CHƯƠNG 4 : CƠ SỞ LÝ THUYẾT
4.1 Nghiên cứu sự tác động các nhân tố ảnh hưởng đến quy trình quản lý dự
4.1.2.6 Phân tích dữ liệu
4.1.2.6.1 Kiểm định độ tin cậy của thang đo
Kiểm định độ tin cậy của thang đo được đánh giá qua hệ số Cronbach’s Apha (Cronbch, JL.,1951); hệ số Cronbach’s Apha ( ) là hệ số tin cậy được sử dụng kiểm định thang đo lường tương quan giữa các cặp biến quan sát. Công thức của hệ số Cronbach’s Alpha là:
1 ( 1) N N
Trong đó: là hệ số tuơng quan trung bình giữa các mục hỏi. N số mục hỏi được kiểm tra.
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008) [8] đánh giá độ tin cậy thang đo qua hệ số Cronbach’s Alpha ( ) :
0,8 1: Thang đo lường tốt
0,7 0,8: Thang đo sử dụng được 0,6
: Sử dụng đối với khái niệm nghiên cứu mới
Việc kiểm định độ tin cậy thang đo có thể được xác định nhờ hệ số tương quan biến tổng (Corrected Item – Total Correclation) nhằm loại bỏ các biến rác khỏi thang đo lường. Hệ số tương quan biến tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein (1994) [24], các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 được coi là biến rác sẽ bị loại. Vì vậy, đối với nghiên cứu này tác giả mong muốn hệ số Cronbach’s Alpha ( ) từ 0,7 trở lên.
4.1.2.6.2 Phân tích thống kê mô tả
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo nhằm tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các kỹ thuật cơ bản của mô tả dữ liệu:
Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu: Khi tóm tắt một đại lượng về thông tin người trả lời (trong đề tài yêu cầu thông tin: Kinh nghiệm làm việc, vai trò, vị trí, nguồn vốn người trả lời tham gia) dùng các thông số thống kê như tần số, trung bình cộng, phương sai, độ lệch chuẩn. Những dữ liệu này được biểu diễn bằng đồ họa hoặc bằng bảng mô tả dữ liệu giúp phân tích, so sánh thông tin người trả lời.
Kiểm định giả thuyết dữ liệu thống kê mô tả: kiểm định One-Way Anova cho biết trị trung bình giữa các nhóm để so sánh, phỏng đoán mức độ phù hợp dữ liệu thống kê mô tả, tồn tại mối liên hệ giữa các cặp biến quan sát.
Trong phương pháp này tác giả chủ yếu tính một số đại lượng như sau:
Giá trị trung bình: Mean, Average: bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát.
Số trung vị (Median, KH: Me): là giá trị của biến đứng ở giữa của một dãy số được sắp theo thứ tự tăng hoặc giảm dần.
Mode (KH: Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay một dãy số phân phối.
4.1.2.6.3 Kiểm định phân phối mẫu
Theo Nguyễn Ngọc Rạng [27] thì để nhận biết một phân phối chuẩn trong SPSS thì ta dùng Phép kiểm định Kolmogorov-Smirnov test khi cỡ mẫu lớn hơn 50 hoặc Phép kiểm định Shapiro-Wilk test khi cở mẫu nhỏ hơn 50. Được coi là phân phân phối chuẩn khi mức ý nghĩa quan sát (Sig.) lớn hơn 0,05 thì chấp nhận giả thuyết H0 với giả thuyết H0: dữ liệu thu thập là tuân theo phân phối chuẩn.
Theo Trọng và Ngọc (2008) [8] kiểm định Kolmogorov-Smirnov một mẫu với giả thuyết kiểm định H0: dữ liệu thu thập tuân theo phân phối chuẩn, mức ý nghĩa thống kê chấp nhận 95%, nếu mức ý nghĩa quan sát (Sig.) lớn hơn 0,05 thì chấp nhận giả thuyết H0.
Vì vậy, đối với nghiên cứu này tác giả sử dụng kiểm định Kolmogorov- Smirnov test. Kiểm định này giúp tác giả kiểm tra xem dữ liệu mẫu thu thập được có tuân theo phân phối chuẩn không điều này rất quan trọng là tiền đề để tác giả thực hiện các bước phân tích số liệu tiếp theo.
4.1.2.6.4 Kiểm định khác biệt trung bình tổng thể
Phép phân tích phương sai một yếu tố One-Way Anova hoặc Kruskal-Wallis để đánh giá có hay không sự khác biệt về trị trung bình giữa các nhóm trả lời trong các câu hỏi:
Phân tích phương sai một yếu tố One-Way Anova
Phân tích phương sai một yếu tố (One – way Anova) khi chúng ta chỉ sử dụng một biến yếu tố để phân loại các quan sát thành các nhóm khác nhau. Trong trường hợp căn cứ vào hai hay nhiều biến yếu tố để phân chia các nhóm thì chúng ta phải sử dụng đến thủ tục Anova nhiều yếu tố (Two – way Anova).
Theo Trọng và Ngọc (2008) [8] Các giả định đối với phân tích phương sai một yếu tố (One – way Anova):
Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên;
Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn;
Phương sai của các nhóm so sánh phải đồng nhất.
Để kiểm tra xem phương sai của các nhóm so sánh có đồng nhất hay không, ta phải tiến hành kiểm định sự bằng nhau về phương sai, kiểm định này có tên là Levene test, Levene test được tiến hành với giả thuyết H0 rằng phương sai của 2 tổng thể bằng nhau, nếu kết quả kiểm định cho kết quả mức ý nghĩa quan sát (Sig.)<0,05 thì bác bỏ giả thuyết H0.
Kiểm định Kruskal-Wallis
Khi dữ liệu mẫu không tuân theo phân phối chuẩn thì ta sử dụng Kiểm định phi tham số ở đây đề cập đến kiểm định Kruskal-Wallis nhược điểm của kiểm định phi tham số là khả năng tìm ra được những sai biệt thật sự của chúng kém hơn trong những trường hợp mà các giả định của thủ thuật kiểm định có tham số được thỏa mãn, Kruskal-Wallis là phương pháp kiểm định giả thuyết trị trung bình của nhiều nhóm tổng thể bằng nhau hay chính là phương pháp phân tích phương sai một yếu tố mà không đòi hỏi bất kỳ giả định nào về phân phối chuẩn của tổng thể.
Thủ tục tính toán kiểm định Kruskal - Wallis cũng tương tự như thủ tục kiểm định Mann - Whitney. Tất cả các quan sát của các nhóm được gộp lại với nhau để xếp hạng.
thống kê Kruskal - Wallis H được tính từ các tổng hạng này. Đại lượng H này xấp xỉ một phân phối Chi - bình phương với giả thuyết Ho là các nhóm có phân phối giống nhau.
Theo Trọng và Ngọc ( 2008) [8] trong trường hợp không chắc chắn thỏa mãn các giả định của dữ liệu tham số thì có thể thực hiện cả hai phép kiểm định là One- Way ANOVA và Kruskal - Wallis để đối chiếu kết quả. Nếu cả hai kết quả cho ra giống nhau thì kết quả đáng tin cậy.
Trong đề tài này tác giả sử dụng đồng hai phép kiểm định One-Way ANOVA và Kruskal - Wallis để kiểm định sự khác biệt về trị trung bình mức độ ảnh hưởng giữa các nhóm, với các giả thuyết kiểm định như sau:
H0: Không có sự khác biệt về trị trung bình mức độ ảnh hưởng giữa các nhóm. H1: có sự khác biệt về trị trung bình mức độ ảnh hưởng giữa các nhóm.
Sự khác biệt có ý nghĩa thống kê với độ tin cậy 95% (mức ý nghĩa quan sát Sig.<0,05). Nếu mức ý nghĩa quan sát (Sig.)≤ 0,05 kết luận là có sự khác biệt đáng kể, bác bỏ giả thuyết H0 và (Sig.)>0,05 kết luận không có sự khác biệt, chấp nhận giả thuyết H0.
4.1.2.6.5 Phân tích tương quan Pearson và Spearman
Phân tích tương quan Pearson
Theo Trọng và Ngọc (2008) [8] Người ta sử dụng một đại lượng thống kê có tên là hệ số tương quan Pearson (ký hiệu là r) để lượng hóa mức độ chặc chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng. Giả định cần để kiểm định giả thuyết về hệ số tương quan tuyến tính r là tổng thể có phân phối chuẩn. Nhìn chung r được sử dụng để kiểm tra liên hệ giữa những biến định lượng (khoảng cách hay tỷ lệ). Công thức của r như sau:
1 1 1 ( 1) N i i i x y X X Y Y r r N S S Trong đó: N là số quan sát.
r bằng 1 hoàn toàn tương quan thuận. r bằng 0 không có tương quan.
r bằng -1 hoàn toàn tương quan nghịch.
Phân tích tương quan hạng Spearman
Theo Trọng và Ngọc ( 2008) [8] đối với dữ liệu không thỏa mãn được giải định về phân phối chuẩn thì ta có một thước đo quan hệ tuyến tính khác giữa hai biến, đó là hệ số tương quan hạng Spearman (ký hiệu là). Hệ số tương quan hạng Spearman cũng giống như Pearson nhưng nhưng được tính dựa vào các hạng của dữ liệu chú không dựa vào giá trị thực quan sát. Hệ số tương quan hạng Spearman chạy từ -1 đến +1, trong đó -1 và +1 cho thấy mối liên hệ hoàn toàn tuyến tính giữa hạng của hai biến.
Việc phân tích tương quan Pearson và Spearman nhằm kiểm tra mối liên hệ tuyến tính giữa 2 biến định lượng, điều kiện để áp dụng phân tích nhân tố là các biến có tương quan với nhau.
4.1.2.6.6 Phân tích nhân tố khám phá EFA
Theo Hair & ctg (1998) [25] thì phân tích nhân tố khám phá EFA là kỹ thuật phân tích rút gọn một tập hợp gồm nhiều biến quan sát thành một số nhân tố ít hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin và ý nghĩa thống kê của tập biến ban đầu.
Theo Trọng và Ngọc ( 2008) [8] bản thân các nhân tố chung có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fi =Wi1 X1 + Wi2 X2 + Wi3 X3+…..+WikXk
Trong đó:
- F: ước lượng trị số của nhân tố thứ i
- W: quyền số hay trọng số nhân tố (weight or factor score coefficient) - k: số biến
Kiểm định phân tích nhân tố khám phá
Mô hình phân tích nhân tố EFA được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
(i) Hệ số tải nhân tố (Factor Loadings): là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số tải nhân tố lớn hơn hoặc bằng 0,5 [25].
(ii) Tính thích hợp của EFA (Kaiser – Meyer – Olkin): là chỉ số dùng xem xét sự thích hợp của phân tích nhân tố nếu 0,5 ≤ KMO ≤ 1 [8].
(iii) Kiểm định Bartlett (Bartlett’s Test of Sphericity): kiểm định giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể). Ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1 và ngoài đường chéo bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng Chi-Square từ định thức của ma trận tương quan. Ý nghĩa kiểm định Bartlett cho biết nếu bác bỏ giả thuyết H0: đại lượng Chi-Square lớn, ý nghĩa thống kê nhỏ hơn 0,05 thì phân tích nhân tố là thích hợp, còn nếu chưa có cơ sở bác bỏ giả thuyết H0: đại lượng Chi-Square nhỏ, ý nghĩa thống kê lớn hơn 0,05 thì phân tích nhân tố có khả năng không thích hợp [8].
(iv) Phần trăm phương sai cộng dồn (Percentage of variance): là phần trăm phương sai toàn bộ được giải thích bởi các nhân tố, nghĩa là coi biến thiên 100% thì giá trị này cho biết phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % [8]. Phương pháp trích nhân tố được sử dụng là Principal components đi kèm với phép quay nguyên gốc các nhân tố Varimax. Điểm dừng trích khi các yếu tố có phương sai trích cộng dồn phải đạt từ 50% trở lên với Eigenvalue phải lớn hơn 1 [25].
Tóm lại trong nghiên cứu này, tác giả chỉ chấp nhận bộ số liệu khi giá trị kiểm định 0,5 ≤ KMO ≤ 1 và giá trị Sig. mức ý nghĩa của kiểm định Barttestt’s Test phải nhỏ hơn 0,05. Tổng phương sai trích phải lớn hơn 1(Eigenvalue >1), tổng phần trăm phương sai trích phải lớn hơn 50%, các hệ số tải nhân tố (Factor Loadings) phải lớn hơn 0,5.