50
1. Bước 1: Kiểm tra sự phù hợp của các bảng câu hỏi thu thập được, mã hóa dữ liệu, nhập dữ liệu và tiến hành làm sạch dữ liệu bằng phần mềm SPSS 22.0
2. Bước 2: Phân tích thống kê mô tả: Tiến hành thống kê mô tả dữ liệu thu thập được;
3. Bước 3: Kiểm định độ tin cậy của thang đo bằng cách tính hệ số Cronbach’s Alpha và phân tích nhân tố khám phá EFA;
4. Bước 4: Phân tích hồi quy tuyến tính bội
5. Bước 5: Kiểm định mô hình và giả thuyết nghiên cứu
3.2.3.1 Kiểm định độ tin cậy thang đo bằng hệ số Cronbach’s Alpha
Trong phân tích độ tin cậy thang đo, hệ số Cronbach’s alpha được sử dụng khá phổ biến. Hệ số này được đánh giá bằng phương pháp nhất quán nội (Nguyễn Đình Thọ, 2014). Nhiều nhà nghiên cứu đề nghị, các mức giá trị của hệ số này nếu lớn hơn 0,8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử dụng được; từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc trong bối cảnh nghiên cứu mới (Nguyễn Đình Thọ, 2014) trước khi đưa vào phân tích nhân tố khám phá EFA.
Nguyên tắc kiểm định độ tin cậy dựa trên kết quả hệ số tin cậy Crobach’s alpha và việc cải thiện hệ số này có thể xem xét dựa trên giá trị “Cronbach’s alpha nếu loại biến”. Nếu tại một biến, mà giá trị Crobach’s alpha sau khi loại biến lớn hơn hệ số Cronbach’s alpha tính được thì có thể xem xét loại biến này đi nhằm cải thiện giá trị Crobach’s alpha được tốt hơn. Tuy nhiên, việc loại biến không chỉ đơn thuần dựa theo kết quả thống kê mà còn phải xem giá trị nội dung của biến quan sát này trong nghiên cứu, nếu nó quan trọng mà ta đang muốn nghiên cứu thì có thể giữ lại để đánh giá chính thức, ngược lại có thể xem xét loại bỏ. Ngoài ra, nếu giá trị tương quan biến - tổng của từng biến quan sát >= 0,4 thì biến này được xem là đạt yêu cầu và giữ lại trong thang đo (Nunnally và Bernstein, 1994).
51
Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố khám phá EFA để loại các biến không phù hợp vì các biến có thể tạo ra các biến giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011). Cũng theo Nguyễn Đình Thọ (2011), Cronbach’s Alpha là hệ số được ứng dụng phổ biến nhất khi đánh giá độ tin cậy của những thang đo đa biến (bao gồm từ 3 biến quan sát trở lên). Nó đo lường tính nhất quán của các biến quan sát trong cùng một thang đo để đo lường cùng một khái niệm.
Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach alpha từ 0,8 trở lên gần đến 1 thì thang đo là tốt (Nunnally và Bernstein, 1994), từ 0,7 đến gần 0,8 là sử dụng được (Peterson, 1994). Có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới đối với người trả lời trong bối cảnh nghiên cứu (Slater, 1995).
Hệ số tương quan biến tổng: Các biến quan sát có tương quan biến tổng nhỏ hơn 0.3 được xem là biến rác nên sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Cronbach’ Alpha đạt yêu cầu (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011).
Nguyên tắc kiểm định thang đo
Sau khi ứng dụng phần mềm SPSS để tính hệ số Cronbach’s Alpha (hệ số α), có thể cải thiện giá trị của hệ số này bằng cách: Quan sát cột “Cronbach alpha nếu loại biến, nếu ta thấy trong cột này còn có giá trị lớn hơn giá trị α mà ta thu được trước khi loại biến thì ta còn có thể cải thiện hệ số α bằng cách loại đi chính biến được chỉ định đó.
Trong đánh giá độ tin cậy thang đo, cần ghi nhận rằng Cronbach’s Alpha đo lường độ tin cậy của cả thang đo (Nguyễn Đình Thọ, 2011) chứ không tính độ tin cậy cho từng biến quan sát. Hơn thế, các biến trong cùng một thang đo dùng để đo lường cùng một khái niệm nghiên cứu nên chúng phải có tương quan chặt chẽ với nhau. Vì vậy, khi kiểm tra từng biến đo lường người ta sử dụng hệ số tương quan biến tổng (Nguyễn Đình Thọ, 2011). Nếu một biến đo lường có hệ số tương quan biến tổng (hiệu chỉnh) >= 0.3 thì biến đó đạt yêu cầu (Nunnally và Bernstein, 1994) (dẫn theo Iacobucci và Duhachek, 2003).
52
3.2.3.2 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát có mối tương quan với nhau thành một tập biến (Gọi là các nhân tố). Các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hết nội dung thông tin của tập biến quan sát ban đầu. Phân tích nhân tố khám phá được dùng để kiểm định giá trị, khái niệm của thang đo.
Điều kiện để sử dụng EFA với các biến quan sát đạt yêu cầu để được sử dụng trong phân tích nhân tố EFA là: Hệ số KMO: 0,5 ≤ KMO ≤ 1 , với mức ý nghĩa kiểm định Barlett ≤ 0.05.
- Kiểm định KMO (Kaiser- Meyer- Olkin) (1994) trích trong Nguyễn Đình Thọ (2011), KMO là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa hai biến quan sát với độ lớn của hệ số tương quan riêng phần của chúng.
- Kiểm định Barlett: Giả thuyết Ho là Ma trận đơn vị có hệ số tương quan giữa các biến bằng 0. Nếu sig < mức ý nghĩa thì bác bỏ giả thuyết Ho, tức là các biến có mối quan hệ với nhau.
Để đánh giá giá trị thang đo, cần xem xét ba thuộc tính quan trọng trong kết quả EFA: (1) số lượng nhân tố trích được; (2) trọng số nhân tố; và (3) tổng phương sai trích.
Số lượng nhân tố trích: tiêu chí Eigen-value được dùng để xácđịnh số lượngnhân tố trích. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố dừng có Eigen-value tối thiểu bằng 1 (>= 1) (Nguyễn Đình Thọ, 2011)
Trọng số nhân tốhay hệ số tải nhân tố (Factor loadings -FL): Theo Hair và cộng sự (1998, 111), trọng số nhân tố hay hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Trong phân tích nhân tố, trọng sốnhân tố của một biến trênnhân tố mà nó là một biến đo lường sau khi quay nhân tố phải cao và các trọng số trên nhân tố mà nó không đo lường phải thấp. Đạt được điều kiện này thang đo đạt được giá trị hội tụ (Nguyễn Đình Thọ, 2011). Theo đó, khi kiểm định trọng số nhân tố cần tuân thủ một số tiêu chí sau:
53
Một là, trọng số nhân tố của 1 biến Xi là λi >= 0,5 là chấp nhận được. Trong trường hợp λi < 0,5 chúng ta có thể xóa biến Xi vì nó thực sự không đo lường khái niệm chúng ta cần đo. Tuy vậy, nếu λi không quá nhỏ, ví dụ = 0,4 thì chúng ta không nên loại bỏ biến nếu nội dung của biến xét thấy có ý trong trong việc thể hiện thang đo (Nguyễn Đình Thọ, 2011). Theo Hair và cộng sự (1998,111), FL > 0,3 được xem là đạt được mức tối thiểu, FL > 0,4 được xem là quan trọng, FL >=0,5 được xem là có ý nghĩa thực tiễn. Việc chọn hệ số tải nhân tố còn phụ thuộc vào số mẫu, nếu chọn tiêu chuẩn FL > 0,3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0,55, nếu cỡ mẫu khoảng 50 thì Factor loading phải > 0,75 (Hair và cộng sự, 1998).
Hai là, chênh lệch trọng số: λi A - λi B >= 0,3 là giá trị thường được các nhà nghiên cứu chấp nhận (Nguyễn Đình Thọ, 2011). Nếu hai biến này tương đương nhau thì có thể cần phải loại bỏ biến này đi. Tuy nhiên cũng cần phải xem xét đến nội dung của biến trước khi loại bỏ.
Tổng phương sai trích: khiđánh giá kết quả EFA ta cần xem xét phần
tổngphương sai trích. Tổng này thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường. Nếu tổng này đạt từ 50% trở lên là được (tức là phần chung phải lớn hơn phần riêng và sai số) còn từ 60% trở lên là tốt (Nguyễn Đình Thọ, 2011). Thỏa được điều kiện này, ta kết luận mô hình EFA là phù hợp.
Trong bài nghiên cứu, nhóm tác giả phân tích EFA với các thang đo đã đạt yêu cầu trong kiểm định thang đo bằng Cronbach’s Anpha, phương pháp trích nhân tố sử dụng là Principal Component và phép xoay là Varimax. Số lượng nhân tố sẽ nhận tại điểm dừng Eigen-value tối thiểu bằng 1, yêu cầu về tổng phương sai trích đạt trên 50%, hệ số tải nhân tố trong đề tài chọn mức là lớn hơn hoặc bằng 0,4 vì mẫu nghiên cứu của đề tài dự kiến là 300 mẫu.
3.2.3.4 Phân tích hồi quy tuyến tính
Phân tích hồi quy tuyến tính để biết được mức độ tác động của các biến độc lập lên biến phụ thuộc. Từ đó, kiểm tra được độ thích hợp của mô hình, xây
54
dựng mô hình hồi quy bội, kiểm định các giả thuyết. Quy trình phân tích hồi quy tuyến tính được thực hiện qua các bước sau:
Bước 1: Kiểm tra tương quan giữa các biến độc lập với nhau và với biến phụ thuộc thông qua ma trận hệ số tương quan. Theo đó, điều kiện để phân tích hồi quy là phải có tương quan giữa các biến độc lập với nhau và với biến phụ thuộc. Tuy nhiên, theo John và Benet- Martinez (2000) (theo Henseler và cộng sự, 2015), khi hệ số tương quan < 0.85 thì có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tương quan > 0.85 thì cần xem xét vai trò của các biến độc lập, vì có thể xảy ra hiện tượng đa cộng tuyến (một biến độc lập này có được giải thích bằng một biến khác).
Bước 2: Xây dựng và kiểm định mô hình hồi quy.
Xây dựng mô hình hồi quy được thực hiện bằng cách toàn bộ các biến độc lập và phụ thuộc vào phân tích. Các giá trị của biến độc lập được tính là giá trị trung bình của thang đo.
Đánh giá độ phù hợp (mức độ giải thích) của mô hình bằng hệ số xác định R2 (R Square). Tuy nhiên, R2 có đặc điểm càng tăng khi đưa thêm các biến độc lập vào mô hình, mặc dù không phải mô hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế, R2 điều chỉnh (Adjust R Square) có đặc điểm không phụ thuộc vào số lượng biến đưa thêm vào mô hình được sử dụng thay thế R2 để đánh giá mức độ phù hợp của mô hình hồi quy bội.
Kiểm định độ phù hợp của mô hình với giả thuyết Ho: Không có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập (β1 = β2 =β3 =βn= 0). Nếu trị thống kê F có Sig rất nhỏ (< 0.05), thì giả thuyết Ho bị bác bỏ, khi đó chúng ta kết luận tập hợp các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu, vì thể có thể sử dụng được.
Xác định các hệ số của phương trình hồi quy, đó là các hệ số hồi quy riêng phần βk: đo lường sự thay đổi trung bình của biến phụ thuộc khi biến độc lập Xk thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy
55
nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lường của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để có thể so sánh các hệ số hồi quy với nhau, từ đó xác định tầm quan trọng (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lường độ lệch chuẩn beta (Beta chuẩn hóa).
Bước 3: Kiểm tra vi phạm các giả định trong hồi quy
Mô hình hồi quy được xem là phù hợp với tổng thể nghiên cứu khi không vi phạm các giả định. Vì thế, sau khi xây dựng được phương trình hồi quy, cần phải kiểm tra mô hình có bị các vi phạm giả định cần thiết sau đây:
- Phần dư của biến phụ thuộc có phân phối chuẩn; - Phương sai của sai số không đổi;
- Không có tương quan giữa các phần dư (tính độc lập của các sai số); - Không có tương quan giữa các biến độc lập (không có hiện tượng đa cộng
tuyến). Trong đó:
- Công cụ để kiểm tra giả định phần dư có phân phối chuẩn là đồ thị tần số Histogram hoặc kiểm định Jacque-Bera được đề xuất bởi Jacque và Bera (1987) (dẫn theo Đinh Kiệm, 2017)
- Công cụ để kiểm tra giả định sai số của biến phụ thuộc có phương sai không đổi là đồ thị phân tán của phần dư kết hợp hoặc phép kiểm định White, một kiểm định được cho là phổ biến và hiệu quả để kiểm tra hiện tượng phương sai sai số thay đổi.
- Công cụ được sử dụng để kiểm tra giả định không có tương quan giữa các phần dư là đại lượng thống kê d (Durbin - Watson), hoặc đồ thị phân tán phần dư chuẩn hóa (Scatter).
- Công cụ được sử dụng để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phương sai (Variance Inflation Factor - VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc
56
(2008), quy tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến; Trong khi đó, theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2013), khi VIF > 2 cần phải cẩn trọng hiện tượng đa cộng tuyến.
3.2.3.4 Kiểm định sự khác biệt giữa các nhóm
Tiến hành kiểm định giả thuyết đặt ra cho nhóm giả thuyết ... Kiểm định được thực hiện kiểm định về trị trung bình (hành vi chia sẻ tri thức) giữa các nhóm đối tượng khác nhau. Tùy thuộc vào số nhóm đối tương so sánh và hình dạng phân phối mà có thể sử dụng các phép kiểm định Independent - Sample T- Test, hoặc phân tích phương sai (ANOVA).
Independent - Samples T-Test được sử dụng trong trường hợp các yếu tố nhân khẩu học có hai thuộc tính (chẳng hạn, giới tính bao gồm: giới tính nam và giới tính nữ), vì thế chia tổng thể mẫu nghiên cứu làm hai nhóm tổng thể riêng biệt). Phân tích phương sai (ANOVA) được sử dụng trong trường hợp các yếu tố nhân khẩu học có ba thuộc tính trở lên, vì thế chia tổng thể mẫu nghiên cứu làm ba nhóm tổng thể riêng biệt trở lên. Điều kiện để thực hiện ANOVA là các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên; các nhóm so sánh phải có phân phối chuẩn hoặc cơ mẫu đủ lớn để tiệm cận với phân phối chuẩn; phương sai của các nhóm so sánh phải đồng nhất.
3.2.4 Kết quả kiểm định thang đo nháp
3.2.4.1 Kết quả tính hệ số Cronbach’a Anpha
Nghiên cứu thực hiện khảo sát sơ bộ 110 giảng viên nhằm kiểm định thang đo bằng việc tính hệ số Cronbach’a Anpha. Công cụ này giúp loại đi những biến quan sát, những thang đo không đạt. Các biến quan sát có hệ số tương quan biến tổng (Item – Total correlation) nhỏ hơn 0,3 sẽ bị loại và tiêu chuẩn chọn thang đo là Cronbach’s Alpha từ 0.6 trở lên. Kết quả đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s alpha và hệ số tương quan biến - tổng được diễn giải chi tiết dưới đây.
57
Bảng 3.3: Đánh giá độ tin cậy thang đo Sự tin tưởng (TR) Ký
hiệu
Trung bình thang đo nếu
loại biến
Phương sai thang đo nếu
loại biến
Tương quan biến tổng
Cronbach’s alpha nếu loại
biến Cronbach’s alpha = 0,902 TR1 17,255 6,283 .773 .876 TR2 17,291 6,061 .805 .869 TR3 17,227 6,159 .778 .875 TR4 16,727 7,063 .688 .895 TR5 16,991 6,431 .738 .883
Nguồn: Kết quả từ xử lý số liệu khảo sát
Bảng 3.3 cho thấy, thang đo niềm tin được đo lường qua 5 biến quan sát. Kết quả hệ số Cronbach’s alpha (lần 1) = 0,902 (> 0,6) và các giá trị tương quan biến - tổng của các biến quan sát dao động từ 0,688 đến 0,805 (> 0,4) vì thế thang đo này đạt độ tin cậy.
Bảng 3.4: Đánh giá độ tin cậy thang đo Giá trị của việc chia sẻ tri thức