2.6.1 Phương pháp thống kê mô tả
Thống kê mô tả là việc mô tả dữ liệu bằng các phép tính và các chỉ số thống
kê thông thường như số trung bình, số trung vị, phương sai, độ lệch chuẩn…
+ Giá trị trung bình (Mean, Averge): bằng tổng tất cả các giá trị biến quan sát
chia cho số quan sát.
+ Số trung vị (Median): là giá trị của biến đứng giữa của một dãy số đã được
sắp theo thứ tự tăng hoặc giảm dần. Số trung vị chia dãy số làm hai phần, mỗi phần có số quan sát bằng nhau.
+ Mode: là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một
dãy số phân phối.
+ Phương sai: là trung bình giữa bình phương các độ lệch giữa cá biến và giá
trị trung bình của các biến đó.
+ Độ lệch chuẩn: là căn bậc hai của phương sai
2.6.2 Phương pháp hệ số tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự
chặt chẽ và tương quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh
là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời. Phương pháp này cho phép
người phân tích loại bỏ những biến khơng phù hợp và hạn chế các biến rác trong mơ hình nghiên cứu vì nếu khơng chúng ta khơng thể biết được chính xác độ biến thiên
45
cũng như độ lỗi của các biến. Theo đó, chỉ những biến có hệ số tương quan biến tổng phù hợp (Corrected Item-Total Correlation) lớn hơn 0,3 và có hệ số
Cronbach’s Alpha lớn hơn 0,6 mới được xem là chấp nhận được và thích hợp đưa
vào những bước phân tích tiếp theo (Nunnally & Burnstein, 1994). Cũng theo nhiều nhà nghiên cứu, nếu Cronbach’s Alpha đạt từ 0,8 trở lên đến gần 1 thì thang đo
lường là tốt và mức độ tương quan sẽ càng cao hơn.
Công thức của hệ số Cronbach’s Alpha: α=Np/[1+p(N-1)]
Trong đó: p là hệ số tương quan trung bình giữa các mục hỏi.
N là số mục hỏi
2.6.3 Phương pháp phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá cho phép nhà nghiên cứu rút gọn một tập nhiều biến phụ thuộc lẫn nhau thành một tập có ít biến hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thơng tin của tập nhiều biến trước đó. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Mỗi biến quan sát sẽ được tính một tỷ số, được gọi là hệ số tải nhân tố (factor loading). Hệ số này cho nhà nghiên cứu biết biến đó sẽ thuộc về nhân tố nào.
Trong phân tích nhân tố khám phá, hệ số KMO (Kaiser-Meyer – Olkin) là chỉ số thể hiện sự thích hợp của phân tích nhân tố. Hệ số KMO phải có giá trị trong khoảng từ 0.5 đến 1 thì phân tích này mới thích hợp, cịn nếu như hệ số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu.
Bên cạnh đó, phân tích nhân tố khám phá cịn dựa vào đại lượng eigenvalue để xác định số lượng nhân tố. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới được giữ lại trong mơ hình. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc.
Phương pháp trích nhân tố được sử dụng là Principal Components với phép quay là Varimax và điểm dừng khi trích rút các yếu tố có eigenvalue là 1. Các biến quan sát có trọng số (hệ số tải nhân tố) nhỏ hơn 0,5 sẽ bị loại và thang đo được chấp
46
nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% (Gerbing & Andesson,
1988).
2.6.4 Phương pháp phân tích hồi quy
Phân tích hồi quy là tìm quan hệ phụ thuộc của một biến (biến phụ thuộc hay biến kết quả) vào một hoặc nhiều biến khác (biến độc lập hay biến giải thích) nhằm mục đích dự báo giá trị biến kết quả khi biết trước giá trị của biến giải thích.
Các nhân tố được rút trích từ phân tích nhân tố khám phá sẽ được đưa vào phân tích hồi quy.
Mơ hình hồi quy được xem xét ở đây có dạng:
Y = o + 1X1 + 2 X2 + … + i Xi + ui
Trong đó:
Y: Biến phụ thuộc
i: Hệ số được ước lượng
Xi: Biến độc lập
ui: Sai số
* Kiểm định mức độ phù hợp của mơ hình
- Mức độ giải thích của mơ hình (Adjusted R Square): Hệ số Adjusted R
square cho biết có bao nhiêu phần trăm thay đổi của biến phụ thuộc được giải thích bởi các biến độc lập.
- Mức độ phù hợp mơ hình: phân tích phương sai ANOVA. Dựa vào giá trị Sig xác định mức độ phù hợp của mơ hình lý thuyết với thực tế.
Các giả thuyết dùng để kiểm định mức độ phù hợp của mơ hình hồi quy:
Ho: i = 0, các biến độc lập khơng có liên hệ tuyến tính với biến phụ thuộc. Ho: i ≠ 0, có ít nhất một biến độc lập có liên hệ tuyến tính đên biến phụ thuộc.
Với độ tin cậy 95% (hay mức ý nghĩa α = 5%)
Ta bác bỏ giả thuyết Ho khi Sig < 5% nghĩa là có ít nhất một biến độc lập có ảnh hưởng đến biến phụ thuộc.
47
ảnh hưởng đến biến phụ thuộc.
* Kiểm định hiện tượng đa cộng tuyến (Multiple Collinearity)
Kiểm tra mối quan hệ giữa các biến độc lập dựa trên độ phóng đại phương sai (VIF). Nếu các biến độc lập có giá trị VIF <10, ta kết luận khơng có hiện tượng đa cộng tuyến trong mơ hình.
2.6.5 Phương pháp kiểm định ANOVA
Dùng để kiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%.
Một số giả định khi phân tích ANOVA:
- Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên.
- Các nhóm so sánh phải có phân phối chuẩn or cỡ mẫu phải đủ lớn để được
xem như tiệm cận phân phối chuẩn.
- Phương sai của các nhóm so sánh phải đồng nhất.
Lưu ý: nếu giả định tổng thể có phân phối chuẩn với phương sai bằng nhau khơng đáp ứng được thì bạn có thể dùng kiểm định phi tham số Kruskal-Wallis sẽ để thay thế cho ANOVA.
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005) thì kiểm định ANOVA thực hiện thơng qua hai bước:
Bước 1: Kiểm định Phương sai bằng nhau (Levene test)
- Levene test: Ho: “Phương sai bằng nhau” - Sig < 0,05: bác bỏ HO
- Sig ≥ 0,05: chấp nhận HO -> đủ điều kiện để phân tích tiếp anova Bước 2: Kiểm định ANOVA
- HO: “Trung bình bằng nhau”
- Sig > 0,05: chấp nhận HO -> chưa đủ điều kiện để khẳng định có sự khác biệt…
48