a. Tiêu chuẩn đánh giá hệ số Cronbach's Alpha: các biến quan sát có hệ số tương quan biến tổng (Corrected Item-Total Correlation) <0.4 sẽ bị loại và tiêu chuẩn chọn hệ số Cronbach’s Alpha nên nằm trong khoản 0.6-0.9. Chi tiết:
+ Nhỏ hơn 0.6: Thang đo nhân tố là không phù hợp (có thể trong môi trường nghiên cứu đối tượng không có cảm nhận về nhân tố đó)
+ 0.6 – 07: Chấp nhận được với các nghiên cứu mới. + 0.7 – 0.8: Chấp nhận được.
+ 0.8 – 0.9: Tốt.
+ Hệ số này quá cao chứng tỏ bảng câu hỏi của chúng ta bao gồm các câu hỏi gần giống nhau hoặc nếu độ tin cậy quá thấp thì có 2 khả năng xảy ra: (1) Bảng câu hỏi của chúng ta quá tệ, các câu hỏi không liên quan gì với nhau nên kết quả khách hàng đánh bảng câu hỏi sẽ khác nhau (2) bảng câu hỏi của chúng ta đúng nhưng mà khách hàng đánh bảng câu hỏi không chú tâm vào bảng câu hỏi nên kết quả thu được cũng rất thấp.
- Đối với cột Cronbach's Alpha if Item Deleted chúng ta cần xem xét các giá trị trong cột nàu nếu có bất kỳ giá trị nào lớn hơn giá trị của hệ số Cronbach's Alpha tổng cũng cần loại biến này ra khỏi.
- Sau khi kiểm tra các biến và loại các biến không đảm bảo thì chúng ta thực hiện lại thao tác phân tích như ban đầu.
Khóa luận tốt nghiệp GVHD: Th.S Phạm Thị Uyên Thi
- Ý nghĩa của hệ số tin cậy Cronbach's Alpha: Nhằm phân tích, đánh giá độ tin cậy của các thang đo mà chúng ta đưa ra nhằm mục đích kiểm tra các biến qua sát có cùng đo lường một khái niệm cần đo hay không, giá trị đóng góp nhiều hay ít được thể hiện thông qua hệ số trương quan biến tổng (Corrected Item-Total Correlation).
Các biến quan sát đựa trên thang đo Likert với 5 mức độ từ hoàn toàn đồng ý (5) về hoàn toàn không đồng ý (1).
Tác giả thực hiện nghiên cứu với 5 nhân tố độc lập (Uy tín NH; Chất lượng dịch vụ; Lợi ích tài chính; Hình thức chiêu thị; Thông tin tham khảo quyết định gửi tiền) bao gồm 30 biến quan sát và 1 nhân tố phụ thuộc
b. Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn số lượng biến quan sát thành các nhân tố có ý nghĩa hơn. Phân tích nhân tố này giúp ta kiểm định lại them một lần nữa tính chính xác, sự đáng tin cầy và độ kết dính của các chỉ số đã đánh giá ở các nhân tố trên.
Theo Hair & ctg (1998, 111), 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:
+ Factor loading > 0.3 được xem là đạt mức tối thiểu + Factor loading > 0.4 được xem là quan trọng
+ Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: + Hệ số tải nhân tố (Factor loading ) > 0.5
+ 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 một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan
Khóa luận tốt nghiệp GVHD: Th.S Phạm Thị Uyên Thi
trong tổng thể. 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.
+ Phần trăm phương sai toàn bộ (Percentage of variance) > 50%. Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
c. Phân tích tương quan. Hệ số tương quan Pearson được dùng để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa các biến độc lập và biến phụ thuộc. Vì điều kiện hồi quy nhất thiết phải tương quan.
- Hệ số tương quan Person (r) sẽ nhận giá trị là -1 ≤ r ≥ 1. Ngoài ra còn phải chú ý những vấn đề sau đây:
- Trong phân tích tương quan Pearson, không có sự phân biệt giữa các biến độc lập và biến phụ thuộc mà tất cả đều được xem xét như nhau.
Nếu giữa các biến có sự tương quan chặt thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy:
+ Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Dấu hiệu nghi ngờ dựa vào giá trị Sig tương quan giữa các biến độc lập <0.05 và giá trị tương quan Pearson > 0.3.
+ Vấn đề của hiện tượng cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Hiệu ứng khác của sự tương quan khá chặt giữa các biến độc lập là nó làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm trị thống kê của kiểm định ý nghĩa của chúng nên các hệ số có khuynh hướng kém ý nghĩa hơn khi không có đa cộng tuyến trong khi hệ số xác định R square vẫn khá cao.
- Yếu tố cần quan tâm đầu tiên là giá trị Sig:
+ Sig < 0.05 thì hệ số tương quan r mới có ý nghĩa thống kê.
+ Sig > 0.05 thì hệ số tương quan r có lớn nhỏ thế nào cũng không liên quan gì cả (hay không có sự tương quan giữa hai biến này).
d. Phân tích hồi quy
Tương quan chỉ xét quan hệ giữa hai biến, trong khi đó hồi quy thường xét phương trình gồm nhiều biến độc lập và 1 biến phụ thuộc, là sự tác động đồng thời của nhiều biến lên 1 biến
Khóa luận tốt nghiệp GVHD: Th.S Phạm Thị Uyên Thi
Phân tích hồi quy là tìm quan hệ phụ thuộc của một biến, được gọi là biến phụ thuộc vào một biến hoặc nhiều biến khác, được gọi là biến độc lập nhằm mục đích ước lượng hoặc tiên đoán giá trị kỳ vọng của biến phụ thuộc khi biết trước giá trị của biến độc lập.
Phân tích hồi quy giúp lượng hóa sự tác động của biến độc lập tới biến phụ thuộc dưới dạng hàm hồi quy. Dựa vào đó có thể do lường và so sánh mức đọ tác đọng của yếu tố.
Tóm lại, hồi quy thì tương quan (hay nói cách khác điều kiện để chạy hồi quy thì trước hết biến độc lập và phụ thuộc phải tương quan), còn biến độc lập và phụ thuộc có tương quan với nhau thì chưa chắc kết quả hồi quy có ý nghĩa thống kê.