3.4.1. Phương pháp chọn mẫu
Tùy thuộc vào phương pháp phân tích, tác giả sẽ chọn kích thước mẫu phù hợp. Với nghiên cứu này, tác giả đã sử dụng phương pháp phân tích nhân tố khám phá (EFA). Trong phương pháp này, kích thước mẫu được chọn sẽ phụ thuộc vào số lượng biến đưa trong phân tích nhân tố. Nếu các nhà nghiên cứu khác không nêu ra
số lượng cụ thể về số mẫu cần thiết mà chỉ cung cấp tỉ lệ giữa số mẫu cần thiết và số tham số cần ước lượng, thì Gorsuch (1983) cho rằng số lượng mẫu phải chọn cần gấp 5 lần số lượng biến quan sát trở lên.
Trong đề tài này, tác giả sử dụng 27 biến quan sát và 4 mục hỏi về thông tin của người được khảo sát. Do đó, số lượng mẫu cần thiết là (27+4) x 5 = 155 mẫu trở lên.
Chọn mẫu qua phương pháp phỏng vấn trực tiếp với hành khách, với kỳ vọng đạt được độ tin cậy cao, tác giả chọn kích thước mẫu là 200 mẫu. Để có được số lượng mẫu đề ra, tác giả sẽ phát ra tăng thêm 10% cỡ mẫu tối thiểu vì trong quá trình thu thập dữ liệu sẽ phải loại bỏ những bảng khảo sát khơng đạt u cầu (nếu có).
3.4.2. Phương pháp xử lý số liệu
Tác giả tiến hành khảo sát 200 hành khách bất kỳ đã từng sử dụng dịch vụ tại CHKQTCR bằng phương pháp chọn mẫu thuận tiện. Với tập hợp các dữ liệu thu thập được, sau khi hoàn tất việc sàng lọc, kiểm tra, mã hóa, nhập liệu và làm sạch dữ liệu, sẽ tiến hành xử lý số liệu bằng phần mềm SPSS 23 với một số phương pháp phân tích như sau:
3.4.2.1. Đánh giá độ tin cậy của thang đo
Hệ số Cronbach’s Alpha được dùng để kiểm tra độ tin cậy các tham số ước lượng có trong tập dữ liệu theo từng nhóm yếu tố trong nghiên cứu. Các biến khơng phù hợp, có độ tin cậy thấp được tiến hành loại bỏ. Những mục hỏi trong cùng một nhóm sẽ có mối tương quan với nhau. Hệ số Cronbach’s Alpha thể hiện mức độ của mối quan hệ đó giữa các biến trong bảng câu hỏi và được dùng để tính tốn sự thay đổi của từng biến và mối tương quan giữa các biến với nhau.
Tiêu chuẩn đánh giá:
- Các biến có hệ số tương quan biến – tổng (item – total correlation) nhỏ hơn 0,3 sẽ bị loại.
- Các biến có Cronbach’s Alpha nếu loại biến lớn hơn Cronbach’s Alpha sẽ bị loại.
- Chọn thang đo có hệ số Cronbach’s Alpha lớn hơn 0,6.
- Thực hiện loại từng biến, sau đó chạy lại kiểm định thang đo, xác định lại hệ số Cronbach’s Alpha để quyết định là biến tiếp theo có bị loại hay khơng.
3.4.2.2. Phân tích nhân tố khám phá EFA
Các biến sau khi được kiểm định thang đo và loại bỏ các biến không đảm bảo độ tin cậy, sẽ được đưa vào phân tích nhân tố để xác định lại thang đo, điều này sẽ giúp đánh giá chính xác hơn các thang đo, loại bỏ bớt các biến đo lường không đạt yêu cầu và làm cho thang đo đảm bảo tính đồng nhất.
Phân tích nhân tố được hiểu là nhằm mục đích để nhóm các biến ít tương quan với nhau thành các nhân tố mà các biến trong đó có sự tương quan với nhau hơn, từ đó hình thành các nhân tố đại diện nhưng vẫn mang đầy đủ thông tin so với số lượng biến ban đầu. Bao gồm các bước sau:
Bước 1: Kiểm định sự thích hợp của phân tích nhân tố đối với các dữ liệu ban
đầu bằng chỉ số KMO (Kaiser– Meyer– Olkin, trị số dùng để xem xét sự thích hợp của phân tích nhân tố) và giá trị thống kê Barlett (đại lượng thống kê, trong đó các biến hồn tồn khơng tương quan với các biến khác). Tiêu chuẩn đánh giá:
Chỉ số KMO > 0,5
Mức ý nghĩa quan sát nhỏ (sig < 0,05)
Các biến quan sát trong tổng thể có mối liên hệ với nhau, đồng thời cho thấy
phân tích nhân tố (EFA) là thích hợp.
Bước 2: Tiếp theo, phương pháp trích nhân tố và phương pháp xoay nhân tố
sẽ được tiến hành để xác định số lượng các nhân tố được trích ra và xác định các biến phụ thuộc từng nhân tố.
- Trong mơ hình phân tích, tiến hành giữ lại các nhân tố có Eigenvalue lớn hơn 1. Vì những nhân tố này tóm tắt những thơng tin có giá trị cao hơn các nhân tố cịn lại. Eigenvalue chính là đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
- Hệ số Factor loading: là hệ số tương quan đơn giữa biến và nhân tố. Điều kiện: hệ số Factor loading > 0,5. Biến sẽ thuộc nhân tố nào mà tại đó biến có hệ số Factor loading lớn nhất. Những biến nào không thoả các tiêu chuẩn trên sẽ bị loại.
Bước 3: Kiểm định lại độ tin cậy của thang đo các nhân tố này bằng hệ số
Cronbach’s Alpha.
3.4.2.3. Phân tích tương quan - hồi quy Phân tích tương quan Phân tích tương quan
Từ q trình phân tích trên, các thang đo đã được đánh giá đạt yêu cầu tiếp tục được đưa vào phân tích tương quan Pearson và phân tích hồi quy để kiểm định các giả thuyết.
Phương pháp phân tích hồi quy tuyến tính được xem là phù hợp nhất khi phân tích tương quan Pearson được thực hiện giữa biến phụ thuộc và biến độc lập nhằm xác định mối quan hệ tuyến tính giữa các biến độc lập và biến phụ thuộc. Hai biến cần phân tích có mối liên quan chặt chẽ khi giá trị tuyệt đối của Pearson càng gần đến 1. Để phát hiện những mối tương quan chặt chẽ giữa các biến độc lập cũng cần phân tích đồng thời tương quan giữa các biến độc lập với nhau vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả phân tích hồi quy như gây ra hiện tượng đa cộng tuyến (theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Phân tích hồi quy bội
Sau khi kết luận các biến độc lập và biến phụ thuộc có mối quan hệ tuyến tính với nhau có thể mơ hình hóa quan hệ nhân quả này bằng hồi quy tuyến tính (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Kiểm định sự phù hợp của mơ hình thơng qua kiểm định hệ số xác định R2
hiệu chỉnh.
Căn cứ vào biểu đồ tần số của phần dư chuẩn hóa; kiểm tra giá trị trung bình bằng 0 và độ lệch chuẩn bằng 1 để kiểm định giả thuyết về phân phối chuẩn của phần dư.
Kiểm tra giả định về hiện tượng đa cộng tuyến thông qua giá trị của dung sai (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor). Nếu VIF > 10 thì có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).