Phương pháp thống kê mô tả:
Giá trị trung bình: Mean, Average: bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát.
Số trung vị (Median, KH: Me) : là giá trị của biến đứng ở giữa của một dãy số đã được sắp theo thứ tự tăng hoặc giảm dần.
Mode (KH: Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
Phương sai ($2): là trung bình giữa bình phương các độ lệch giữa các biến và giá trị trung bình của các biến đó.
Độ lệch chuẩn ($): là căn bậc hai của phương sai. Kiểm định Cronbach’s Alpha:
Là kiểm định cho phép đánh giá mức đô tin cậy của việc thiết lập một biến tổng hợp trên cơ sở nhiều biến đơn.
Công thức của hệ số Cronbach’s alpha là: α = Np/ [1 + p(N-1)]
Trong đó p là hệ số tương quan trung bình giữa các mục hỏi. Ký tự Hy Lạp. P trong công thức tượng trưng cho tương quan trung bình giữa tất cả các cặp hỏi được kiểm tra.
Theo quy ước thì một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt phải có hệ số α lớn hơn hoặc bằng 0,8. Mặc dù vậy, nếu có một danh mục quá nhiều các mục hỏi (N là số mục hỏi) thì sẽ có nhiều cơ hội để có hệ số α cao.
Phương pháp phân tích nhân tố khám phá (EFA): được sử dụng để
kiểm định sự hội tụ của các biến thành phần về khái niệm. Các biến có hệ số tương quan đơn giữa biến và các nhân tố (factor loading) nhỏ hơn 0.5 sẽ bị loại. Phương pháp trích nhân tố được sử dụng là Principal Axis Factoring được sử dụng kèm với phép quay không vuông góc Promax. Điểm dừng trích khi các yếu tố có “Initial Eigenvalues” >1.
Phân tích nhân tố khám phá (EFA) là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập biến cần thiết cho vấn đề nghiên cứu cũng như rất cần thiết trong việc tìm mối quan hệ giữa các biến với nhau.
Cuối cùng, để phân tích nhân tố có ý nghĩa, tất cả các hệ số tải nhân tố (factor loading) phải lớn hơn hệ số quy ước 0,5 để các khái niệm nghiên cứu đạt giá trị hội tụ (Hair & ctg, 2006). Bên cạnh đó, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải lớn hơn hoặc bằng 0,3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003). Kỹ thuật phân tích nhân tố (factor analysis) đã được sử dụng trong nghiên cứu này nhằm rút gọn và gom các yếu tố thuộc tính đó lại thành một nhân tố có ý nghĩa hơn, ít hơn về số lượng.
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích được phần biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta chọn tập hợp các quyền số hai sao cho nhân tố thứ hai giải thích được phần lớn biến thiên còn lại, và không có tương quan với nhân tố thứ nhất.