CHƯƠNG 1 : CƠ SỞ LÝ LUẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU
1.4. Thiết kế nghiên cứu
1.4.2. Nghiên cứu định lượng
Nghiên cứu định lượng được tiến hành thông qua phương pháp khảo sát bằng bảng câu hỏi. Bảng câu hỏi được xây dựng dựa trên kết quả phỏng vấn định tính và nội dung của một số nghiên cứu trước. Quy trình gồm các bước: Lấy mẫu khảo sát và tiến hành thu thập số liệu trực tiếp và gián tiếp thông qua internet; Phân tích dữ liệu thu thập; Đánh giá kết quả nghiên cứu.
Bước 1: Lấy mẫu khảo sát và tiến hành thu thập số liệu
Kích thước mẫu được xác định như sau:
Theo tiêu chuẩn của Bollen, Hair & ctg (1998) để đảm bảo phân tích dữ liệu theo phương pháp phân tích nhân tố EFA thì cần tối thiểu 5 quan sát cho một biến cố đo lường và số quan sát lớn hơn hoặc bằng 100. Dựa trên mẫu khảo sát tác giả đã xây dựng, số quan sát nghiên cứu tối thiểu là 16 *5= 80.
Theo Tabachnick & Fidell (1991), khi phân tích hồi quy tuyến tính bội, để kết quả đạt được là tốt nhất thì kích cỡ mẫu phải tuân theo công thức: n ≥ 8m + 50 (n: kích cỡ mẫu, m: số biến độc lập của mô hình).
Với nghiên cứu này, số mẫu tối thiểu là n = 8*5 + 50 = 90
Lấy mẫu khảo sát và thu thập số liệu: Tác giả tiến hành lấy mẫu và thu thập số liệu thông qua 2 hình thức: trực tiếp và gián tiếp thông qua các trang mạng xã hội. Tổng số phiếu khảo sát được gửi đi là 275, số phiếu phù hợp, đáp ứng mục tiêu nghiên cứu là 270.
Bước 2: Phân tích dữ liệu thu thập
(1) Thống kê mô tả: Mô tả mẫu nghiên cứu từ kết quả dữ liệu thu thập được.
(2) Kiểm tra độ tin cậy của dữ liệu
Một đo lường được coi là có giá trị nếu nó đo lường được cái cần đo lường (Campbell & Fiske, 1959). Hay nói cách khác, đo lường đó sẽ không có hiện tượng sai số hệ thống và sai số ngẫu nhiên.
Sai số hệ thống: sử dụng thang đo không cân bằng, kỹ thuật phỏng vấn
kém....
Sai số ngẫu nhiên: người trả lời thay đổi tính cách đột ngột làm ảnh hưởng
đến kết quả khảo sát, kết quả khảo sát bị ghi nhầm....
Trong nghiên cứu này, tác giả bỏ qua sai số hệ thống và quan tâm đến sai số ngẫu nhiên. Khi một đo lường vắng mặt sai số ngẫu nhiên thì đo lường có độ tin cậy. Vì vậy, một đo lường có giá trị cao thì phải có độ tin cậy cao.
Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha và hệ số tương quan biến tổng (Corrected item - total correlation).
Hệ số Cronbach’s Alpha có giá trị biến thiên từ 0 đến 1. Theo Hair & ctg (1998), mức giá trị hệ số Cronbach’s Alpha:
Từ 0.8 đến gần bằng 1: là thang đo lường tốt
Từ 0.7 đến gần bằng 0.8: là thang đo sử dụng được
Từ 0.6 trở lên: là thang đo đủ điều kiện
Với những vấn đề nghiên cứu mới thì hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể chấp nhận được. Vì vậy, trong phạm vi bài nghiên cứu, tác giả chấp nhận hệ số Cronbach’s Alpha có giá trị từ 0.6 trở lên. Tuy vậy, hệ số Cronbach’s Alpha chỉ cho ta biết các đo lường có liên kết với nhau hay không chứ không quyết định việc giữ lại hay bỏ đi một biến quan sát. Khi đó, hệ số tương quan biến tổng sẽ là cơ sở để đưa ra quyết định này.
Hệ số tương quan biến tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được gọi là biến rác và sẽ bị loại khỏi thang đo.
(3) Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phương pháp phân tích nhân tố khám phá EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau. Phân tích nhân tố giúp đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Thỏa mãn “Giá trị hội tụ ”: Các biến quan sát hội tụ về cùng một nhân tố.
Đảm bảo “Giá trị phân biệt”: Các biến quan sát thuộc về nhân tố này và
phải phân biệt với nhân tố khác.
Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2006) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Trong phân tích nhân tố EFA, Factor loading (Hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA.
Điều kiện để phân tích nhân tố khám phá EFA là:
Theo Hair & ctg (1998), hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5.
Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải đảm bảo lớn hơn hoặc bằng 0.3 để đảm bảo tính phân biệt giữa các nhân tố.
0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser - Meyer - Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là đại lượng thống kê dùng để xem xét giả thuyết các biến quan sát trong nhân tố có tương quan với nhau hay không. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Trị số Eigenvalue là một tiêu chí phổ biến để xác định số lượng nhân tố trong phân tích EFA. Những nhân tố có trị số Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.
Tổng phương sai trích (Toatal variance Explained) ≥ 50% chứng tỏ mô hình phù hợp. Coi biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm sự biến thiên của các biến quan sát.
(4) Phân tích tương quan và hồi quy tuyến tính
Sau khi kiểm định độ tin cậy của thang đo và tiến hành phân tích nhân tố khám phá EFA, các nhân tố được trích trong phân tích nhân tố được sử dụng trong phân tích hồi quy để kiểm định mô hình nghiên cứu về các giả thuyết kèm theo.
Hệ số tương quan Pearson (kí hiệu r) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Tương quan Pearson chỉ xét mối liên hệ tuyến tính, không đánh giá mối liên hệ phi tuyến tính và không có sự phân biệt vai trò giữa hai biến, tương quan giữa biến độc lập với biến độc lập cũng như tương quan giữa biến độc lập và biến phụ thuộc.
Hệ số tương quan r có giá trị thuộc [-1;1]:
Nếu r càng tiến về 1, -1 thì tương quan tuyến tính càng mạnh, càng chặt chẽ; Tiến về 1 là tương quan dương, tiến về -1 là tương quan âm.
Nếu r càng tiến về 0, tương quan tuyến tính càng yếu.
Nếu r = 1, tương quan tuyến tính tuyệt đối.
Nếu r = 0, không có mối tương quan tuyến tính. Hoặc là không có mối liên
hệ nào giữa hai biến, hoặc giữa chúng có mối liên hệ phi tuyến tính.
Giá trị R2 (R Square) và R2 hiệu chỉnh (Adjusted R square) phản ánh mức độ giải thích biến phụ thuộc của các biến độc lập trong mô hình hồi quy. R2 hiệu chỉnh
phản ánh kết quả sát hơn so với R2. Mức dao động của hai giá trị này là từ 0 đến 1. Càng tiến đến 1 thì mô hình càng có ý nghĩa. Thường thì hai giá trị này dao động từ 0.5 đến 1 sẽ được đánh giá là mô hình tốt.
Giá trị Sig. của kiểm định F dùng để kiểm định sự phù hợp của mô hình hồi quy. Nếu Sig. ≤ 0.05 thì kết luận mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được.
Trị số Durbin - Watson (DW) dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất. Theo Yahua Qiao (2011), thường giá trị DW nằm trong khoảng 1.5 đến 2.5 sẽ không xảy ra hiện tượng tự tương quan.
Giá trị Sig. của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu Sig. ≤ 0.05 thì kết luận biến độc lập có tác động đến biến phụ thuộc.
Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng đa cộng tuyến. Thông thường, VIF của biến độc lập có giá trị lớn hơn 10 nghĩa là đang có đa cộng tuyến xảy ra với biến này. Khi đó, biến độc lập này không có giá trị giải thích cho sự biến thiên của biến phụ thuộc trong mô hình hồi quy. Trên thực tế, VIF >2 thì khả năng rất cao đang xảy ra đa cộng tuyến giữa các biến độc lập.
Bước 3: Đánh giá kết quả nghiên cứu
Từ những kiểm tra, phân tích dữ liệu thu thập đưa ra nhận xét, kết luận về kết quả nghiên cứu.