a. Hệ số tin cậy Cronbach Alpha
Hệ số tin cậy Cronbach 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 (item – total correlation) sẽ 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 tiêu chí được sử dụng khi đánh giá độ tin cậy của thang đo:
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 độ tin cậy Alpha từ 0.6 trở lên (Nunnally & Bernstein, 1994, trích từ Nguyễn Thị Mai Trang & Nguyễn Đình Thọ, 2008).
Các mức giá trị của Alpha: Lớn hơn 0.8 là thang đo tốt; từ 0.7 đến 0.8 là sử dụng được; từ 0.6 trở lên 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).
b. Phân 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 Eigenvalues = 1. Tiến hành loại các biến có trọng số nhân tố (hệ số chuyển tải) nhỏ hơn 0.5 và tổng phương sai trích được phải lớn hơn hoặc bằng 50%, thang đo được chấp nhận (Gerbing & Anderson, 1998; trích từ Nguyễn Thị Mai Trang & Nguyễn Đình Thọ, 2008). Việc phân tích nhân tố sẽ được thực hiện theo các tiêu chí sau:
Kiểm định Barlett: Là một kiểm định thống kê nhằm kiểm tra giữa các biến có tương quan hay không. Nếu kiểm định này có mức ý nghĩa thống kê dưới 0.05 thì xem như các biến có tương quan với nhau (Hair et al., 1995).
Phép đo sự phù hợp của mẫu KMO (Kaiser-Meyer-Olkin): là phép đo sự tương quan qua lại giữa các biến và sự phù hợp để phân tích nhân tố. Hệ số KMO có giá trị trong khoảng 0 đến 1. Giá trị KMO phụ thuộc vào cỡ mẫu, độ tương quan trung bình, số biến và số nhân tố. Nếu hệ số này lớn hơn 0.5 thì tập dữ liệu được xem là phù hợp để tiến hành phân tích nhân tố (Hair et al., 1995).
Eigenvalue: Là tổng bình phương các trọng số của các biến trên một cột nhân tố, còn được gọi là latent root. Nó đại diện cho mức độ biến động được giải thích bởi một nhân tố. Giá trị eigenvalue của các nhân tố được chọn phải từ 1 trở lên (Hair et al., 1995).
Hệ số tải nhân tố: 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. Để thang đo đạt giá trị hội tụ thì hệ số này phải lớn hơn 0.5 trong một nhân tố. Để đạt giá trị phân biệt, khác biệt giữa các hệ số tải nhân tố phải lớn hơn hoặc bằng 0.3 (Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2005).
c. Phân tích hồi qui đa biến và kiểm định mô hình lý thuyết
Phân tích hồi qui bội là một kỹ thuật thống kê có thể được sử dụng để phân tích mối quan hệ giữa một biến phụ thuộc và nhiều biến độc lập. Mục tiêu của việc phân tích hồi qui bội là sử dụng các biến độc lập có giá trị biết trước để dự báo một giá trị biến độc lập nào đó được chọn bởi người nghiên cứu. Khi chạy hồi qui cần quan tâm đến các thông số sau:
Hệ số Beta: Hệ số hồi qui chuẩn hoá cho phép so sánh trực tiếp giữa các hệ số dựa trên mối quan hệ giải thích của chúng với biến phụ thuộc.
Hệ số R2 hiệu chỉnh: Phản ánh mức độ phù hợp của mô hình hồi qui đa biến. Hệ số này có thể thay đổi từ 0 đến 1.
(Multi)-collinearity (Đa cộng tuyến): Mô tả mối quan hệ tuyến tính giữa hai hay nhiều biến độc lập. Hai biến độc lập được xem là tuyến tính hoàn toàn nếu hệ số tương quan giữa chúng là 1 và hoàn toàn không quan hệ tuyến tính nếu hệ số tương quan giữa chúng là 0. Đa cộng tuyến xảy ra khi một biến độc lập nào đó tương quan mạnh với một nhóm biến độc lập khác.
Hệ số tương quan r: Chỉ mối quan hệ giữa biến phụ thuộc và các biến độc lập. Dấu của hệ số tương quan chỉ hướng của mối quan hệ này. Giá trị của r có thể thay đổi từ -1 đến +1.
Hằng số hồi qui b0: Giá trị của cột Y khi đường thẳng Y = b0 + b1*X1 cắt cột này. Hằng số hồi qui thể hiện các tác động của tất cả các biến dự báo khác không được bao gồm trong mô hình.
Hệ số hồi qui bn: Giá trị hệ số góc của các biến trong mô hình ước lượng. Các hệ số này mang tính riêng phần vì mỗi hệ số không chỉ thể hiện mối quan hệ giữa các biến độc lập và biến phụ thuộc mà còn giữa các biến độc lập với nhau.
Hệ số Tolerance: Được sử dụng để đo lường tính tuyến tính và đa cộng tuyến, giá trị tolerance của biến i (TOLi) là 1-R2*i với R2*i là hệ số khẳng định cho việc dự báo biến i bởi các biến độc lập khác. Khi giá trị Tolerance của một biến càng nhỏ thì biến này càng bị cộng tuyến với các biến độc lập khác.
d. Kiểm định tính phù hợp của mô hình
Trong tài liệu này, tác giả sử dụng kiểm định ANOVA để kiểm tra tính phù hợp của mô hình với tập dữ liệu gốc. Nếu mức ý nghĩa của kiểm định <0.05 thì ta có thể kết luận mô hình hồi qui phù hợp với tập dữ liệu.
e. Đo lường đa cộng tuyến
Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau và nó cung cấp cho mô hình những thông tin rất giống nhau và khó tách ảnh hưởng của từng biến một. Đa cộng tuyến khiến cho việc diễn dịch kết quả có thể sai lầm vì nó làm đổi dấu kì vọng của các hệ số đi theo các biến độc lập, vì vậy chúng ta phải kiểm tra độ tương quan giữa các biến này để đảm bảo không xảy ra hiện tượng đa cộng tuyến.
Tác giả sử dụng ma trận hệ số tương quan Pearson và độ chấp nhận Tolerance để kiểm tra đo lường đa cộng tuyến. Điều kiện là các hệ số tương quan giữa các biến độc lập phải nhỏ hơn 0.4 và hệ số Tolerance của các biến phải gần bằng 1. Hệ số phóng đại phương sai càng gần 1 càng tốt và không quá 10 thì không có hiện tượng đa cộng tuyến.