7. CẤU TRÚC CỦA LUẬN VĂN
3.3.2. Phân tích độ tin cậy của thang đo bằng Cronbach’s Alpha đối với thang
tác nhân ảnh hưởng
Bảng 3.7: Kết quả phân tích độ tin cậy đối với thang đo tác nhân ảnh hưởng
Ký hiệu
Trung bình thang đo nếu
loại biến
Phương sai thang đo nếu
loại biến Tương quan biến - tổng Alpha nếu loại bỏ biến Cronbach’s Alpha: 0,715 TNAH1 8,39 3,550 0,405 0,805 TNAH2 7,82 3,375 0,661 0,476 TNAH3 7,84 3,657 0,568 0,589 (Nguồn: Xử lý số liệu bằng SPSS 22.0)
Thang đo nhận thức được xây dựng từ 3 biến quan sát từ TNAH1 đến TNAH3. Kết quả phân tích dữ liệu cho thấy hệ số Cronbach’s Alpha là 0,715 lớn hơn 0,6. Tương quan biến tổng đều lớn hơn 0,3. Như vậy các biến quan sát trong thang đo tác nhân ảnh hưởng là tin cậy.
3.3.3. Phân tích độ tin cậy của thang đo bằng Cronbach’s Alpha với thang đo sản phẩm thị trường phẩm thị trường
Bảng 3.8: Kết quả phân tích độ tin cậy đối với thang đo sản phẩm thị trường.
Ký hiệu
Trung bình thang đo nếu
loại biến
Phương sai thang đo nếu
loại biến Tương quan biến - tổng Alpha nếu loại bỏ biến Cronbach’s Alpha: 0,661 SPTT1 3,78 1,207 0,498 SPTT3 4,11 0,921 0,498 (Nguồn: Xử lý số liệu bằng SPSS 22.0)
Thang đo sản phẩm thị trường gồm 3 biến quan sát từ SPTT1 đến SPTT3, tuy nhiên trong quá trình xử lý số liệu biến quan sát SPTT2 có hệ số tương quan biến tổng (0,272) không đạt nên đã loại bỏ. Do đó bảng kết quả có hệ số Cronbach’s Alpha là 0.626 lớn
43
hơn 0,6 và hệ số tương quan biến tổng đều trên 0,3. Hai biến quan sát SPTT1 và SPTT3 có sự tin cậy và phù hợp.
3.4. Phân tích nhân tố khám phá (EFA)
Sau khi tiến hành kiểm định thang đo với hệ số tin cậy Cronbach’s Alpha các thang đo được đánh giá tiếp theo bằng phương pháp phân tích nhân tố khám phá (EFA). Phương pháp phân tích nhân tố khám phá là phương pháp phân tích phụ thuộc lẫn nhau giữa các biến. Phương pháp phân tích nhân tố khám phá sẽ giúp nhà nghiên cứu rút gọn từ một tập hợp nhiều biến quan sát thành những biến tiềm ẩn ít nhưng vẫn giải thích được bản chất dữ liệu (Hair et al, 2006). Đối với nghiên cứu này phân tích khám ohas sẽ được thực hiện cho các biến độc lập và biến phụ thuộc riêng. Phương pháp rút trích nhân tố sử dụng là phương pháp rút thành phần chính (Principal Component) với phép xoay Varimax để rút trích được số lượng nhân tố bé nhất (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Tiêu chuẩn của phân tích là hệ số factor loading tối thiểu là 0.5 trong một nhân tố, giá trị eigenvalue lớn hơn hoặc bằng 1, phương sai trích tối thiểu 50%, hệ số KMO tối thiểu bằng 0.5, kiểm định Bartlett có p-value nhỏ hơn 0.05. Kết quả phân tích từ dữ liệu thu được như sau:
Phương pháp EFA được sử dụng cho 9 biến quan sát được trích từ 3 nhân tố độc lập, sử dụng phương pháp Principal Component với phép quay Varimax.
Bảng 3.9: Hệ số KMO và kiểm định Barlett’s Hệ số KMO và kiểm định Barlett’s
Chỉ số KMO 0,797
Kiểm định Barlett’s
Thống kê Chi - bình phương 1608,836
Bậc tự do (df) 21
Mức ý nghĩa (Sig.) 0,000
44
Bảng 3.10: Tổng phương sai trích
Nhân tố
Eigenvalues ban đầu Tổng bình phương hệ số tải đã trích xuất Tổng bình phương hệ số tải đã xoay Toàn phần Phần trăm của phương sai (%) Phần trăm tích lũy (%) Toàn phần Phần trăm của phương sai (%) Phần trăm tích lũy (%) Toàn phần Phần trăm của phương sai (%) Phần trăm tích lũy (%) 1 3,17 45,34 45,34 3,17 45,34 45,34 2,61 37,28 37,28 2 1,15 16,39 61,73 1,15 16,39 61,73 1,71 24,45 61,73 3 0,77 11,02 72,76 4 0,67 9,58 82,34 5 0,49 6,98 89,31 6 0,44 6,25 95,56 7 0,31 4,44 100,00
Extraction Method: Principal Component Analysis
45 Bảng 3.11: Ma trận xoay Nhân tố 1 2 SPTT3 0,796 SPTT1 0,773 TNAH2 0,741 0,367 TNAH3 0,699 0,384 TNAH1 0,532 NTTĐ2 0,822 NTTĐ3 0,804
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Rotation coverged in 3 iterrations.
(Nguồn: Xử lý số liệu bằng SPSS 22.0)
Kết quả cho thấy hệ số KMO = 0,797 ( >0.5) và với mức ý nghĩa Sig = 0,0000 < 0.05 vì vậy các biến quan sát có tương quan với nhau nên việc phân tích nhân tố là hoàn toàn phù hợp.
Hai nhân tố có hệ số Eigenvalues > 1 và có tổng phương sai trích lớn hơn 50% đã thỏa mãn yêu cầu. Dựa trên đó chúng tôi rút ra được 2 nhóm nhân tố X1 và X2.
Trong bảng ma trận xoay hệ số tải của biến TNAH2 và TNAH 3 có sự xuất hện hệ số tải tại 2 nhóm nhân tố. Tuy nhiên sau khi kiểm tra chúng tôi nhận thấy chênh lệch giữa
46
hai hệ số tải là đều lớn hơn 0,3, do đó hai biến này được xem xét giữ lại và hai biến đều nằm ở nhóm nhân tố 1 vì có hệ số tải tại đây cao hơn so với nhóm còn lại.
Đặt tên nhân tố mới: X1: Tác nhân ảnh hưởng. X2: Nhận thức, thái độ.
Nhân tố X1 bao gồm 5 biến: SPTT 3, SPTT 1, TNAH 2, TNAH 3, TNAH 1. Nhân tố X2 gồm 3 biến: NTTĐ 3, NTTĐ 2.
Thang đo chính thức sau khi xử lý EFA gồm 7 biến quan sát thuộc 2 nhóm biến độc lập là X1 (5 biến) và X2 (3 biến).
47
Bảng3.12: Mã hóa lại các biến theo nhóm nhân tố
Nhân tố Nội dung các biến Mã hóa
X1 Tôi sẽ giảm sử dụng túi ni lông khi mọi người xung quanh giảm sử dụng.
TNAH 1
Tôi đánh giá cao nếu có chính sách rõ ràng, hướng dẫn việc sử dụng sản phẩm xanh.
TNAH 2
Nếu tôi có đủ khả năng, tôi sẽ mua sản phẩm dùng nhiều lần để mang theo người khi đi ăn uống.
TNAH 3
Tôi sẽ chọn sản phẩm có mức phù hợp với nhu cầu và tài chính của bản thân.
TNAH 4
Tôi muốn sản phẩm mua có kèm khuyến mãi, nhiều sự lựa chọn.
TNAH 5
X2 Tôi sẽ cố gắng tái sử dụng các sản phẩm nhựa sử dụng một lần.
NTTĐ 1
Tôi quan tâm đến chất lượng của sản phẩm xanh thay thế, giá thành không quan trọng.
NTTĐ 3
(Nguồn: Xử lý số liệu bằng SPSS 22.0)
3.5. Phân tích tương quan
Trước khi đi vào kiểm định mô hình nghiên cứu bằng phân tích hồi quy chúng tôi xem xét mối tương quan giữa các biến trong mô hình với nhau. Để thực hiện kiểm tra chúng tôi đã sử dụng phân tích ma trận tương quan Pearson nhằm mục đích lượng hóa mức độ chặt chẽ giữa các biến độc lập và biến phụ thuộc, ngoài ra còn lượng hóa sự chặt chẽ giữa các biến độc lập với nhau.
48
Hệ số tương quan Pearson (r) có giá trị trong khoảng từ -1 đến 1,hệ số r càng tiến dần về 1 hoặc -1 thì chứng tỏ mối liên hệ giữa hai biến càng mạnh. Nếu r > 0 cho thấy mối quan hệ giữa hai biến là thuận, tức là nếu giá trị của biến này tăng sẽ làm tăng giá trị của biến kia và ngược lại. Nếu r < 0 thì mối quan hệ giữa hai biến là nghịch, có nghĩa là nếu như biến này tăng thì biến kia sẽ giảm và ngược lại.
Bảng 3.13: Bảng tương quan giữa yếu tố độc lập và phụ thuộc
HÀNH VI TÁC NHÂN ẢNH HƯỞNG NHẬN THỨC, THÁI ĐỘ HÀNH VI Pearson Correlation 1 -.101 ** .015 Sig. (2- tailed) .005 .668 N 778 778 778
TÁC NHÂN ẢNH HƯỞNG Pearson
Correlation -.101 ** 1 .424** Sig. (2- tailed) .005 .000 N 778 778 778 NHẬN THỨC, THÁI ĐỘ Pearson Correlation .015 .424 ** 1 Sig. (2- tailed) .668 .000 N 778 778 778
**. Tương quan với mức ý nghĩa 1% (2-tailed).
(Nguồn: Xử lý số liệu bằng SPSS 22.0)
Từ bảng kết quả trên cho chúng tôi nhận thấy tác nhân ảnh hưởng có hệ số Sig < 0,05 và hệ số tương quan r = -0,101 có nghĩa là yếu tố tác nhân ảnh hưởng có tương quan đến hành vi và với mối quan hệ giữa hai biến này là nghịch hay có thể hiểu rằng khi biến tác nhân ảnh hưởng tăng lên thì sẽ làm cho biến hành vi giảm xuống. Tuy nhiên với hệ số
49
tương quan như vậy thì mức độ tương quan giữa yếu tố tác nhân ảnh hưởng và hành vi là tương đối yếu.
Biến nhận thức thái độ do có hệ số Sig > 0,05 được xác định là không có tương quan với biến hành vi tuy nhiên do có trường hợp hệ số Sig ở bước tương quan lớn hơn 0,05 nhưng tại bước hồi quy nhỏ hơn 0,05 nên được xem xét giữ lại và quyết định loại bỏ biến sau khi thực hiện bước hồi quy.
Biến tác nhân ảnh hưởng và nhận thức thái độ có Sig < 0,05 và hệ số tương quan r=0,424 cho thấy hai biến độc lập này có mối quan hệ tương quan với nhau theo mối quan hệ là thuận và mức độ tương quan giữa hai biến là trung bình. Có nghĩa là khi biến tác nhân ảnh hưởng tăng thì biến nhận thức, thái độ cũng sẽ tăng theo.
3.6. Mô hình hồi quy tuyến tính
Phân tích hồi quy sẽ xác định phương trình hồi quy tuyến tính với các hệ số beta tìm được để khẳng định mối quan hệ nhân quả giữa biến phụ thuộc (HANH_VI) và các biến độc lập (X1,X2), nhằm xác định mức độ ảnh hưởng của từng yếu tố đến hành vi sử dụng nhựa sử dụng một lần. Kết quả phân tích hồi quy được thực hiện bằng phương pháp Enter.
Mô hình hồi quy tuyến tính được biểu diễn theo phương trình như sau: Y = β0 + β1 x X1 + β2 x X2
Hoặc
HÀNH VI = β0 + β1 x TÁC NHÂN ẢNH HƯỞNG + β2 x NHẬN THỨC, THÁI ĐỘ Trong đó:
- Y: Hành vi (HANH VI) - X1: Tác nhân ảnh hưởng (X1) - X2: Nhận thức, thái độ (X2)
50
Dựa vào các kết quả khảo sát, chúng tôi mong đợi đưa ra một mô hình để giải thích cho biến hành vi sử dụng túi ni lông. Phương thức Enter được sử dụng để xây dựng mô hình hồi quy. Kết quả xử lý bằng SPSS như sau:
Bảng 3.14: Tóm tắt mô hình hồi quy
Model Summaryb Mô hình R R2 R2 hiệu chỉnh Sai số chuẩn ước lượng Trị số thống kê Durbin-Watson 1 0,162a 0,029 0,027 1,134 1,803
a. Biến độc lập: (Constant).Tác nhân ảnh hưởng, nhận thức thái độ b. Biến phụ thuộc: HÀNH VI
(Nguồn: Xử lý số liệu bằng SPSS 22.0)
Dựa vào bảng trên cho thấy giá trị ở R2 hiệu chỉnh bằng 0,027, nghĩa là mức độ giải thích của mô hình hồi quy 2,7%. Với hệ số trên chúng tôi thấy là mô hình hồi quy tuyến tính không phù hợp với nghiên cứu.
3.7. Kiểm định Anova
Phân tích ANOVA cho phép so sánh giá trị trung bình của các biến định lượng với sự phân biệt các nhóm trả lời khác nhau. ANOVA cho phép chúng ta giải quyết những trở ngại của Independent Sample T – test. Phương pháp này giúp chúng ta so sánh sự khác biệt trung bình của biến định tính có từ ba nhóm trở lên.
Sau khi thực hiện phân tích dữ liệu, bảng cần quan tâm đầu tiên đó là Test of Homogeneity of Variances, chúng ta sẽ xem xét Sig. của Levene Statistic:
- Trường hợp Sig. của Levene >=0.05 thì phương sai giữa các lựa chọn của biến định tính không khác nhau, chúng ta tiếp tục sử dụng bảng ANOVA:
+ Nếu Sig. ở bảng ANOVA <0.05, chúng ta kết luận: Có sự khác biệt có ý nghĩa thống kê giữa các lựa chọn của biến định tính đối với biến định lượng đang quan sát.
+ Nếu Sig. ở bảng ANOVA >=0.05, chúng ta kết luận: Không có sự khác biệt có ý nghĩa thống kê giữa các lựa chọn của biến định tính đối với biến định lượng đang quan sát.
51
- Trường hợp Sig. của Levene <0.05 thì giả thuyết phương sai đồng nhất giữa các nhóm giá trị biến định tính đã bị vi phạm, nghĩa là phương sai giữa các nhóm giá trị biến định tính không bằng nhau, chúng ta không sử dụng bảng ANOVA mà tiếp tục sử dụng bảng Robust Tests of Equality of Means:
+ Nếu Sig. kiểm định Welch ở bảng Robust Tests <0.05, chúng ta kết luận: Có sự khác biệt có ý nghĩa thống kê giữa các lựa chọn của biến định tính đối với biến định lượng đang quan sát.
+ Nếu Sig. kiểm định Welch ở bảng Robust Tests >=0.05, chúng ta kết luận:
Không có sự khác biệt có ý nghĩa thống kê giữa các lựa chọn của biến định tính đối với biến định lượng đang quan sát.
3.7.1. Kiểm tra giữa biến tác nhân ảnh hưởng với biến hành vi
Trước khi kiểm định sự khác biệt trước tiên cần xác định tính đồng nhất giữa các phương sai dựa vào kiểm tra hệ số Sig. Leneve Statistic.
Bảng 3.15: Kiểm tra tính đồng nhất của phương sai
HANH_VI
Levene Statistic df1 df2 Sig.
1.556 21 756 .054
(Nguồn: Xử lý số liệu bằng SPSS 22.0)
Chúng tôi đã dựa vào số liệu trên và thấy rằng hệ số Sig. > 0,5 có nghĩa phương sai giữa các giá trị là đồng nhất nên chúng tôi sẽ sử dụng bảng Anova để tiếp tục.
Bảng 3.16: Anova
HÀNH VI
Sum of
Squares df Mean Square F Sig.
Between Groups 31.781 21 1.513 1.146 .294
Within Groups 998.213 756 1.320
Total 1029.995 777
52
Kết luận 1: Với giá trị Sig.F > 0,05 Tác nhân ảnh hưởng không có tác động đến hành vi sử dụng nhựa sử dụng một lần của người dân trong khu vực quận Thủ Đức và quận 9.
Hình 3.6: Biểu đồ số liệu giữa tác nhân ảnh hưởng và trung bình sử dựng nhựa sử dụng một lần.
Nhận xét:
Khi được hỏi tác nhân lớn nhất ảnh hưởng đến thói quen sử dụng nhựa một lần thì đa phần câu trả lời là không có sự tác động nào, tự nguyện bản thân họ sử dụng, có thể vì nhu cầu thiết yếu của bản thân. Chúng ta được biết các tác hại của nhựa sử dụng một lần qua các kênh thông tin như sách báo, truyền thông đại chúng như internet, tivi…, qua bài học trên lớp và còn một số phương tiện khác. Hiện nay có rất nhiều chính sách tiềm năng về giảm thải nhựa một lần, đa phần người dân họ biết nhiều nhất về chính sách “Cấm và phạt với hành vi xả rác bừa bãi”. Có thể dễ dàng thấy được ở một số bãi đất trống đều có bảng cấm xả rác. Nó cho thấy được rằng xung quanh chúng ta đều có tuyên truyền và có thông tin về việc giảm rác thải ra môi trường, chỉ là bản thân cá nhân của mọi người ý thức được việc làm của mình mà không để bị ảnh hưởng bởi những tác nhân nào bên cạnh.
156 24 41 330 44 5 12 112 13 6 2 4 3 0 14 12 0 100 200 300 400 NGƯỜI TRONG GIA ĐÌNH HÀNG XÓM BẠN BÈ TỰ NGUYỆN S ố liệ u Tác nhân Biểu đồ số liệu giữa tác nhân ảnh hưởng và trung bình sử dựng
nhựa sử dụng một lần
53
3.7.2. Kiểm tra giữa biến nhận thức thái độ với biến hành vi
Giống như sử dụng phương pháp Anova cho hai biến trên, đầu tiên cần xác định tính đồng nhất giữa các phương sai dựa vào hệ số Sig. Leneve Statistic.
Bảng 3.16: Kiểm tra tính đồng nhất của phương sai
HÀNH VI
Levene Statistic df1 df2 Sig.
2,894 8 769 0.000
(Nguồn: Xử lý số liệu bằng SPSS 22.0)
Hệ số Sig. Leneve Statistic trong bảng < 0,05 nên chúng tôi kết luận phương sai giữa các nhóm giá trị không đồng nhất và sử dụng bảng Robust test để phân tích tiếp.
Bảng 3.17: Robust test
HÀNH VI
Statistica df1 df2 Sig.
Welch 4,471 8 84,816 0,000
a. Asymptotically F distributed.
(Nguồn: Xử lý số liệu bằng SPSS 22.0)
Kết luận 2: Với giá trị Sig.Welch <0,05 Nhận thức, thái độ có tác động tích cực đến hành vi sử dụng nhựa sử dụng một lần của người dân trong khu vực quận Thủ Đức và quận 9.
54
Hình 3.7: Đồ thị biểu diễn tỷ lệ giữa nhận thức và trung bình sử dụng nhựa sử dụng một lần.
Nhận xét:
Dựa vào một số câu hỏi về nhận thức có thể thấy rằng hiện nay nhận thức của người dân đang ngày được tăng lên. Song song đó, người dân càng có ý thức với việc sử dụng, xử lý nhựa sử dụng một lần. Ví dụ như biểu đồ trên, khi mọi người có nhận thức rõ ràng về mức độ ô nhiễm môi trường hiện nay thì sẽ xác định được đúng phương pháp xử lý ít tác động đến môi trường hơn. Theo đó khi nhận định được môi trường đang ô nhiễm nghiêm trọng thì biện pháp mà đa số mọi người sử dụng là vứt ra sọt rác và rửa sạch để