a. Thống kê mô tả
Mẫu thu thập được tiến hành phân loại theo các nhóm được định sẵn bằng các kỹ thuật thống kê mô tả hay tính tần suất.
Trung bình mẫu (mean) trong thống kê là một đại lượng mô tả thống kê, được tính ra bằng cách lấy tổng giá trị của toàn bộ các quan sát trong tập chia cho số lượng các quan sát trong tập.
b. Phân tích sự tin cậy thang đo
Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach Alpha và hệ số tương quan biến tổng (item-total correlation). Hai tiêu chuẩn này giúp đo lường mức độ chặt chẽ mà các biến quan sát trong thang đo tương quan với nhau.
Về giá trị của Cronbach alpha, Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008) cho rằng: “Nhiều nhà nghiên cứu đồng ý rằng giá trị này từ 0,8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0,7 đến 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm thang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978)”. Trong nghiên cứu này, tác giả chỉ sử dụng những thang đo mà hệ số Cronbach alpha đạt giá trị từ 0,6 trở lên. (Hair và cộng sự, 2006)
Với những thang đo có hệ số Cronbach Alpha nhỏ hơn 0,6 là thang đo không phù hợp và xem xét loại biến quan sát nào đó đi để đạt được hệ số Cronbach Alpha tốt hơn. Chú ý rằng các biến quan sát cho kiểm định Cronbach Alpha phải đảm bảo từ 3 biến trở lên. Nếu nhỏ hơn việc thực hiện kiểm định thang đo là không phù hợp, khi đó phần mềm sẽ không đưa ra kiến nghị gì về đánh giá thang đo.
Hệ số tương quan biến tổng thể hiện sự tương quan giữa một biến quan sát với tất cả các biến khác trong thang đo. Hệ số càng cao thì sự tương quan của biến với các biến khác càng cao. Các biến có hệ số tương quan biến tổng lớn hơn 0,3 được coi là phù hợp, với những biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0,3 bị coi là biến rác và loại khỏi thang đo. (Nunally & Burstein, 1994).
c. Phân tích khám phá nhân tố
Phân tích nhân tố giúp thu gọn các biến quan sát thành những nhóm biến, các biến trong nhóm có quan hệ mật thiết với nhau, mỗi nhóm đo lường một yếu tố riêng; các biến quan sát có thể bị tách ra hay nhập vào thành những nhóm mới so với mô hình ban đầu.
Trong nghiên cứu này, phương pháp nhân tố EFA được sử dụng để xác định giá trị hội tụ (convergent validity), độ giá trị phân biệt (discriminant); các tham số thống kê quan trọng trong phân tích nhân tố gồm có:
Hệ số tải nhân tố - Factor loading: là hệ số tương quan đơn giữa các biến và các nhân tố.
Chỉ số Eigenvalue: đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những chỉ số nhân tố có Eigenvalue > 1 mới được giữ lại trong mô hình phân tích, các nhân tố có Eigenvalue < 1 sẽ bị loại khỏi mô hình. Kết quả đưa ra có bao nhiêu chỉ số Eigenvalue >1 sẽ có bấy nhiêu nhân tố được hội tụ.
Phương pháp phân tích nhân tố được sử dụng trong nghiên cứu này là Principal Component Analysis với phép quay Varimax with Kaiser Normalization.
Chỉ số Kaiser-Meyer-Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO đủ lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
Sig của kiểm định Bartlett < 0,05 chứng tỏ các biến có tương quan với nhau trong tổng thể - đây là điều kiện cần để áp dụng phân tích nhân tố (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Phương sai trích Variance explained criteria: tổng phương sai trích phải lớn hơn 50% đảm bảo việc phân tích khám phá nhân tố phù hợp.
Để kiểm định các giả thuyết nghiên cứu phương pháp phân tích hồi quy sẽ được sử dụng. Phương pháp ước lượng hồi quy giữa biến phụ thuộc và các biến độc lập trong mô hình sử dụng phương pháp tổng bình phương nhỏ nhất (OLS).
Mô hình hồi quy tuyến tính chuẩn hóa có dạng như sau:
Y =β0 + β1X1 + …+ βiXi +…+ βkXk +Ui (mô hình có k biến độc lập) (1) Trong đó các :
Y là biến phụ thuộc
β0 là hệ số chặn (contanst) Các Xi là biến độc lập
βi là các hệ số góc – phản ảnh mức độ ảnh hưởng của biến Xi lên biến phụ thuộc Y.
Ui là phần ngẫu nghiên hay còn gọi là nhiễu là phần biến thiên của biến phụ thuộc Y chịu ảnh hưởng ngoài các biến Xi đưa vào mô hình.
Để đảm bảo mô hình xây dựng là tốt nhất, phương trình (1) phải đảm bảo thỏa mãn một số giả thuyết sau:
Các Ui có phân bố chuẩn Ui ~N(0, σ2), nếu các Ui không phân bố chuẩn hàm ước lượng có thể không phải là hàm tuyến tính (hàm logarit, hàm mũ,…) tức là mô hình xây dựng tuyến tính (đường thẳng) là không phù hợp. Để nhận biết phân bố chuẩn sử dụng đồ thị Histogram và đồ thị P-Plot. Nếu đồ thị Histogram thể hiện hình chuông, giá trị trung bình chuẩn hóa bằng không, độ lệch chuẩn xấp xỉ bằng 1 thì có thể kết luận có phân phối chuẩn.
Mô hình không xảy ra đa cộng tuyến. đa cộng tuyến cũng là hiện tượng các biến độc lập có quan hệ tuyến tính với nhau dẫn đến hiện tượng thổi phồng các kết quả (cộng tuyến) và không tách được ảnh hưởng của từng nhân tố đến biến phụ thuộc. Dấu hiệu nhận biết có đa cộng tuyến có thể sử dụng là chỉ số VIF (nhân tử phóng đại phương sai), nếu VIF nhỏ hơn 10 có thể kết luận đa cộng tuyến không ảnh hưởng đến kết luận từ phương trình hồi quy bằng OLS (Hair và cộng sự, 2006 dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Sau khi kiểm tra kết quả cho thấy các giả thuyết không bị vi phạm thì có thể kết luận ước lượng các hệ số hồi quy là không thiên lệch, nhất quán và hiệu quả. Các kết luận rút ra từ phân tích hồi quy là đáng tin cậy.
Tiêu chuẩn kiểm định các giả thuyết nghiên cứu lấy theo thông lệ ở mức ý nghĩa 5%. Các giá trị p –value của thống kê t tương ứng được so sánh trực tiếp với giá trị 0.05 để kết luận chấp nhận hay bác bỏ một giả thuyết nghiên cứu. Để xem xét khả năng giải thích của mô hình hệ số R2 hiệu chỉnh được sử dụng.