Kiểm định độ tin cậy Cronbach’s Alpha
Hệ số Alpha của Cronbach là một đại lượng có thể sử dụng trước hết để đo lường độ tin cậy của các nhân tố và để loại ra các biến quan sát không đảm bảo độ tin cậy trong thang đo. Theo Nguyễn Đình Thọ (2011), điều kiện tiêu chuẩn chấp nhận các biến gồm 2 điều kiện:
Thứ nhất: những biến số có hệ số tương quan biến tổng phù hợp (Corrected Item – Total Correlation) từ 0.3 trở lên.
Thứ hai: các hệ số Cronbach’s Alpha của các biến phải từ 0.7 trở lên. Tuy nhiên, đối với các vấn đề nghiên cứu mới, hệ số Alpha tổng của thang đo có thể > 0.6 (Nguyễn Đình Thọ, 2011).
Phương pháp phân tích nhân tố EFA
Các thang đo đạt yêu cầu về độ tin cậy sẽ được sử dụng phân tích nhân tố để rút gọn một tập gồm nhiều biến quan sát thành một tập biến (gọi là nhân tố) ít hơn. Phương pháp phân tích nhân tố EFA được dùng để kiểm định giá trị khái niệm của thang đo.
Kiểm định Bartlett có ý nghĩa thống kê (Sig < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể (Nguyễn Đình Thọ, 2011).
Xem xét giá trị KMO: 0.5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp với dữ liệu; ngược lại KMO ≤ 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Để phân tích EFA có giá trị thực tiễn: tiến hành loại các biến quan sát có hệ số tải nhân tố < 0.5. Xem lại thông số Eigenvalues (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) có giá trị > 1 (Nguyễn Đình Thọ, 2011).
Xem xét giá trị tổng phương sai trích (yêu cầu là 50%): cho biết các nhân tố được trích giải thích được % sự biến thiên của các biến quan sát (Nguyễn Đình Thọ, 2011).
Theo Hair và cộng sự (2010), tiêu chuẩn đối với hệ số tải nhân tố là phải 0.5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố:
> 0.3 là đạt mức tối thiểu > 0.4 là quan trọng
> 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 > 0.3 Nếu cỡ mẫu khoảng 100 đến 350 thì chọn hệ số tải nhân tố > 0.5 Nếu cỡ mẫu khoảng 50 đến 100 thì hệ số tải nhân tố phải > 0.75
Phương pháp phân tích tương quan
Kiểm định hệ số tương quan Pearson dùng để kiểm tra mối liên hệ tuyến tính giữa các biến độc lập và biến phụ thuộc. Nếu các biến độc lập với nhau có tương quan chặt thì phải lưu ý đến vấn đề đa cộng tuyến khi phân tích hồi quy. Người ta sử dụng một số thống kê có tên là hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Trong phân tích tương quan Pearson, không có sự phân biệt giữa các biến độc lập và biến phụ thuộc mà tất cả đều được xem xét như nhau.
Phương pháp phân tích hồi quy
Phân tích hồi quy tuyến tính đa biến bằng phương pháp bình phương nhỏ nhất thông thường (ordinary Least Square – OLS) được thực hiện nhằm kiểm định mô hình lý thuyết và qua đó xác định cường độ tác động của từng yếu tố ảnh hưởng đến biến phụ thuộc của mô hình nghiên cứu. Phân tích hồi quy tuyến tính được thực hiện như sau:
Phương pháp đưa biến vào phân tích hồi quy là phương pháp đưa các biến cùng một lượt (phương pháp Enter).
Để đánh giá độ phù hợp của mô hình hồi quy đối với tập dữ liệu, ta sử dụng hệ số R2 hiệu chỉnh (Adjusted R Square).
Kiểm định F để xem xét mức độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Kiểm định T để bác bỏ giả thuyết các hệ số hồi quy của tổng thể bằng 0. Đánh giá mức độ tác động (mạnh hay yếu) giữa các biến tác động thông qua hệ số Beta.
Sau cùng, nhằm đảm bảo độ tin cậy của phương trình hồi quy được xây dựng cuối cùng là phù hợp, một loạt các dò tìm vi phạm của giả định cần thiết trong hồi quy tuyến tính cũng được thực hiện. Các giả định được kiểm định trong phần này gồm giả định liên hệ tuyến tính, phương sai của phần dư không đổi, phân phối chuẩn của phần dư, tính độc lập của phần dư, hiện tượng đa cộng tuyến.
Phương pháp phân tích phương sai ANOVA
Phân tích phương sai ANOVA là phương pháp so sánh trị trung bình của 3 nhóm trở lên.
Có 2 kỹ thuật phân tích phương sai: ANOVA 1 yếu tố (một biến yếu tố để phân loại các quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố (2 hay nhiều biến để phân loại). Ở phần thực hành cơ bản chỉ đề cập đến phân tích phương sai 1 yếu tố (One-way ANOVA).
Phân tích phương sai một yếu tố dùng để kiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%.
Theo Hair và cộng sự (2010), một số giả định đối với phân tích phương sai một yếu tố:
Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên.
Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn.
Dựa vào mức ý nghĩa (Sigα) để kết luận:
Nếu sigα <0.05: có sự khác biệt có ý nghĩa thống kê. Nếu sigα>= 0.05: chưa có sự khác biệt có ý nghĩa thống kê.
TÓM TẮT CHƯƠNG 3
Chương này đã trình bày cách thức thực hiện các nghiên cứu sơ bộ (nghiên cứu định tính), nghiên cứu chính thức (nghiên cứu định lượng).
Nghiên cứu sơ bộ được thực hiện bằng hai phương thức là Phỏng vấn chuyên gia và Phỏng vấn nhóm khách hàng để hiệu chỉnh mô hình nghiên cứu và các nội dung đo lường các khái niệm nghiên cứu mà đề tài sử dụng nhằm mục đích hoàn thiện bảng khảo sát để phục vụ cho việc thu thập dữ liệu của nghiên cứu.
Nghiên cứu chính thức, tác giả sử dụng phương pháp nghiên cứu định lượng với phương pháp chọn mẫu ngẫu nhiên. Kích thước mẫu nghiên cứu lựa chọn số lượng mẫu là 250 để tăng độ chính xác cho các kết quả nghiên cứu. Một số tiêu
chuẩn cho phân tích dữ liệu cũng được tác giả đưa ra khi phân tích dữ liệu bằng phần mềm SPSS.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU