3.1.179. Mẫu được chọn theo phương pháp thuận tiện, phi xác suất ( hay phi ngẫu
nhiên). “ Lý do quan trọng khiến người ta sử dụng phương pháp chọn mẫu phi xác suất là tính tiết kiệm về chi phí và thời gian'” (theo Cooper và Schindler, 1998). Việc xác định cỡ mẫu là bao nhiêu vẫn còn gây tranh cãi với nhiều quan điểm khác nhau. MacCallum và đồng ác giả đã tóm tắt quan điểm của các nhà nghiên cứu trước đó về con số tuyệt đối mẫu tối thiểu cần cho phân tích nhân tố. Trong đó, Gorsuch (1983) và Kline ( 1979) đề nghị con số thích hợp là 100, còn Guilford ( 1954) cho rằng con số đó phải là 200. Comrey và Lee (1992) thì không đưa ra con số cố định mà đưa ra những con số khác nhau với những nhận định tương ứng: 100= tệ, 200= khá, 300= tốt, 500= rất tốt, 1000 hoặc hơn= tuyệt vời.
3.1.180. Một số nhà nghiên cứu thì không đưa ra con số cụ thể về số mẫu cần
thiết kế
trong nghiên cứu mà chỉ đưa ra tỉ lệ giữa số mẫu cần thiết và tham số cần ước lượng. Đối với phân tích nhân tố, kích thước mẫu sẽ phụ thuộc vào số lượng biến được đưa ra trong phân tích nhân tố. Theo Gorsuch (trích bởi MacCallum và đồng tác giả, 1999) thì số lượng mẫu cần gấp 5 lần so với số lượng biến là thích hợp. Cùng cùng hướng suynghĩ đó, “ Cỡ mẫu ít nhất phải bằng 4 hay 5 lần sổ biến trong phân tích nhân tổ’”
(Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008); “ Để có thể phân tích nhân tổ khám phá cần thu thập dữ liệu với kích thước mẫu ít nhất 5 mẫu trên 1 biến quan sát”” (Hair & ctg, 1998). Nghiên cứu có 27 biến quan sát, vậy cần ít nhất là 135 mẫu. Tuy nhiên, để đạt được mức độ tin cậy cao trong nghiên cứu, cỡ mẫu trong nghiên cứu được chọn là 150 mẫu
3.1.181. Phương pháp phân tích dữ liệu chủ yếu được sử dụng trong nghiên
cứu này là
phân tích nhân tố khám phá EFA và phân tích hồi quy tuyến tính bội 3.1.182. * Phương pháp phân tích dữ liệu:
3.1.183. Phần mềm SPSS 16 được sử dụng để xử lý và phân tích số liệu. Các
phương pháp
phân tích được sử dụng trong nghiên cứu là:
- Lập bảng tần số để mô tả mẫu thu thập theo các thuộc tính như giới tính, chức vụ, số năm làm việc và trình độ học vấn
- Cronbach alpha: phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach alpha. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số Cronbach alpha từ 0,6 trở lên có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). - Phân tích nhân tố khám phá EFA: Sau khi đánh giá độ tin cậy của thang đo bằng
hệ số Cronbach’s alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu.
Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Khi phân tích nhân tố khám phá cần chú ý một số điều kiện sau: -
3.1.184. + Trị số KMO > 0,5 và mức ý nghĩa của kiểm định Bartlett’s < 0,05
( Hair và
3.1.185. + Phương pháp trích hệ số được sử dụng là Principal Components
với phép
xoay Varimax. Những nhân tố có Eigenvalue > 1 được giữ lại mô hình(Gerbing & 34 Anderson, 1988). Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi các nhân tố. Thang đo được chấp nhận khi tổng phương sai trích > 0,5 (Gerbing & Anderson, 1988). Các biến quan sát có trọng số factor loading < 0,5 sẽ bị loại (Hair và cộng sự, 2006).
- Xây dựng phương trình hồi quy tuyến tính bội: Sau khi rút trích được các nhân tố từ phân tích nhân tố khám phá EFA, tiến hành dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bội như kiểm tra phần dư chuẩn hoá, dò tìm hiện tượng đa cộng tuyến thông qua kiểm tra hệ số phóng đại phương sai VIF (Variance inflation factor - VIF). Điều kiện để không có hiện tượng đa cộng tuyến xảy ra trong mô hình hồi quy thì các hệ số VIF <= 2. Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tính bội được xây dựng
- Khi phân tích hồi quy cần xem xét các điều kiện:
■ Số quan sát (cỡ mẫu) phải lớn hơn hệ số hồi quy ước lượng (=1 + số biến độc lập). với cỡ nghiên cứu lớn hơn nên hiển nhiên điều kiện này của nghiên cứu thỏa mãn.
■ Tất cả các giá trị quan sát của một biến không được giống nhau, phải có ít nhất một giá trị khác biệt. kiểm tra dữ liệu nghiên cứu cho kết quả phù hợp với điều kiện.
■ Các giá trị quan sát được cho và không ngẫu nhiên. Vì dữ liệu thu thập theo đánh giá và cảm nhận từ khách hàng sử dụng thẻ, nên dữ liệu nghiên cứu là được cho và không phải là được chọn ngẫu nhiên. Nên, hoàn toàn phù hợp.
■ Đa cộng tuyến (Multicplinearity): là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau và cung cấp cho mô hình những thông tin rất giống nhau và khó tách ảnh hưởng của từng biến một. Đa cộng tuyến khiến cho việc diễn dịch kết quả có thể sai lầm vì nó làm đổi dấu kì vọng của các hệ số đi theo các biến độc lập. vì vây, chúng ta phải kiểm tra độ tương quan giữa các biến này để đảm bảo không xảy ra hiện tượng đa cộng tuyến.
■ Hệ số R 2 hiệu chỉnh: phản ánh mức độ phù hợp của mô hình hồi quy đa
biến. hệ số này có thể thay đổi từ 0 đến 1. Vì R 2 sẽ tăng khi đưa thêm biến độc lập
nên dùng R 2 hiệu chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình. R 2hiệu chỉnh càng lớn thể hiện độ phù hợp của mô hình càng cao. Tuy nhiên, sự phù
hợp này chỉ đúng với dữ liệu mẫu. Để kiểm định xem có thể suy diễn mô hình cho tổng thể thực hay không ta phải kiểm định độ phù hợp của mô hình thông qua kiểm
định F.
■ Hệ số ý nghĩa (sig) trong kiểm định F (kiểm định ANOVA): Kiểm định F để kiểm tra tính phù hợp của mô hình với tập dữ liệu gốc. Nếu mức ý nghĩa của kiểm định < 0.05 thì ta có thể kết luận mô hình hồi quy phù hợp với tập dữ liệu, nghĩa là tồn tại mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc (bác bỏ giả thuyết H 0, chấp nhận giả thuyết H-ị : có ít nhất một giá trị beta khác 0).
■ Hệ số sig trong kiểm định t: dựa vào bảng kiểm định hệ số hồi quy nếu hệ
số sig <0.05 thì hệ số beta tương ứng sẽ được chọn để xem xét sự ảnh hưởng của các biến độc lập lên biến phụ thuộc.
■ Hệ số Beta: hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ
số dựa trên mối quan hệ của chúng với biến phụ thuộc.
■ Hệ số Tolerance và VIF: Được sử dụng để đo lường tính tuyến tính và đa cộng
tuyến, giá trị Tolerance của biến I (TOLi) là 1- Rị với Rị là hệ số khẳng định cho việc dự báo biến I bởi các biến độc lập khác. Khi giá trị Tolerance của một biến càng nhỏ thì biến này càng bị cộng tuyến với các biến độc lập khác. Cũng tương tự
như hệ số Tolerance, như trên đã trình bày, hệ số phóng đại phương sai VIF (=1/TOL) cũng đo lường tính tuyến tính và đa cộng tuyến. Hệ số VIF càng gần 1 càng tốt và không quá 10 thì không có hiện tượng đa cộng tuyến. trong nghiên
cứu
này , sẽ sử dụng hệ số VIF <=2 và hệ số Tolerance >= 0.05 để đảm bảo không xảy ra đa cộng tuyến.