PHƯƠNG PHÁP VÀ MÔ HÌNH NGHIÊN CỨU
2.3.2.3. Hồi quy và kiểm định mô hình
Sử dụng phần mềm SPSS, dữ liệu sau khi được mã hóa và làm sạch, sẽ được phân tích thống kê mô tả, đánh giá độ tin cậy của các thang đo, phân tích yếu tố khám phá và phân tích hồi quy. Các bước thực hiện bao gồm: Kiểm định thang đo bằng hệ số tin cậy Cronbach’s Alpha, loại bỏ các biến có hệ số tương quan giữa biến và tổng nhỏ. Sau đó, các biến phù hợp sẽ được sử dụng để phân tích yếu tố khám phá (EFA) và loại bỏ các biến có thông số nhỏ bằng cách kiểm tra các hệ số tải yếu tố (Factor loading) và các phương sai trích được. Cuối cùng, đánh giá sự phù hợp của mô hình nghiên cứu thông qua hệ số KMO và chạy mô hình hồi quy để kiểm định sự phù hợp của mô hình bằng chỉ tiêu R2 hiệu chỉnh, phân phối chuẩn của phần dư, đa cộng tuyến và tự tương quan.
Kiểm định Cronbach’s Alpha đối với các thang đo
Được đánh giá thông qua hệ số tin cậy tổng hợp (ρc Composite reliability), tổng phương sai trích được (ρvcVariance extracted), hệ số tin cậy (Cronbach’s Alpha α). Trong đó, theo Hair và cộng sự (1998), phương sai trích phản ánh lượng biến thiên chung của các biến quan sát được giải thích bởi biến tiềm ẩn; độ tin cậy tổng hợp đo lường độ tin cậy của tập hợp các biến quan sát. Tiêu chuẩn đánh giá mức độ phù hợp của mô hình thể hiện bởi độ tin cậy của thang đo là ρc > 0,5 hoặc ρvc>0,5; hoặc α ≥0,6 (Creswell, 2002).
Mục đích việc đánh giá sơ bộ độ tin cậy và giá trị của thang đo là để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác). Trong đó: Cronbach’s Alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) trong thang đo thông qua hệ số Cronbach’s Alpha. Nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach’s Alpha có giá trị từ 0,8 trở lên đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng được (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008); Nguyễn Đình Thọ (2011) đề nghị hệ số Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu. Tuy nhiên, Cronbach’s Alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Chính vì vậy, bên cạnh hệ số Cronbach’s Alpha, chúng ta còn sử
dụng hệ số tương quan biến tổng (item – total correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ.
Phân tích yếu tố khám phá EFA
Toàn bộ các biến quan sát có ý nghĩa và đạt được độ tin cậy nhất định sẽ được đưa vào phân tích EFA. Kỹ thuật phân tích EFA là tên chung của một nhóm thủ tục được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến (Nguyễn Đình Thọ, 2011). Trong nghiên cứu này, phân tích yếu tố được ứng dụng để tóm tắt tập các biến quan sát vào một số yếu tố nhất định để đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích EFA bao gồm:
- Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5≤ KMO ≤1 và sig< 0,05. Trường hợp KMO<0,5 thì phân tích yếu tố có khả năng không thích hợp với dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Tiêu chuẩn rút trích yếu tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các yếu tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích yếu tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các yếu tố có Eigenvalue <1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các yếu tố chỉ được rút trích tại Eigenvalue >1 và được chấp nhận khi tổng phương sai trích ≥50% (Nguyễn Đình Thọ, 2011).
- Tiêu chuẩn hệ số tải yếu tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các yếu tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và cộng sự (1998), Factor loading > 0,3 được xem là đạt mức tối thiểu; Factor loading >0,4 được xem là quan trọng; Factor loading >0,5 được xem là có ý nghĩa thực tiễn. Trường hợp chọn tiêu chuẩn Factor loading >0,3 thì cỡ mẫu ít nhất phải là 350; nếu cỡ mẫu khoảng 100 thì chọn tiêu chuẩn Factor loading >0,55; nếu cỡ mẫu khoảng 50 thì Factor loading >0,75. Ngoại lệ, có thể giữ lại biến có Factor loading <0,3; nhưng biến đó phải có giá
trị nội dung. Trường hợp các biến có Factor loading không thỏa mãn điều kiện trên hoặc trích vào các yếu tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận ≤ 0,3), nghĩa là không tạo nên sự khác biệt để đại diện cho một yếu tố, thì biến đó bị loại và các biến còn lại sẽ được nhóm vào yếu tố tương ứng trên ma trận mẫu (Pattern Matrix).
Phân tích hồi quy bội
Sau cùng, nghiên cứu dùng phương pháp phân tích hồi quy bội với các quan hệ tuyến tính để kiểm định các yếu tố gây ra chậm tiến độ và vượt dự toán các dự án đầu tư công, từ đó tính được mức độ quan trọng của từng yếu tố.
Ðể xét mối quan hệ này ta sử dụng một số các chỉ tiêu như sau:
Hệ số tương quan Pearson (Pearson correlation coefficient, kí hiệu ρ) đo lường mức độ tương quan tuyến tính giữa hai biến. Hệ số tương quan Pearson (ρ) sẽ nhận giá trị từ +1 đến -1. ρ > 0 cho biết một sự tương quan dương giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm tăng giá trị của biến kia và ngược lại. ρ < 0 cho biết một sự tương quan âm giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm giảm giá trị của biến kia và ngược lại.
Giá trị tuyệt đối của ρ càng cao thì mức độ tương quan giữa 2 biến càng lớn hoặc dữ liệu càng phù hợp với quan hệ tuyến tính giữa hai biến.
Công thức tính toán hệ số tương quan ρ như sau:
Trong đó, ρX, Y là hệ số tương quan giữa hai biến ngẫu nhiên X và Y với kỳ vọng tương ứng là μX; μY và độ lệch chuẩn σX; σY,
E là toán tử tính kỳ vọng và cov là hiệp phương sai. Phương trình hồi quy bội:
Phương trình hồi quy bội được xây dựng nhằm ước lượng tác động của các biến động lập X1, X2, X3,…,Xk đến biến phụ thuộc Y, có dạng
Y = 0 + 1X1 + 2X2 + 3X3 + .... + kXk + U
Xk là các biến độc lập của mô hình, dự kiến có tác động đến Y,
k là hệ số hồi quy, U là sai số.
Phương pháp ước lượng các hệ số hồi quy trong phương trình hồi quy bội thường được sử dụng là phương pháp ước lượng bình phương nhỏ nhất OLS. Về mặt trực giác, OLS là việc ước lượng đường thẳng qua các điểm số liệu trong mẫu sao cho tổng khoảng cách bình phương sai số là nhỏ nhất.
Phương pháp ước lượng OLS có các giả thuyết như sau:
1. Mô hình hồi quy là tuyến tính theo các hệ số: Điều này có nghĩa là quá trình thực hành hồi quy trên thực tế được miêu tả bởi mối quan hệ dưới dạng: Y = 0 + 1X1 + 2X2 + 3X3 + .... + kXk + U.
2. Kỳ vọng của các yếu tố ngẫu nhiên bằng 0: Trung bình tổng thể sai số là bằng 0. Điều này có nghĩa là có một số giá trị sai số mang dấu dương và một số giá trị sai số mang dấu âm.
3. Không có sự tương quan giữa các yếu tố sai số: Không có sự tương quan giữa các quan sát của yếu tố sai số (không có tương quan chuỗi). Nếu chúng ta xem xét các chuỗi số liệu thời gian (dữ liệu được thu thập từ một nguồn trong nhiều khoảng thời gian khác nhau). Yếu tố sai số i trong khoảng thời gian này không có bất kỳ một tương quan nào với yếu tố sai số trong khoảng thời gian trước đó.
4. Sai số ngẫu nhiên và biến độc lập không tương quan với nhau: Điều này có nghĩa là khi bất kỳ biến giải thích nào mà lớn hơn hay nhỏ đi thì yếu tố sai số sẽ không thay đổi theo nó.
5. Phương sai của sai số không đổi với mọi Ui. Tất cả giá trị U được phân phối giống nhau với cùng phương sai σ2
, sao cho Var(Ui) = E(Ui2)= σ2 .
Với các giả thiết 1-5 của phương pháp OLS, các ước lượng OLS là các ước lượng tuyến tính, không chệch và có phương sai nhỏ nhất trong lớp các ước lượng tuyến tính không chệch (Định lý Gauss – Markov).
Tóm tắt Chương 2:
Chương 2 trình bày quy trình nghiên cứu, thiết kế nghiên cứu cho hai mô hình nghiên cứu của tác giả: mô hình về mối quan hệ giữa thời gian và chi phí thực hiện dự án đầu tư công - trường hợp tại thành phố Hồ Chí Minh và mô hình các yếu tố ảnh hưởng đến chậm tiến độ và vượt dự toán các dự án đầu tư công tại Việt Nam. Trong từng mô hình, tác giả cũng đề xuất phương pháp nghiên cứu và các giả thuyết nghiên cứu. Đối với nghiên cứu định tính, tác giả sử dụng kỹ thuật phỏng vấn và thảo luận nhóm với các chuyên gia trong lĩnh vực quản lý dự án đầu tư công. Nghiên cứu định lượng nêu cụ thể về mẫu dữ liệu nghiên cứu, xây dựng thang đo và phương pháp phân tích, phương pháp hồi quy và kiểm định mô hình để xác định kết quả nghiên cứu cụ thể tại Chương 3.
Chương 3