu
Luận văn sử dụng chủ yếu theo phương pháp nghiên cứu định lượng được thực hiện thông qua đánh giá độ tin cậy của thang đo qua hệ số Cronbach alpha, phân tích nhân tố khám phá EFA, phân tích tương quan Pearson và phân tích hồi quy bội. Cụ thể như sau:
- Thu thập bảng khảo sát, tổng hợp và mã hóa vào chương trình thống kê SPSS 20.0. - Sử dụng công cụ thống kê tần số để tính toán các giá trị trung bình, độ lệch chuẩn.
Qua đó đánh giá mức độ đồng ý của người khảo sát đối với các biến quan sát.
- Đánh giá độ tin cậy của thang đo qua hệ số Cronbach’s alpha: Hệ số này giúp đo lường tính nhất quán của các biến quan sát trong cùng một thang đo để đo lường cùng một khái niệm (Nguyễn Đình Thọ, 2011). Hệ số này được tính toán trước khi phân tích nhân tố khám phá EFA để loại các biến không phù hợp. Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s alpha từ 0,8 trở lên đến gần 1 thì thang đo lường là
tốt (Nunnally & Bernstein, 1994), từ 0,7 đến gần 0,8 là sử dụng được (Peterson, 1994). Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm thang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Slater,1995). Ngoài ra để biến quan sát đạt yêu cầu, hệ số tương quan biến tổng (Corrected Item- Total Corelation) phải lớn hơn hoặc bằng 0,3 (Nunnally & Bernstein,1994). Những biến có hệ số tương quan biến tổng nhỏ hơn 0,3 sẽ được coi là biến rác và cần được loại khỏi mô hình.
- Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis): nhằm đánh giá
hai loại giá trị của thang đo là giá trị hội tụ và giá trị phân biệt, ngoài ra còn nhằm rút gọn nhiều biến quan sát lại thành từng nhóm nhân tố để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dụng thông tin của biến ban đầu. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát (Hair và cộng sự, 1998). Điệu kiện để thực hiện được phân tích nhân tố khám phá EFA được nhiều nhà nghiên cứu đồng ý là:
+ Chỉ số KMO (Kaiser Meyer Olkin) là chỉ số xem xét sự thích hợp của phân tích nhân tố phải nằm trong khoảng 0,5 < KMO < 1. Với chỉ số KMO nằm trong khoảng này thì chứng tỏ phân tích nhân tố là thích hợp (Hair và cộng sự, 1998).
+ Kiểm định Bartlett có ý nghĩa thống kê (sig < 0,05). Đây là một đại lượng thống kê dùng để xem xét giả thuyết có biến nào không có tương quan trong tổng thể không? Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05) thì các biến quan sát có mối tương quan tuyến tính với nhau trong tổng thể (Trọng và Ngọc, 2008).
+ Hệ số tải nhân tố hay trọng số nhân tố (Factor loading) > 0.5. Theo Hair và cộng sự (1998), hệ số tải nhân tố là chỉ tiêu để đảm bảo ý nghĩa thiết thực của EFA. Factor loading > 0,3 được xem là đạt mức tối thiểu (được khuyên dùng nếu cỡ mẫu ít nhất là 350). Factor loading > 0,4 được xem là quan trọng. Factor loading > 0,5 được xem là có ý nghĩa thực tiễn (được khuyên dùng nếu cỡ mẫu ít nhất là 100).
+ Tổng phương sai trích > 50%: thể hiện phần trăm biến thiên của biến quan sát nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu % và bị thất thoát bao nhiêu % (Trọng và Ngọc, 2008).
+ Eigenvalue ≥ 1: đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Luận văn sử dụng phép quay Varimax trong phân tích nhân tố khám phá EFA nhằm tối thiểu hóa lượng biến có hệ số lớn tại cùng một nhân tố, giúp tăng cường khả năng giải thích các nhân tố. Và thực hiện phân tích EFA riêng cho 2 nhóm biến độc lập và biến phụ thuộc.
- Phân tích tương quan: được sử dụng để kiểm định mối tương quan tuyến tính giữa
các biến trong mô hình (giữa biến phụ thuộc với từng biến độc lập, giữa các biến độc lập với nhau). Trong bài, hệ số tương quan Pearson (ký hiệu là r) được tính toán để lượng hóa mức độ chặt chẽ trong mối liên hệ tuyến tính giữa hai biến định lượng, giá trị tuyệt đối của hệ số này càng gần 1,0 thì hai biến này có tương quan tuyến tình càng chặt chẽ (Trọng và Ngọc, 2008).
- Phân tích hồi quy tuyến tính bội: Nghiên cứu thực hiện hồi quy đa biến theo
phương pháp Enter tức đưa tất cả biến vào một lượt. Nhằm đảm bảo độ tin cậy và hiệu quả của mô hình, có 4 kiểm định chính được thực hiện
+ Kiểm định tương quan từng phần của các hệ số hồi quy: Mục tiêu của các kiểm định này nhằm xem xét các biến độc lập tương quan có ý nghĩa với biến phụ thuộc không (xét riêng từng biến độc lập). Khi mức ý nghĩa (Sig.) của hệ số hồi quy từng phần có độ tin cậy là 95% trở lên (Sig ≤ 0,05), có thể kết luận tương quan giữa biến độc lập và biến phụ thuộc có ý nghĩa thống kê (Nguyễn Đình Thọ , 2013). Từ đó phương trình trong phân tích hồi quy sẽ được đưa ra sau khi kết luận các biến có mối liên hệ tuyến tính.
+ Kiểm định mức độ phù hợp của mô hình: Mục tiêu của kiểm định này nhằm xem xét mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc hay không. Mô hình được xem là không phù hợp khi tất cả các hệ số hồi quy đều bằng không, và mô
hình được xem là phù hợp khi có ít nhất một hệ số hồi quy khác không. Phân tích phương sai (Analysis of Variance- ANOVA) được sử dụng để kiểm định mức độ phù hợp của mô hình. Nếu mức ý nghĩa đảm bảo có độ tin cậy ít nhất 95% (Sig ≤ 0,05), mô hình được xem là phù hợp (Nguyễn Đình Thọ, 2013)
+ Đồng thời, hiện tượng đa cộng tuyến cũng được xem xét. Hiện tượng đa cộng tuyến (Multicollinearity) là hiện tượng các biến độc lập có quan hệ gần như tuyến tính. Việc bỏ qua hiện tượng đa cộng tuyến làm các sai số chuẩn thường cao hơn, giá trị thống kê thấp hơn và có thể không có ý nghĩa. Để kiểm tra hiện tượng này, ta sử dụng thước đo độ phóng đại phương sai (Variance Inflation Factor- VIF) để kiểm định hiện tượng tương quan giữa các biến độc lập. Theo Nguyễn Đình Thọ (2013), điều kiện là VIF < 10 để không có hiện tượng đa cộng tuyến.
+ Kiểm định hiện tượng tự tương quan: Trong nghiên cứu này, trị số thống kê Durbin- Watson được sử dụng để kiểm tra xem có hiện tượng tự tương quan hay không trong phần dư (Residuals) của mô hình hồi quy đã được đề xuất. Giá trị của Durbin- Watson dao động trong khoảng từ 0 đến 4. Quy tắc kiểm định như sau:
Nếu 1< Durbin- Watson < 3 được xem là mô hình không có tự tương quan.
Nếu 0< Durbin- Watson < 1 được xem là mô hình tự tương quan dương.
Nếu 3< Durbin- Watson < 4 được xem là mô hình tự tương quan âm..
Sau khi kết luận các biến có mối liên hệ tuyến tính thì có thể mô hình hóa mối quan hệ nhân quả của các biến này bằng mô hình hồi quy tuyến tính. Cụ thể phương trình trong phân tích hồi quy như sau:
CLKT= β1*X1+ β2*X2+ β3*X3+ β4*X4+ β5*X5+ β6*X6+ β7*X7+ β8*X8+ β9*X9+
βi : hệ số hồi quy của các biến độc lập ( i= 1,9)
Xi : Các biến độc lập trong mô hình (đã nêu phần trên)( i= 1,9)
KẾT LUẬN CHƯƠNG 3
Trong chương này, nghiên cứu đã trình bày chi tiết về các mô hình nghiên cứu, giả thuyết nghiên cứu, phương pháp nghiên cứu, quy trình nghiên cứu. Mở đầu bằng việc xây dựng khung nghiên cứu của luận văn, tác giả đã sơ đồ hóa toàn bộ quy trình thực hiện nghiên cứu của luận văn.
Tiếp theo tác giả đã trình bày mô hình nghiên cứu, phương pháp nghiên cứu và thang đo cụ thể từng biến độc lập và biến phụ thuộc trong mô hình đo lường chất lượng kiểm toán. Sau đó, tác giả xác định các phương pháp nghiên cứu được sử dụng là phương pháp nghiên cứu định lượng (thống kê mô tả, phân tích nhân tố khám phá, phân tích tương quan, phân tích hồi quy tuyến tính bội) để kiểm định các giả thuyết nghiên cứu được đưa ra.
Cuối cùng, tác giả đi vào trình bày chi tiết quy trình nghiên cứu chính của luận văn như cơ sở xây dựng mô hình nghiên cứu, cơ sở xây dựng thang đo cho mô hình, mã hóa dữ liệu.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
Chương này sẽ trình bày kết quả nghiên cứu đã đạt được trên cơ sở mục tiêu nghiên cứu đã đề ra ở phần mở đầu và phương pháp nghiên cứu đã được xác định ở chương trước. Các kết quả nghiên cứu bao gồm (1) Tổng quan về thực trạng hoạt động KTĐL, CLKT của DNKT Việt Nam và DNKT vừa và nhỏ, (2) Kết quả nghiên cứu định lượng về các nhân tố tác động đến CLKT DNKT vừa và nhỏ, (3) Sau đó, các vấn đề bàn luận được đưa ra dựa trên cơ sở kết quả nghiên cứu.