Tác giả đã tiến hành khảo sát với 300 phiếu khảo sát, thu về 250 phiếu hợp lệ và làm dữ liệu nghiên cứu, loại bỏ 50 phiếu trả lời không hợp lệ do thiếu nhiều thông tin.
Với tất cả dữ liệu thu về, qua quá trình gạn lọc, kiểm tra, mã hóa, nhập số liệu, làm sạch số liệu, sẽ đến bước xử lý số liệu bằng phần mềm SPSS 20: đánh giá độ tin cậy của thang đo, phân tích nhân tố khám phá EFA.
3.4.2.1. Đánh giá độ tin cậy của thang đo
Thang đo Cronbach’s Alpha nhằm kiểm tra độ tin cậy các tham số ước lượng trong tập dữ liệu theo từng nhóm yếu tố. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố khám phá EFA để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sat, cho phép loại các biến không phù hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007)[5]
Hệ số Cronbach’s Alpha cho biết mức độ tương quan giữa các biến trong bảng câu hỏi và được dùng để tính sự thay đổi của từng biến và mối tương quan giữa các biến. Các biến có hệ số tương quan biến tổng (Correct item – total correlation) lớn hơn 0.3 đồng thời hệ số Cronbach’s Alpha lớn hơn 0.6 sẽ được chấp nhận
Tiến hành loại từng biến, chạy kiểm định thang đo, xác định lại hệ số Cronbach’s Alpha để quyết định biến tiếp theo có bị loại hay không.
3.4.2.2. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA là một trong những phương pháp phân tích định lượng dùng để rút gọn nhiều biến đo lường phụ thuộc lẫn nhau thành một tập hợp các biến (nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các thông tin của tập biến ban đầu (Hair & ctg, 1998)[26]
Phân tích nhân tố góp phần rút gọn một tập hợp gồm nhiều biến đo lường thành một nhân tố. Sau khi thực hiện EFA các nhân tố có thể được thực hiện trong phân tích hồi quy.
Điều kiện cần để bảng kết quả ma trận xoay có ý nghĩa thống kê là: - Hệ số KMO phải nằm trong đoạn từ 0.5 đến 1
- Kiểm định Barlett có Sig phải nhỏ hơn 0.05 - Giá trị Eigenvalue lớn hơn hoặc bằng 1
- Tổng phương sai trích lớn hơn hoặc bằng 50%.
3.4.2.3. Phân tích tương quan – hồi quy
Các thang đo đạt yêu cầu được đưa vào phân tích tương quan Pearson và phân tích hồi quy để kiểm định các giả thuyết. Phân tích tương quan Pearson được thực hiện giữa các biến phụ thuộc và biến độc lập nhằm khẳng định mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Giá trị tuyệt đối của Pearson càng gần 1 thì hai biến có mối tương quan tuyến tính càng chặt chẽ. Đồng thời cũng cần phân tích tương quan giữa các biến độc lập với nhau nhằm phát hiện những mối tương quan chặt chẽ giữa các biến độc lập. Vì những tương quan như vậy có thể ảnh hưởng đến kết quả phân tích hồi quy như gây ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005)[3]
Sau khi kết luận các biến độc lập và các biến phụ thuộc có mối quan hệ tuyến tính với nhau có thể mô hình hóa quan hệ nhân quả này bằng hồi quy tuyến tính (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005)[3]
Kiểm định sự phù hợp của mô hình thông qua kiểm định F và hệ số R2 hiệu chỉnh.
Kiểm định sự phù hợp của mô hình hồi quy.
Kiểm tra về sự vi phạm các giả định mô hình hồi quy. Kiểm định phân phối chuẩn phần dư.
Kiểm tra giả định về hiện tượng đa cộng tuyến với hệ số phóng đại phương sai VIF (Variance Inflation Factor). Nếu VIF < 10 thì không có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005)[3]
Tiểu kết chương 03
Trong chương 03 đã trình bày khá rõ phương pháp nghiên cứu để thực hiện luận văn. Luận văn sử dụng 02 phương pháp nghiên cứu: nghiên cứu định tính và nghiên cứu định lượng.
Nghiên cứu định tính được tiến hành được tiến hành thông qua thảo luận nhóm để hiệu chỉnh thang đo bằng việc điều chỉnh, bổ sung các biến của mô hình nghiên cứu, sau đó hoàn chỉnh bảng câu hỏi để thực hiện phỏng vấn. Phương pháp nghiên cứu định lượng được tiến hành với 300 phiếu khảo sát, sau đó dữ liệu được phân tích và xử lý bằng phần mềm SPSS 20.
CHƯƠNG 04
KẾT QUẢ NGHIÊN CỨU