CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.3 Phương pháp nghiên cứu định lượng
Nghiên cứu định lượng được thực hiện thông qua hình thức thu thập thông tin bằng cách gửi bảng câu hỏi điều tra tại Khoa Khám bệnh tại Bệnh viện Đa khoa An Phước. Sau khi thu thập, các bảng câu hỏi phỏng vấn được xem xét và loại đi những bảng không đạt yêu cầu. Số liệu thu thập được phân tích bằng phần mềm SPSS 20.0, quá trình phân tích phân tích dữ liệu được thực hiện qua các giai đoạn sau: Nghiên cứu sẽ mã hóa, nhập liệu và làm sạch dữ liệu. Sau đó, nghiên cứu sử dụng nhiều công cụ phân tích như thống kê mô tả, bảng tần số, đồ thị, kiểm định độ tin cậy thang đo (Cronbach's Alpha), phân tích nhân tố khám phá (EFA), phân tích hồi quy đa biến.
• Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Sử dụng kiểm định Cronbach’s Alpha để đánh giá độ tin cậy của thang đo đối với các yếu tố ảnh hưởng đến sự hài lòng của khách hàng. Qua đó các tiêu chí được chấp nhận nếu hệ số Cronbach Alpha > 0,6. Mức giá trị hệ số Cronbach's Alpha:
- Từ 0,8 đến gần bằng 1: thang đo lường rất tốt.
- Từ 0,7 đến gần bằng 0.8: thang đo lường sử dụng tốt. - Từ 0,6 trở lên: thang đo lường đủ điều kiện.
Một tiêu chí được chấp nhận nếu hệ số tương quan biến - tổng hiệu chính (Corrected Item - Total Correlation) > 0,3.
• Phân tích nhân tố khám phá EFA
Sau khi loại các biến không đảm bảo độ tin cậy, phương pháp phân tích nhân tố khám phá (EFA) được ứng dụng về thu nhỏ tập các biến quan sát và nhận diện các nhân tố mới là các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với chất lượng dịch vụ khám sức khoẻ tại các Bệnh viện Đa khoa An Phước tỉnh Bình Thuận. Đây là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt dữ liệu rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau đươc xem xét dưới dạng một số các nhân tố
cơ bản. Mỗi một biến quan sát sẽ được tính một tỷ số gọi là hệ số tải nhân tố (factor loading).
Trong phân tích nhân tố EFA:
- Đánh giá chỉ số Kaiser - Mayer - Olkin (KMO) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố khám phá (EFA), trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 có nghĩa là phân tích nhân tố là thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hair et al.,2006).
- Kiểm định Bartlett dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Kiểm định Bartlett phải có ý nghĩa thống kê (Sig <0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
- Kiểm định mức độ giải thích của các biến quan sát đối với nhân tố. Sử dụng phương sai trích (% cumulative variance) để đánh giá mức độ giải thích của các biến quan sát đối với nhân tố. Trị số phương sai trích nhất thiết phải lớn hơn 50%. Ví dụ khi phương sai trích là 65% có nghĩa là 65% thay đổi của các nhân tố được giải thíchbởi các biến quan sát (thành phần của Factor). Và Eigenvalue phải có giá trị lớn hơn 1 (Gerbing và Anderson, 1988).
• 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.
• Phân tích hồi quy đa biến (Multiple Regression Analysis, MRA)
- Kiểm định tương quan từng phần của các hệ số hồi quy. Mục tiêu của kiểm định này nhằm xem xét biến độc lập tương quan có ý nghĩa với biến phụ thuộc hay không (xét riêng từng biến độc lập). Khi mức ý nghĩa (Significance, Sig.) của hệ số
hồi quy từng phần có độ tin cậy ít nhất 95% 0,05), ta kết luận tương quan có ý nghĩa thống kê giữa biến độc lập và biến phụ thuộc. Mức độ phù hợp của mô hình: Mục tiêu của kiểm định này nhằm xem xét có 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 nếu có ít nhất một hệ số hồi quy khác không.
Giả thuyết: Ho: các hệ số hồi quy đều bằng không H1: có ít nhất một hệ số hồi quy khác không
- Sử dụng phân tích phương sai (Analysis of Variance, ANOVA) để kiểm định. Nếu mức ý nghĩa đảm bảo có độ tin cậy ít nhất 95% (Sig . < 0,05), chấp nhận giả thiết H1, mô hình được xem là phù hợp.
- Kiểm định sự tương quan bằng trị số thống kê Durbin - Watson: sẽ có giá trị dao động trong khoảng từ 0 đến 4. Tùy vào giá trị d mà quyết định xem có tương quan chuỗi bậc nhất hay không. Trước khi tìm hiểu khái niệm kiểm định DURBIN- WATSON các bạn phải hiểu về tính tự tương quan và tương quan trong kiểm định. Nói cách khác trong phép tính của mô hình hồi quy tuyến tính cổ điển tồn tại một giá trị phần dư hay Cov(ui,uj) = 0 với mọi i, j. Nếu tồn tại i và j mà Cov(ui,uj) ≠ 0: thì kết luận có tự tương quan. Thông thường chúng ta hay xét tới chỉ số tương quan bậc nhất khi so sánh giá trị sai số Ut với Ut-1 (sai số một kỳ trước đó). Chính hiện tượng tự tương quan sẽ làm các ước lượng tính được bằng phương pháp OLS không còn là ước lượng hiệu quả.
Nếu 1 < d < 3 thì kết luận mô hình không có tự tương quan. Nếu 0 < d < 1 thì kết luận mô hình có tự tương quan dương. Nếu 3 < d < 4 thì kết luận mô hình có tự tương quan âm.
- Kiểm định Park: là một phương pháp kiểm định hiện tượng phương sai của sai số thay đổi trong các mô hình hồi quy. Đây là một phương pháp kiểm định cho kết quả khá chính xác, tuy nhiên hạn chế của phương pháp này là nó chỉ áp dụng được đối với mô hình hồi quy đơn.