CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Phương pháp phân tích dữ liệu
3.4.1. Phân tích thống kê mô tả
Thống kê mô tả là phương pháp được sử dụng nhằm phản ánh tổng quát đối tượng nghiên cứu qua việc thu thập số liệu, tóm tắt, tính toán và mô tả các đặc trưng của mẫu, qua đó đánh giá về mức độ đồng ý với các yếu tố thuộc biến độc lập, sử dụng một số tiêu chí: mức thấp nhất,mức cao nhất, trung bình, độ lệch chuẩn.
3.4.2. Kiểm định hai mẫu độc lập T – test
Mục đích của việc kiếm định hai mẫu độc lập là để xác định giả thuyết về sự tương đồng của hai giá trị trung bình (biến đổi định lượng) đối với biến định tính gồm hai giá trị. Giả thuyết được đưa ra là “Giá trị trung bình của 2 nhóm bằng nhau” (Nguyễn Trí Trung, 2007). Trước hết, ta xét số liệu của Kiểm định Levene để xem sự biến thiên của các nhóm có khác biệt không qua việc xét “sự ngang bằng các phương sai”. Giả thuyết được đưa ra là “Phương sai giữa 2 nhóm giá trị là đồng nhất”. Kết quả kiểm định Levene sẽ dẫn đến hai trường hợp như sau:
● Với mức ý nghĩa trong kiểm định (Sig. Levene) < 0.05, kết luận phương sai đánh giá của 2 nhóm trong biến định tính là khác nhau (không đồng nhất).
● Ngược lại, với mức ý nghĩa của kiểm định (Sig.Levene ) ≥ 0.05, kết luận phương sai đánh giá của 2 nhóm trong biến định tính là bằng nhau (đồng nhất).
Sau đó, ta tiếp tục nhận xét các thông số của kiểm định T tương ứng với kết luận giả thuyết về phương sai trước đó. Tiêu chí để xác định kết của của kiểm định là:
● Nếu mức ý nghĩa (Sig.) trong kiểm định T < 0.05 thì có sự khác biệt có ý nghĩa về điểm trung bình đánh giá giữa 2 nhóm đối tượng trong biến định tính.
● Nếu mức ý nghĩa (Sig.) trong kiểm định T ≥ 0.05 thì chưa có sự khác biệt có ý nghĩa về điểm trung bình đánh giá giữa 2 nhóm đối tượng trong biến định tính.
3.4.3. Phân tích phương sai ANOVA
Với những biến định tính gồm 3 giá trị trở lên, chúng ta sử dụng phương pháp phân tích phương sai một yếu tố ANOVA để xem xét sự khác biệt giữa các giá trị trung bình của biến định tính, thay vì dùng kiểm định T-test. Phân tích phương sai ANOVA
cũng bắt đầu với kiểm định sự khác biệt phương sai giữa các nhóm trong biến định tính. Quá trình phân tích dẫn đến 2 trường hợp:
● Khi Sig. của thống kê Levene có giá trị > 0.05 thì ta kết luận phương sai của các yếu tố trong biến định tính là không khác nhau. Do vậy, ta tiếp tục bước tiếp theo là sử dụng dữ liệu ở bảng ANOVA để đánh giá. Nếu giá trị Sig của bảng ANOVA < 0.05, ta kết luận rằng có sự khác biệt giữa các giá trị trung bình của các nhóm trong biến định tính với biến định lượng đang xét. Ngược lại, nếu giá trị sig của bảng ANOVA > 0.05 thì sẽ không có sự khác biệt.
● Trường hợp mức giá trị (sig) của Thống kê Levene < 0.05 thì phương sai của các yếu tố trong biến định tính là khác nhau. Ta sẽ không thể dùng kết quả của bảng ANOVA để nhận xét mà sử dụng kiểm định Welch để thay thế (Phạm Lộc, 2016).
3.4.4. Kiểm định độ tin cậy Cronbach’s Alpha
Theo Nguyễn Đình Thọ (2012), để phân tích dữ liệu điều đầu tiên chúng ta cần làm là đánh giá độ tin cậy thang đo. Độ tin cậy thường dùng nhất là hệ số Cronbach’s Alpha. Các tiêu chuẩn sử dụng trong kiểm định độ tin cậy như:
“Loại các biến quan sát mà hệ số tương quan biến tổng (Corrected Item – Total Correlation) nhỏ hơn 0.3, tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0.6 (Alpha càng lớn, thì độ tin cậy nhất quán càng cao)” (Nunally & Bernstein, 1994).
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005), Cronbach’s Alpha từ 0.8 đến gần 1 thì thang đo lường tốt, từ 0.7 đến 0.8 là sử dụng được. Trong trường hợp “khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu”, giá trị Cronbach alpha từ 0.6 trở lên là có thể sử dụng được.
Hệ số Cronbach’s Alpha nếu loại biến đang quan sát (Cronbach's Alpha if Item Deleted) thông thường sẽ đánh giá cùng hệ số tương quan biến tổng (Corrected Item – Total Correlation). Nếu giá trị Cronbach's Alpha if Item Deleted > hệ số Cronbach Alpha và Corrected Item – Total Correlation < 0.3 thì ta sẽ loại biến quan sát.
Điều kiện tối thiểu để thực hiện kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha là mỗi nhân tố trong mô hình nghiên cứu phải có ít nhất 2 biến quan sát. Tất cả 7 nhân tố trong mô hình của nhóm nghiên cứu đều đáp ứng yêu cầu này.
3.4.5. Phân tích nhân tố khám phá EFA
Sau khi kiểm định độ tin cậy Cronbach’s Alpha, chúng ta tiến hành đưa các biến phân tích rút trích nhân tố EFA. Theo Hair cùng cộng sự (2014), Phân tích nhân tố khám phá (EFA) là kỹ thuật thống kê đa biến hữu ích để trích xuất thông tin hiệu quả từ các khối dữ liệu lớn liên quan đến nhau. Trước khi tiến hành thực hiện kiểm định phân tích rút trích nhân tố khám phá EFA, chúng ta cần kiểm định điều kiện để thực hiện phân tích EFA. Thông thường, các nhà nghiên cứu sử dụng hệ số KMO (Kaiser- Meyer-Olkin) và kiểm định Bartlett.
● 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Hệ số KMO lớn có ý nghĩa phân tích nhân tố đó là thích hợp.
● Kiểm định Bartlett có mức ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Các tham số thống kê tiếp theo trong phân tích nhân tố khám phá EFA: Correlation matrix – cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích; Eigenvalue – chỉ số xác định số lượng yếu tố. Những yếu tố phù hợp và được để lại trong mô hình phải là những yếu tố có trị số Eigenvalue lớn hơn 1; Ma trận xoay (Rotated Component Matrix) – Gồm những hệ số biểu nhân tố, giúp đơn giản hóa việc giải thích yếu tố và biến.; Factor loading – hệ số tải nhân tố là những hệ số tương quan đơn giữa các biến và các nhân tố. Với hệ số tải nhân tố lớn hơn hoặc bằng 0.5 thì biến quan sát được nhận xét là “có ý nghĩa thống kê tốt” (Hair và cộng sự, 1998). Các nhân tố có hệ số này dưới 0.5 sẽ bị loại khỏi mô hình.
3.4.6. Phân tích hồi quy và kiểm định giả thuyết
Mô hình hồi quy bội (Multiple Linear Regression) thể hiện mối quan hệ giữa hai hay nhiều biến độc lập định lượng với biến phụ thuộc định lượng, theo Nguyễn Đình Thọ (2012). Theo Hoàng Trọng, Mộng Ngọc (2005), phân tích hồi quy dùng để tìm hiểu “biến nào có vai trò quan trọng hơn trong việc dự đoán giá trị lý thuyết của Y”. Các biến độc lập định lượng trong nghiên cứu bao gồm: Thái độ cá nhân (TD), Nhận thức kiểm soát hành vi (NTKS), Nhận thức xã hội (NTXH), Vốn xã hội (VXH), Vốn con người
(VCN), Tính cách cá nhân (TC). Biến phụ thuộc định lượng ở đây là: Ý định trở thành Freelancer của giới trẻ trên địa bàn thành phố Hà Nội (YD).
Trị số kiểm định F – “thước đo ý nghĩa chung của mô hình hồi quy” (Đinh Công Khải, 2011) đánh giá mức độ thích hợp của mô hình, F được tính từ R – Square nhằm đảm bảo điều kiện Sig. < 0.05. Hệ số R – Square được điều chỉnh (Adjusted R – Square) thể hiện mức độ tương quan giữa biến độc lập và biến phụ thuộc, hệ số càng lớn thì mức độ liên quan càng lớn.