Bài nghiên cứu này gồm các phương pháp phân tích dự liệu khảo sát như sau: phân tích thông kê mô tả, phân tích độ tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá EFA, phân tích tương quan Pearson và phân tích hồi quy.
Thống kê mô tả: là các hệ số mô tả ngắn gọn hay tóm tắt một tập dữ liệu nhất định, có thể là đại diện cho toàn bộ hoặc một mẫu của một tổng thể. Thống kê mô tả được chia thành xu hướng tập trung và đo lường biến động. Đo lường xu hướng tập trung có giá trị trung bình, trung vị và yếu vị, trong khi các đo lường biến động bao gồm độ lệch chuẩn, phương sai, giá trị nhỏ nhất và giá trị lớn nhất, độ nhọn và độ lệch.
Thang đoCronbach’s Alpha: Trong nghiên cứu định lượng, việc đo lường các nhân tố sẽ rất khó khăn và phức tạp, không thể chỉ sử dụng những thang đo đơn giản ( chỉ dùng 1 câu hỏi quan sát đo lường ) mà phải sử dụng các thang đo chi tiết hơn ( dùng nhiều câu hỏi quan sát để đo lường nhân tố ) để hiểu rõ được tính chất của nhân tố lớn. Do vậy khi lập bảng câu hỏi nghiên cứu, chúng ta thường tạo những biến quan sát x1,x2,x3,x4,x5,.. là biến con của nhân tố A nhằm mục đích thay vì đi đo lường cả một nhân tố A tương đối trừu tượng và khó đưa ra kết quả chính xác thì chúng ta đi đo lường các biến quan sát nhỏ bên trong rồi suy ra tính chất của nhân tố. Như vậy, khái niếm “thang đo” trong cụm kiểm định độ tin cây thang đo ý muốn nói đến một tập hợp các biến quan sát con có khả năng đo được, thể hiện tính chất của nhân tố mẹ. Tuy nhiên không phải lúc nào tất cả các biến quan sát x1,x2,x3,x4,x5,.. chúng ta đưa ra để đo lường nhân tố A đều hợp lý, đều phản ánh được khái niệm, tính chất của A. Do vậy cần phải có một công cụ giúp kiểm tra xem biến quan sát nào phù hợp và biến quan sát nào không phù hợp để đưa vào thang đo. Kiểm định độ tin cậy thang đo Cronbach’s Alpha là công cụ chúng ta cần. Công cụ này giúp ta kiểm tra xem các biến quan sát của nhân tố mẹ ( nhân tố A ) có đáng tin cậy hay không , có tốt không. Phép kiểm định này phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng 1 nhân tố. Nó cho biết trong các biến quan sát của một nhân tố, biến nào đã đóng góp vào việc đo lường khái niệm nhân tố, biến nào không. Kết quả Cronbach’s Alpha của nhân tố tốt
thể hiện rằng các biến quan sát chúng ta liệt kê là rất tốt, thể hiện được đặc điểm của nhân tố mẹ, chúng ta đã có một thang đó tốt cho nhân tố mẹ này.
Nhân tố khám phá EFA: phân tích nhân tố khám phá, gọi tắt là EFA, dùng để rút gọn một tập hợp “k” biến quan sát thành một tập “F” ( với F < k ) các nhân tố có ý nghĩa hơn. Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều biến quan sát trong đó có liên hệ tương quan với nhau. Thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, chúng tả chỉ đi tìm hiểu 4 đặc điểm lớn, trong mỗi đặc điểm lớn này gồm 5 đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người nghiên cứu. Với kiểm định độ tin cậy thang đo Cronbach’s Alpha, chúng ta đang đánh giá mối quan hệ giữa tất cả các biến trong cùng một nhóm, cùng một nhân tố, chứ không xem xét mối quan hệ giữa tất cả các biến quan sát ở các nhân tố khác. Trong khi đó, EFA xem xét mối quan hệ giữa các biến ở tất cả các nhóm ( các nhân tố ) khác nhau nhằm phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu.
Phân tích tương quan Pearson: mục đích chạy tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Tương quan Pearson r có giá trị dao động từ -1 đến 1 ( lưu ý, hệ số r chỉ có ý nghĩa khi sig nhỏ hơn 0.05 ): Nếu r càng tiến về 1, -1 thì tương quan tuyến tính càng mạnh, càng chặt chẽ, tiến về 1 là tương quan dương, tiền về -1 là tương quan âm; Nếu r càng tiến về 0 thì tương quan tuyến tính càng yếu; Nếu r = 1 thì tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng; Nếu r = 0 thì không có mối quan hệ tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, không có mối quan hệ tuyến tính nào giữa hai biến. Hai, giữa chúng có mối liên hệ phi tuyến.
Phân tích hồi quy: Trong một bài nghiên cứu, một bài luận văn, bước chạy hồi quy SPSS cho phần nghiên cứu định lượng là cực kỳ quan trọng. Nó giúp xác định được nhân tố nào đóng góp nhiều / ít / không đóng góp vào sự thay đổi của biến phụ thuộc, để từ đó đưa ra các giải pháp cần thiết và kinh tế nhất.