Phiếu khảo sát sau khi thu về được loại bỏ những phiếu không đạt yêu cầu (như những phiếu có câu trả lời giống nhau cho tất cả các phát biểu và các phiếu chưa được trả lời hoàn chỉnh). Tiếp theo nhập dữ liệu và chạy phần mềm xử lý số liệu SPSS 20.0.
Phương pháp phân tích dữ liệu được dùng cho nghiên cứu này bao gồm những kỹ thuật phân tích định lượng truyền thống như kiểm định thang đo (độ tin cậy và độ giá trị), phân tích nhân tố khám phá, phân tích tương quan và phân tích hồi quy với công cụ phân tích là phầm mềm SPSS 20.0
3.3.2.1. Phân tích hệ số tin cậy Cronbach’s Alpha
Thang đo được kiểm định độ tin cậy (tính nhất quán) thông qua hệ số Cronbach’s Alpha. Hệ số α của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau, là phép kiểm định về chất lượng của thang đo sử dụng cho từng mục hỏi, xét trên mối quan hệ của mục hỏi với một khía cạnh đánh giá.
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach alpha. Những mục hỏi không đóng góp nhiều sẽ tương quan yếu với tổng số điểm, như vậy chúng ta chỉ giữ lại những mục hỏi có tương quan mạnh với tổng số điểm.
Do đó, những biến có hệ số với tương quan biến tổng (Item Total Corelation) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Slater, 1995). Thông thường, thang đo có
Cronbach’s Alpha từ 0.7 đến 0.8 là sử dụng được (Nunnally & Bernstein, 1994). Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lường tốt. Hệ số Cronbach’s Alpha càng lớn thì các biến quan sát trong thang đo càng tương quan chặt chẽ với nhau.
Tuy nhiên kết quả phân tích cho hệ số Cronbach’s Alpha không cho biết được những biến quan sát nào phù hợp và không phù hợp, do đó cần phải xem xét thêm “hệ số Cronbach’s Alpha nếu bỏ biến quan sát đang xét” để kiểm tra và loại bỏ những biến quan sát không phù hợp với yếu tố cần đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
3.3.2.2. Phân tích nhân tố khám phá EFA
Theo Hair và ctg (1998), phân tích nhân tố khám phá là một nhóm các thủ tục, phương pháp phân tích thống kê được sử dụng để thu nhỏ và rút gọn một tập dữ liệu gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chấp nhận được hầu hết nội dung thông tin của tập biến ban đầu.
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ (các biến quan sát hội tụ về cùng 1 nhân tố) và giá trị phân biệt (thuộc về nhân tố này và phải phân biệt với nhân tố khác).
Các tiêu chí trong phân tích EFA là:
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 lớn hơn 0,5 và nhỏ hơn 1 (0,5<KMO<1) là điều kiện đủ để phân tích nhân tố là thích 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’s (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 tố 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’s có ý nghĩa thống kê (sig Bartlett’s Test < 0,05), chứng tỏ các biến quan sát có tương quan 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.
Phép xoay Promax. Theo Nguyễn Khánh Duy (2009), nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phương pháp trích Principal components với phép xoay Varimax, còn nếu sau EFA là phân tích nhân tố khẳng định CFA và phân tích mô hình cấu trúc tuyến tính (SEM) thì nên sử dụng phương pháp trích Asis Factoring với phép xoay Promax.
Trong nghiên cứu này, tác giả sử dụng phương pháp trích Asis Factoring với phép xoay Promax.
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 là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Thêm vào đó, hệ số tải nhân tố phải có giá trị lớn hơn 0,45, nếu biến quan sát nào có hệ số tải nhân tố từ 0,45 trở xuống sẽ bị
loại và tổng phương sai trích (Total Varicance Explained) phải đạt giá trị từ 50% trở lên (Gerbing & Anderson,1988).
3.3.2.3. Phân tích tương quan và hồi quy
Phân tích tương quan: tìm hiểu mối liên hệ (tương quan - Pearson) giữa các biến độc lập với biến phụ thuộc nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập hay không từ đó cho rằng phân tích hồi quy đa biến là phù hợp.
Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến có mối tương quan tuyến tính càng chặt chẽ. Ở đây ta sử dụng kiểm định mức ý nghĩa 2 phía với mức ý nghĩa α < 0,01 để xác định mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc trước khi tiến hành phân tích hồi quy (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Phân tích hồi quy là thực hiện mô hình hóa mối quan hệ tuyến tính giữa các biến bằng mô hình hồi quy tuyến tính. Mô hình này sẽ mô tả hình thức của mối liên hệ và qua đó giúp ta dự đoán được mức độ của biến phụ thuộc (với độ chính xác trong một phạm vi giới hạn) khi biết trước giá trị của biến độc lập (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Cụ thể như sau:
- Xây dựng phương trình hồi quy: Y = β0 + β1 X1 + β2 X2 + … + βn Xn + e
- Kiểm định giả thuyết về độ phù hợp của mô hình hồi quy đối với tập dữ liệu thông qua hệ số xác định R2 đã hiệu chỉnh, nhất là cần phải thực hiện kiểm định giá trị F để xác định độ phù hợp của mô hình hồi quy với tổng thể.
- Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy từng thành phần để khẳng định hay bác bỏ những giả thuyết ban đầu.
- Kiểm định những giả thuyết về phân phối chuẩn của phần dư dựa theo biểu đồ tần số của phần dư chuẩn hóa, xem giá trị trung bình bằng 0 và độ lệch chuẩn bằng 1.
- Xác định mức độ ảnh hưởng của các yếu tố tác động đến biến phụ thuộc: hệ số β của yếu tố nào càng lớn thì có thể nhận xét rằng yếu tố đó có ảnh hưởng càng lớn đến biến phụ thuộc.
Ngoài ra, cần phải xem xét mức độ ảnh hưởng của hiện tượng đa cộng tuyến – Collinearity Statistic (VIF – Variance Inflation Factor): là hiện tượng khi các biến độc lập có tương quan chặt chẽ với nhau. Theo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008), thì khi hệ số VIF vượt quá 10 (VIF >10), đó là dấu hiệu của hiện tượng đa cộng tuyến.
Tóm tắt chương 3
Chương 3 đã trình bày quy trình nghiên cứu, phương pháp nghiên cứu sơ bộ (thiết kế thang đo sơ bộ, thảo luận nhóm, điều chỉnh mô hình và các giả thuyết, điều chỉnh thang đo và mã hóa), phương pháp nghiên cứu chính thức (thiết kế phiếu khảo sát chính thức, kích thước mẫu và chọn mẫu, cơ sở lý thuyết về phân tích dữ liệu).
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Chương 4 sẽ trình bày các kết quả nghiên cứu (làm sạch dữ liệu, thống kê mô tả mẫu, kết quả kiểm định thang đo, phân tích tương quan và hồi quy), thảo luận kết quả nghiên cứu.