7. Kết cấu của luận văn
2.5. Phương pháp phân tích
Nghiên cứu định lượng được tiến hành từ kết quả nghiên cứu định tính. Sau khi thu thập dữ liệu nghiên cứu, tác giả tập hợp số hoá vào phần mềm excel, sử dụng các tham số đo lường thống kê, đo lường xu hướng tập trung như: Giá trị trung bình (Mean), Trung vị (Median), tần xuất (Mode) để đánh giá trực quan các số liệu thống kê; Tác giả sử dụng phần mềm SPSS 201 với các kiểm định lần lượt: Cronbach’s Alpha để đánh giá tính nhất quán nội tại của các thang đo có từ 3 biến quan sát trở lên, sau đó sử dụng mô hình EFA để kiểm định giá trị thang đo dựa vào việc đánh giá mối quan hệ tương quan giữa các biến với nhau nhằm rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn.
a) Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Một đo lường được coi là có giá trị (validity) nếu nó đo lường đúng cái cần đo lường (theo 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, …
1 SPSS (viết tắt của Statistical Package for the Social Sciences) là một chương trình máy tính phục vụ công tác thống kê. Phần mềm SPSS hỗ trợ xử lý và phân tích dữ liệu sơ cấp - là các thông tin được thu thập trực tiếp từ đối tượng nghiên cứu, thường được sử dụng
- Sai số ngẫu nhiên: Phóng vấn viên ghi nhầm số, thông tin của người trả lời, người trả lời thay đổi tính cách nhất thời như do mệt mỏi, nóng giận,…làm ảnh hưởng đến câu trả lời của họ.
Trên thực tế nghiên cứu chúng ta sẽ bỏ qua sai số hệ thống và quan tâm đến sai số ngẫu nhiên. Khi một đo lường vắng mặt các sai số ngẫu nhiên thì đo lườngcó độ tin cậy (reliability). Vì vậy, một đo lường có giá trị cao thì phải có độ tin cậy cao.
Crobach’s Alpha là phép kiểm định thống kê về độ tin cậy của một thang đo, tức mức độ chặt chẽ và tính nhất quán của tập hợp các biến quan sát đo lường một khái niệm. Để tính Cronbach’s Alpha cho một thang đo thì thang đo phải có tối thiểu 03 biến đo lường. Hệ số Cronbach’s Alpha có giá trị biến thiên trong khoảng [0,1]. Về mặt lý thuyết, Cronbach’s Alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên, hệ số Cronbach’s Alpha quá lớn (>0.95) cho thấy có nhiều biến thiên trong thang đo không có khác biệt gì nhau (nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu). Vì vậy, một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0.7;0.8]. Nếu Cronbach’s Alpha >= 0.60 là thang đo có thể chấp nhận được về mặt độ tin cậy (Nunnally & Bernstein 1994). Ngoài ra, các biến đo lường dùng để đo lường cùng một khái niệm nghiên cứu nên chúng phải có tương quan chặt chẽ với nhau. Vì vậy, khi kiểm tra từng biến đo lường, tác giả sử dụng hệ số tương quan biến tổng (item total correlation). Trong SPSS sử dụng hệ số tương quan biến tổng hiệu chỉnh (corrected item total correlation), hệ số này lấy tương quan của biến đo lường xem xét với tổng các biến còn lại của thang đo (không tính biến đang xem xét). Nếu một biến đo lường có hệ số tương quan biến tổng (hiệu chỉnh) >= 0.30 thì biến đó đạt yêu cầu (Nunnally & Bernstein 1994).
Kết quả kiểm định mô hình thang đo:
- Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item – Total Correclation >= 0.3 thì biến đó đạt yêu cầu (Tương quan biến tổng >= 0.3 trích nguồn từ Nunnally, J (1978), Psychometric Theory, New York, McGraw-Hill);
- Mức giá trị hệ thống Cronbach’s Alhpha: + Từ 0.8 đến gần bằng 1: thang đo lường rất tốt;
+ Từ 0.7 đến gần bằng 0.8: Thang đo lường sử dụng tốt; + Từ 0.6 trở lên: Thang đo đủ điều kiện.
- Đối với giá trị Cronbach’s Alpha if Item Deleted, giá trị này biểu diễn hệ số Cronbach’s Alpha nếu loại biến đang xem xét. Thường sẽ đánh giá cùng với hệ số tương quan biến tổng Corrected Item - Total Correclation, nếu giá trị Cronbach’s Alpha if Item Deleted lớn hơn hệ số Cronbach’s Alpha và Corrected Item - Total Correclation nhỏ hơn 0.3 thì sẽ loại biến quan sát đang xem xét để tăng độ tin cậy của thang đo.
b) Phân tích nhân tố khám pháp EFA
Khi kiểm định một lý thuyết khoa học, chúng ta cần đánh giá độ tin cậy của thang đo (Cronbach’s Alpha) và giá trị của thang đo (EFA). Hai giá trị quan trong được xem xét trong việc đánh giá giá trị của thang đo là giá trị hội tụ và giá trị phân biệt:
- Thoả 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 tốt này và phải phân biệt với nhân tố khác.
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 các biến quan sát trong đó có liên hệ tương quan với nhau. Ví vụ, thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu 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 khi nghiên cứu.
Các tiêu chí trong phân tích EFA
- Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị từ 0.5 trở lên (0.5 <=
KMO =< 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.
- Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tốt phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê (Sig Bartlett’s Test < 0.05), chứng tỏ các biến quan sát có tương quan (hội tụ) với nhau trong nhân tố.
- Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue >=1 mới được giữ lại trong mô hình phân tích (Chỉ những nhân tố nào có Eigenvalue >=1 mới được giữ lại trong mô hình phân tích trích nguồn từ: Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS tập 2, NXB Hồng Đức, tr34).
- Tổng phương sai trích (Total Variance Explained) >=50% cho thấy mô hình EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
- Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tốt càng lớn và ngược lại.
Theo Hair & Ctg (2009, 116), Multivariate Data Analysis, 7th Edition thì: + Factor Loading ở mức +- 0.3: Điều kiện tối thiểu đến biến quan sát được giữ lại;
+ Factor Loading ở mức +- 0.7: Biến quan sát có ý nghĩa thống kê rất tốt; Tuy nhiên, giá trị tiêu chuẩn của hệ số tải Factor Loading cần phải phụ thuộc vào kích thước mẫu. Với từng khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát có ý nghĩa thống kê là hoàn toàn khác nhau. Cụ thể theo bảng dưới đây:
TT Giá trị Factor Loading Kích thước mẫu tối thiểu có ý nghĩa thống kê
1 0.30 350 2 0.35 250 3 0.40 200 4 0.45 150 5 0.50 120 6 0.55 100 7 0.60 85 0.65 70 0.70 60 0.75 50
Bảng 2.1. Giá trị Factor Loading và kích thước mẫu tương ứng
Trên thực tế áp dụng, người ta thường lấy hệ số tải 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350, lấy tiêu chuẩn hệ số tài là 0.3 cho cỡ mẫu từ 350 trở lên, do việc nhớ từng mức hệ số tải với khoản kích thước mẫu là khá khó khăn.
c) Phân tích hồi quy tương quan
Để phân tích các yếu tố ảnh hưởng, tác giả sử dụng phương pháp hồi quy và tương quan. Việc phân tích này theo 2 bước:
Bước 1: Phân tích tương quan giữa các biến nhằm nhằm xác định mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập trước khi tiến hành phân tích hồi quy. Phân tích tương quan được thực hiện giữa biến phụ thuộc là Sự hài lòng của khách hàng về chất lượng dịch vụ hành chính công (HL) và các biến độc lập Khả năng (KN), Thủ tục (TT), Công chức (CC), Kết quả (KQ) và Phản ánh (PA).
Bước 2: Xây dựng phương trình hồi quy thể hiện mức độ ảnh hưởng của các nhân tố đến sự hài lòng của khách hàng, khẳng định mối quan hệ nhân quả giữa biến phụ thuộc (HL) và các biến độc lập (KN, TT, CC, KQ, PA) để xác định mức độ ảnh hưởng của từng nhân tố đến Sự hài lòng của khách hàng về chất lượng dịch vụ hành chính công tại Trung tâm Hành chính công tỉnh Quảng Ninh.
- Phân tích tương quan giữa các biến - hệ số Pearson
Sử dụng hệ số tương quan Pearson (ký hiệu r) để lượng hoá mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng. Tương quan Pearson không có sự phân biệt vai trò giữa 2 biến, tương quan giữa biến độc lập với biến độc lập cũng như giữa biến độc lập với biến phụ thuộc. Tương quan Pearson r có giá trị dao động từ -1 đến +1 :
- Nếu r càng tiến về +1, -1 : 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, khi biểu diễn trên đồ thị phân tán Scatter, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
- Nếu r=0 : Không có mối tương quan tuyến tính. Khi đó sẽ có 2 tình huống xảy ra. Một là không có một mối liên hệ nào giữa 2 biến, hai là giữa chúng có mối liên hệ phi tuyến.
- Mô hình hồi quy:
Tác giả sử dụng phép hồi quy tuyến tính bội dùng phần mềm SPSS 20.0 với
phương pháp đưa vào một lượt (Enter) và giả định các nhân tố ảnh hưởng và Sự hài lòng của khách hàng về chất lượng dịch vụ hành chính công tại Trung tâm Hành chính công tỉnh Quảng Ninh có tương quan tuyến tính, ta có phương trình hồi quy cho mô hình lý thuyết như sau:
HL = + KN + TT + CC + KQ + PA + є
Trong đó:
HL: Sự hài lòng của khách hàng về chất lượng dịch vụ hành chính công tại Trung tâm Hành chính công tỉnh Quảng Ninh;
Hệ số hồi quy của các nhân tố ảnh hưởng;
KN: Giá trị nhân tố khả năng tiếp cận;
TT: Giá trị nhân tố Thủ tục hành chính;
KQ: Giá trị nhân tố Kết quả cung ứng dịch vụ hành chính công ;
PA: Giá trị nhân tố Tiếp nhận, giải quyết góp ý, phản ánh, kiến nghị
є: là phần dư
Các chỉ số phân tích hồi quy đa biến gồm:
- Giá trị R2 (R Square), 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 sát hơn so với R2. Mức độ dao động của 2 giá trị này là từ 0 đến 1, nếu càng tiến gần về 1 thì mô hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu, tuy nhiên việc đạt được mức giá trị bằng 1 là gần như không tưởng. Trong phân tích thường dùng mức tương đối là 0.5 để làm giá trị phân ra 2 nhánh ý nghĩa mạnh/yếu, từ 0.5 đến 1 thì mô hình là tốt, nhỏ hơn 0.5 là mô hình chưa tốt. Các giá trị này thường nằm trong bảng Model Summary.
- Giá trị sig của kiểm định F được sử dụng để kiểm định độ phù hợp của mô hình hồi quy. Nếu sig nhỏ hơn 0.05, có thể kết luận mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được. Giá trị này thường năm trong bảng ANOVA.
- Trị số Durbin - Watson (DW) dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất (Kiểm định tương quan của các sai số kề nhau). DW có giá trị biến thiên trong khoảng từ 0 đến 4; Nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2, nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; Nếu lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch. Theo Filed (200), nếu DW nhỏ hơn 1 và lớn hơn 3, chúng ta cần thực sự chú ý bởi khả năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất. Theo Yahua Qiao (2011), thường giá trị DW nằm trong khoảng 1.5 - 2.5 sẽ không xảy ra hiện tượng tự tương quan, đây cũng là mức giá trị tiêu chuẩn hay sử dụng phổ biến hiện nay (Trích nguồn từ: Yahua Qiao (2011), Instertate Fiscal Disparities in America, tr 150).
- Giá trị sig của kiểm định T được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu sig kiểm định T của hệ số hồi quy của một biến độc lập nhỏ hơn 0.05,
có thể kết luận biến độc lập đó có tác động đến biến phụ thuộc. Mỗi biến độc lập tương ứng với một hệ số hồi quy riêng, do vậy mà ta cũng có từng kiểm định T riêng. Giá trị này nằm trong bảng Coefficients.
- Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng đa công tuyến. Thông thường, nếu VIF của một biến độc lập lớn hơn 10 nghĩa là đang có đa cộng tuyến xảy ra với biến độc lập đó. Khi đó, biến này sẽ không có giá trị giải thích biến thiên của biến phụ thuộc trong mô hình hồi quy (“Nếu hệ số VIF của một biến độc lập lớn hơn 10 nghĩa là có đa cộng tuyến xảy ra, biến độc lập này không có giá trị giải thích cho biến phụ thuộc” Trích nguồn từ: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, tr 518). Tuy nhiên, trên thực tế, nếu hệ số VIF > 2 thì khả năng rất cao đang xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Giá trị này nằm trong bảng Coefficients.
CHƯƠNG 3. THỰC TRẠNG VÀ ĐÁNH GIÁ MỨC ĐỘ HÀI LÒNG CỦA KHÁCH HÀNG ĐỐI VỚI CHẤT LƯỢNG DỊCH VỤ HÀNH CHÍNH CÔNG