4.2.2.1. Đánh giá độ tin cậy của thang đo
Để kiểm định mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau thông qua việc tính toán Cronbach’s Alpha. Hệ số Cronbach’s Alpha phải có giá trị từ 0,6 đến gần 1 thì mới đảm bảo các biến trong cùng một nhân tố có tương quan với nhau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Trong mỗi thang đo, hệ số tương quan biến tổng (Corrected – total Correlation) thể hiện sự tương quan giữa một biến quan sát với tất cả các biến khác trong thang đo. Do đó, hệ số này càng cao thì sự tương quan các biến quan sát này với các biến khác trong thang đo càng cao. Theo Nunnally & Burnstein (1994) các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 được xem là biến rác và loại khỏi thang đo.
4.2.2.2. Phân tích nhân tố khám phá EFA
Phân tích nhân tố là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập hợp biến (nhân tố) ít hơn nhưng vẫn chứa đựng hầu hết nội dung của tập biến ban đầu (Hair và cộng sự, 1998).
Kaiser –Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của EFA và mức ý nghĩa đáng kể của kiểm định Barlett. KMO có giá trị thích hợp 0,5≤KMO≤1.
Kiểm định Barlett’s test sphericity xem xét giả thuyết H0 độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể và bác bỏ giả thuyết H0.
Phương sai trích (Cumulative % of variance): phần trăm biến thiên của các biến quan sát được giải thích bởi các nhân tố phải đảm bảo ≥ 50%.
Phương sai trích hệ số được sử dụng là Principal Component Analysis với phép xoay Varimax để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, và các nhân tố không có sự tương quan lẫn nhau.
Xác định số nhân tố bằng phương pháp dựa vào Eigenvalue: chỉ giữ lại những nhân tố có Eigenvalue lớn hơn 1 trong mô hình phân tích.
4.2.2.3. Phân tích hồi quy
Phân tích hồi quy: là phương pháp dùng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Phương pháp hồi quy có dạng:
Yi = B0 + B1 X1i + B2 X2i + B3 X3i +…+ BP XPi +ei Trong đó:
Xpi: biểu hiện giá trị của biến độc lập thứ tự thứ p tại quan sát thứ i. Bp: hệ số hồi quy riêng phần.
ei: là biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phương sai không đổi α2.
Mục đích của việc phân tích hồi quy là dự đoán mức độ của các biến phụ thuộc khi biết trước giá trị của biến độc lập theo (Hoàng Trọng và Mộng Ngọc 2008).
Hệ số xác định R2 điều chỉnh: Hệ số xác định tỉ lệ biến thiên của biến phụ thuộc được giải thích bởi biến độc lập trong mô hình hồi quy. Đó cũng là thông số đo lường độ thích hợp của đường hồi quy theo quy tắc R2 càng gần 1 thì mô hình
xây dựng càng thích hợp, R2 càng gần 0 mô hình càng kém phù hợp với tập dữ liệu mẫu. Tuy nhiên, R2 có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu trong trường hợp có hơn 1 biến giải thích trong mô hình. Trong tình huống này R2 điều chỉnh (Adjusted R square) được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2.
Kiểm định F trong phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình tuyến tính tổng thể. Nếu giả thuyết H0 của kiểm định F bị bác bỏ thì có thể kết luận mô hình hồi quy tuyến tính đa biến phù hợp với tập dữ liệu và có thể sử dụng được.
Kiểm định Independent – Samples T-test và kiểm định One way ANOVA được dùng để xem xét ảnh hưởng của các biến liên quan đến đặc điểm cá nhân người khảo sát đến mức độ hài lòng chung của người dân và một số phân tích khác.