Dữ liệu được xử lý bằng phần mềm SPSS 18.0. Sau khi mã hóa và nhập liệu, dữ liệu được làm sạch và phân tích với các phương pháp: Thống kê mô tả (mẫu khảo sát), Cronbach’s Alpha (xác định độ tin cậy của thang đo), phân tích nhân tố khám phá (EFA), phân tích tương quan hồi quy (kiểm định mô hình nghiên cứu), và phân tích ANOVA (xác định sự khác biệt về ảnh hưởng).
3.4.1 Hệ số tin cậy Cronbach’s Alpha
Hệ số tin cậy Cronbach’s Alpha là phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi (biến quan sát) trong thang đo tương quan với nhau, nhưng lại không cho biết mục hỏi nào cần bỏ đi và mục hỏi nào cần giữ lại. Khi đó việc tính toán hệ số tương quan biến – tổng giúp loại ra những mục hỏi không đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Các biến có hệ số tương quan biến – tổng nhỏ hơn 0,3 sẽ bị loại và tiêu chuẩn chọn thang đo khi nó có hệ số tin cậy Cronbach’s Alpha từ 0,6 trở lên (Nunnally & Bernstein, 1994, trích từ Nguyễn Thị Mai Trang & Nguyễn Đình Thọ, 2008); hệ số tin cậy Cronbach’s Alpha lớn hơn 0,8 cho thấy thang đo là tốt; hệ số tin cậy Cronbach’s Alpha từ 0,7 đến 0,8 cho thấy thang đo là sử dụng được; hệ số tin cậy Cronbach’s Alphatừ 0,6 trở lên cho thấy thang đo có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Staler, 1995; trích từ Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
3.4.2Phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) thực hiện với các biến đạt yêu cầu về hệ số in cậy Cronbach Alpha. Sử dụng phương pháp trích yếu tố (Principle Component Analysis) với phép xoay Varimax để tìm ra các nhân tố đại diện cho các biến và điểm dừng khi trích các yếu tố có giá trị Eigenvalues
bằng 1. Các biến có trọng số nhân tố (hệ số chuyển tải) nhỏ hơn 0,5 bị loại và tổng phương sai trích được lớn hơn hoặc bằng 50% cho thấy thang đo được chấp nhận (Gerbing & Anderson, 1998; trích từ Nguyễn Thị Mai Trang & Nguyễn Đình Thọ, 2008). Việc phân tích nhân tố được thực hiện với các đại lượng, bao gồm:
- Kiểm định Barlett: Kiểm tra sự tương quan giữa các biến. Giá trị Sig (mức ý nghĩa thống kê) dưới 0,05 cho thấy các biến có tương quan với nhau (Hair et al., 1995). - Phép đo KMO (Kaiser-Meyer-Olkin): Đo lường sự tương quan qua lại giữa các
biến và sự phù hợp của mô hình để áp dụng phương pháp phân tích nhân tố. Hệ số KMO có giá trị trong khoảng 0 đến 1. Hệ số KMO lớn hơn 0,5 cho thấy dữ liệu được xem là phù hợp để tiến hành phân tích nhân tố (Hair et al., 1995). - Eigenvalue: Tổng bình phương các trọng số của các biến trên một nhân tố, đại
diện cho mức độ biến động được giải thích bởi một nhân tố. Giá trị Eigenvalue của các nhân tố được chọn nên từ 1 trở lên (Hair et al., 1995).
- Hệ số tải nhân tố: Còn gọi là hệ số tương quan đơn giữa các biến và nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ chặt chẽ với nhau. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc(2005) thì thang đo đạt giá trị hội tụ khi hệ số này lớn hơn 0,5 trong một nhân tố. Để thang đo đạt giá trị phân biệt giữa các hệ số tải nhân tố thì hệ số này ít nhất phải bằng 0,3.