Tồn bộ quá trình phân tích số liệu được thực hiện trên phần mềm IBM SPSS 22 với trình tự 7 bước như sau:
Thu thập và xử lý số liệu 1. Mã hĩa dữ liệu 2. Nhập dữ liệu 3. Làm sạch dữ liệu Thống kê mơ tả
1. Đặc điểm nhân khẩu học
2. Kết quả tìm việc trở lại
Đánh giá độ tin cậy của thang đo
Phân tích
Cronbach’s Alpha
Phân tích nhân tố khẳng định (CFA)
1. Kiểm định tính đơn hướng 2. Kiểm định giá trị hội tụ 3. Kiểm định giá trị phân biệt
Phân tích nhân tố khám phá (EFA)
1. Kiểm định KMO và Bartlett 2. Phương pháp trích nhân tố Principal Component với phép xoay Varimax
Kiểm định giả thuyết nghiên cứu bằng mơ hình cấu trúc tuyến tính (SEM)
1.Đánh giá độ tin cậy và tính chính xác của các thang đo
2.Đánh giá mức độ tác động giữa các nhân tố theo giả thuyết
Kiểm định sự khác biệt ANOVA
Phân tích sự khác biệt trong kết quả tìm việc trở lại của thanh niên thất nghiệp trên địa bàn Thành phố Hà Nội theo các tiêu chí khác nhau
Hình 3.3: Quy trình phân tích số liệu
Nguồn: Đề xuất của tác giả
Thu thập và xử lý số liệu: như đã trình bày ở trên, số liệu sau khi thu thập sẽ được mã hố, nhập và làm sạch trên phần mềm IBM SPSS 22.
Thống kê mơ tả: Sử dụng các thống kê tần số và tần suất vào việc mơ tả mức độ đánh giá các nhân tố tác động đến kết quả tìm việc trở lại, yếu tố cấu thành nên kết quả tìm việc trở lại và các đặc điểm nhân khẩu của đối tượng thu thập thơng tin trong mẫu nghiên cứu.
Thống kê mơ tả được sử dụng để mơ tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mơ tả cung cấp những tĩm tắt đơn giản về mẫu và các thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu. Bước đầu tiên để mơ tả và tìm hiểu về đặc tính phân phối của một bảng số liệu thơ là lập bảng phân phối tần số. Sau đĩ, sử dụng một số hàm để làm rõ đặc tính của mẫu phân tích. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các phương pháp cơ bản của mơ tả dữ liệu. Cĩ rất nhiều kỹ thuật hay được sử dụng, cĩ thể phân loại các kỹ thuật này như sau:
- Biểu diễn dữ liệu bằng đồ họa trong đĩ các đồ thị mơ tả dữ liệu hoặc giúp so sánh dữ liệu;
- Biểu diễn dữ liệu thành các bảng số liệu tĩm tắt về dữ liệu;
- Thống kê tĩm tắt (dưới dạng các giá trị thống kê đơn nhất) mơ tả dữ liệu
Đánh giá độ tin cậy của thang đo: Để đánh giá được độ tin cậy của thang đo tác giả đã sử dụng phân tích độ tin cậy Cronbach’s Alpha, từ đĩ kiểm tra tính thống nhất của các câu hỏi trong cùng một thang đo (Nguyễn Thị Tuyết Mai và Nguyễn Vũ Hùng, 2015). Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến khơng phù hợp vì các biến rác này cĩ thể tạo ra các yếu tố giả.
Hair và cộng sự (2006) đưa ra quy tắc đánh giá về hệ số Cronbach’s Alpha như sau:
e. Dưới 0,6: Thang đo nhân tố là khơng phù hợp (cĩ thể trong mơi trường nghiên cứu đối tượng khơng cĩ cảm nhận về nhân tố đĩ)
f. Từ 0,6 – 0,7: Chấp nhận được với các nghiên cứu mới g. Từ 0,7 – 0,8: Chấp nhận được
h. Từ 0,8 – 0,95: Tốt
i. Lớn hơn hoặc bằng 0,95: Chấp nhận được nhưng khơng tốt, nên xem xét các biến quan sát cĩ thể cĩ hiện tượng “trùng biến”.
Với cơ sở trên tác giả sẽ chấp nhận với mức Cronbach’s Alpha trên 0.6 là chấp nhận được.
phá EFA (Exploratory Factor Analysis) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Sử dụng phương pháp trích nhân tố Principal Component với phép quay Varimax với các biến quan sát cịn lại sau khi sử dụng phân tích Cronbach’s Alpha. Phân tích EFA được sử dụng trong phân tích dữ liệu nghiên cứu sẽ giúp rút gọn tập hợp các biến quan sát và phát hiện các nhĩm nhân tố mới. Sau phân tích Cronbach’s Alpha thì phân tích EFA là cơ sở để tác giả đánh giá và hiệu chỉnh lại thang đo 1 lần nữa. Trình tự thực hiện phân tích EFA sử dụng phương pháp tích nhân tố Principal Component với phép xoay Varimax như sau:
Bước 1: Tiến hành kiểm định Kaiser-Meyer-Olkin (KMO) và Bartlett để đánh giá sự thích hợp của phân tích nhân tố với dữ liệu và kiểm tra xem các biến quan sát cĩ tương quan với nhau trong tổng thể hay khơng. Phân tích nhân tố được xem là thích hợp với dữ liệu nghiên cứu khi hệ số KMO lớn hơn 0,5. Và giả thuyết cĩ sự tương quan giữa các biến quan sát trong tổng thể bị bác bỏ khi mức ý nghĩa của kiểm định Bartlett nhỏ hơn 0,05.
Bước 2: Nếu kiểm định KMO và Bartlett cho kết quả phân tích EFA là phù hợp với dữ liệu và khơng cĩ sự tương quan giữa các biến quan sát trong tổng thể. Sử dụng phương pháp tích nhân tố Principal Component với phép quay Varimax. Trong ma trận xoay nhân tố, tiến hành loại các biến quan sát cĩ “hệ số tải nhân tố” (factor loading) nhỏ hơn 0,5 (nếu cĩ).
Bước 3: Thực hiện lại phương pháp trích nhân tố Principal Component với các biến cịn lại. Lựa chọn các nhân tố cĩ giá trị Eigenvalues lớn hơn 1 và giá trị tổng “tổng phương sai trích” (total variance explained) lớn hơn 50%. Các nhân tố được lựa chọn là cơ sở để điều chỉnh lại mơ hình nghiên cứu của đề tài.
Sau khi kết thúc phân tích EFA, cần thực hiện đặt tên mới cho các nhĩm nhân tố (nếu các biến quan sát khơng tương quan với các nhân tố được trích, theo các nhĩm như trong thang đo ban đầu), xác định lại mơ hình nghiên cứu sau khi điều chỉnh để chuẩn bị cho giai đoạn phân tích tiếp theo.
Phân tích nhân tố khẳng định CFA: kiểm tra mơ hình đo lường cĩ đạt yêu cầu khơng, các thang đo cĩ đạt yêu cầu của một thang đo tốt hay khơng. Để đo lường mức độ phù hợp của mơ hình với dữ liệu, ta sử dụng các chỉ số Chi-square (CMIN), Chi-square điều chỉnh theo bậc tự do (CMIN/df), chỉ số thích hợp so sánh CFI, chỉ số Tucker & Lewis TLI, chỉ số RMSEA. Mơ hình được xem là phù hợp với dữ liệu khi kiểm định Chi-square cĩ P-value < 0.05. Nếu một mơ hình nhận
được các giá trị TLI, CFI > 0.9 (Bentler và Bonett, 1980); CMIN/df < 2 hoặc cĩ thể < 3 (McIver và Carmines, 1981); RMSEA < 0.08 (Steiger, 1990) được xem là phù hợp với dữ liệu. Ngồi ra khi phân tích CFA cịn thực hiện các đánh giá khác như đánh giá độ tin cậy thang đo, tính đơn nguyên, đơn hướng, giá trị hội tụ, giá trị phân biệt của thang đo.
Độ tin cậy tổng hợp: Trong phân tích nhân tố khẳng định CFA, độ tin cậy của thang đo được gọi là độ tin cậy tổng hợp (composite reliability). Đây là chỉ số đánh giá tốt hơn Cronbach alpha bởi vì nĩ khơng phạm sai lầm giả định độ tin cậy của các biến là bằng nhau (Anderson và Gerbing, 1988). Theo Hair Jr và cộng sự (1998) thang đo đảm bảo tin cậy khi độ tin cậy tổng hợp >0.7.
Tính đơn hướng: Kiểm tra các thang đo về tính đơn hướng là quan trọng trước khi kiểm tra độ tin cậy vì độ tin cậy khơng đảm bảo tính đơn hướng mà chỉ là giả định tính đơn hướng đã tồn tại (Hair Jr và cộng sự, 1998). Trong CFA, độ phù hợp của mơ hình với dữ liệu là điều kiện cần và đủ để xác định một tập các biến cĩ đạt tính đơn hướng hay khơng.
Phương sai trích: Thang đo cĩ giá trị nếu phương sai trích phải lớn hơn 0.5, nếu nhỏ hơn cĩ nghĩa là phương sai do sai số đo lường lớn hơn phương sai được giải thích bởi khái niệm cần đo, do đĩ thang đo khơng đạt giá trị. Giá trị hội tụ: được đánh giá dựa vào hệ số hồi quy nhân tố của từng biến của khái niệm tiềm ẩn nếu nĩ là đơn hướng. Nếu khái niệm tiềm ẩn là đa hướng thì giá trị hội tụ của khái niệm tiềm ẩn sẽ đạt yêu cầu khi giá trị hội tụ cho từng thành phần đều đạt.
Giá trị phân biệt: Giá trị phân biệt nhờ phân tích CFA sẽ đạt yêu cầu nếu thỏa mãn các tiêu chí sau: tương quan giữa hai thành phần của một khái niệm hay giữa hai khái niệm nhỏ hơn 1 một cách cĩ ý nghĩa; mơ hình thỏa mãn độ phù hợp với dữ liệu.
Phân tích mơ hình cấu trúc tuyến tính SEM: Phương pháp kiểm định giả thuyết và mơ hình nghiên cứu bằng cơng cụ SEM ngồi việc cĩ ưu điểm hơn so với các phương pháp truyền thống như hồi quy đa biến do tính được sai số đo lường, cịn cho phép kết hợp các khái niệm tiềm ẩn với đo lường của chúng với mơ hình lý thuyết cùng một lúc.
Kiểm định sự khác biệt ANOVA: phương pháp phân tích phương sai ANOVA (one-way ANOVA) để tìm ra sự khác biệt trong kết quả tìm việc trở lại của thanh niên thất nghiệp trên địa bàn TP. Hà Nội theo các đặc điểm cơ bản.
Tĩm tắt Chƣơng 3
Chương 3 tập trung trình bày về phần thiết kế nghiên cứu. Trong đĩ, cách tiếp cận nghiên cứu suy diễn với phương pháp nghiên cứu định lượng được xác định phù hợp cho nghiên cứu. Bên cạnh đĩ, tác giả trình bày quy trình xây dựng thang đo và bảng hỏi chi tiết, đồng thời, lý giải cơ sở xác định kích thước mẫu nghiên cứu và quy trình thu thập, xử lý và phân tích số liệu (trên phần mềm IBM SPSS 22). Trong nghiên cứu này, tác giả tập trung vào phân tích định lượng bằng các phương pháp/cơng cụ bao gồm: phân tích độ tin cậy Cronbach’s Alpha, Phân tích nhân tố khám phá EFA, phân tích nhân tố khẳng định CFA và cuối cùng là phân tích mơ hình cấu trúc tuyến tính SEM. Kết quả cụ thể của nghiên cứu định lượng được trình bày trong chương tiếp theo.
Chƣơng 4. KẾT QUẢ NGHIÊN CỨU