CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.7. Phương pháp phân tích dữ liệu
Đề tài sử dụng phần mềm IBM SPSS Statistics 23 để xử lý và phân tích dữ liệu. Để tiện cho việc nhập dữ liệu, phân tích và trình bày, các biến nghiên cứu được mã hoá lại cho phù hợp với phần mềm.
Các dữ liệu nghiên cứu sơ cấp sau khi thu thập sẽ được phân tích và xử lý bằng phương pháp phân tích định lượng. Tác giả tiến hành mã hóa và nhập số liệu vào phần mềm IBM SPSS Statistics 23. Sau đó số liệu được xử lý thơng qua một số bước sau: kiểm định độ tin cậy thang đo, phân tích nhân tố khám phá, phân tích tương quan và phân tích hồi quy tuyến tính. Cụ thể như sau:
Hình 3.8: Quy trình sử dụng phần mềm SPSS
Nguồn: Nhóm nghiên cứu tổng hợp
3.7.1. Phân tích độ tin cậy của thang đo
Khi nghiên cứu định lượng, cần phải sử dụng những thang đo chi tiết để hiểu được rõ tính chất của nhân tố lớn. Tuy nhiên không phải lúc nào thang đo ta đề xuất cũng đều cho thấy sự hợp lý khi xuất hiện những biến quan sát cho thấy rằng nó khơng phản ánh được biến phụ thuộc. Thang đo Cronbach’s Alpha giúp giải quyết được vấn đề này bằng cách cho chúng ta cách kiểm tra xem các niên quan sát của nhân tố mẹ có đáng tin cậy hay khơng, hay cụ thể là có phản ánh được biến phụ thuộc hay khơng. Theo tác giả Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), hệ số Cronbach’s Alpha lớn hơn 0,8 đến gần 1 thì “thang đo lường tốt”, từ 0,7 đến 0,8 là “chấp nhận được”. Hệ số Cronbach’s Alpha lớn hơn 0,6 thì cũng có thể cân nhắc sử dụng được
trong bối cảnh đề tài nghiên cứu vấn đề mới. Tuy nhiên trong thực tế nếu hệ số Cronbach’s Alpha quá lớn (từ 0,95 trở lên) sẽ cho thấy rằng có nhiều biến trong thang đo khơng có sự khác biệt, hay cịn gọi là trùng lắp trong thang đo (Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, trang 364).
Bên cạnh đó, thang đo có thể sử dụng được phải đảm bảo có hệ số số tương quan biến tổng (Corrected Item-Total Correlation) từ 0,3 trở lên (Hair & cộng sự, 2010). Đồng thời nếu giá trị Cronbach’s Alpha khi đã bỏ biến đang quan sát (Cronbach’s Alpha if Item Deleted) lớn hơn hệ số Cronbach’s Alpha của nhóm thì chúng ta nên cân nhắc xem xét biến quan sát này, nếu biến quan sát này thật sự quan trọng thì nên giữ lại, cịn nếu khơng thì có thể bỏ đi.
3.7.2. Phân tích nhân tố khám phá EFA
Khác với thang đo Cronbach’s Alpha đánh giá mối quan hệ giữa các biến trong cùng một nhóm, cùng một nhân tố, thì EFA xem xét mối quan hệ giữa các biến quan sát ở trong tất cả các biến độc lập khác nhau nhằm phát hiện những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu. Cụ thể là từ một tập hợp nhiều biến quan sát ban đầu, sau khi phân tích nhân tố khám phá sẽ trở thành các nhóm nhân tố có ý nghĩa hơn.
- Hệ số KMO (Kaiser-Mayer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của thực hiện phân tích nhân tố. Trị số KMO nằm trong khoảng u cầu thì phân tích nhân tố EFA là thích hợp. Điều kiện cần thiết để thực hiện phân tích nhân tố là: 0,5 ≤ KMO ≤ 1.
- Kiểm định Barlett có ý nghĩa thống kê là đại lượng thống kê để xem xét giả thiết các biến khơng có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê thì nghĩa là các biến có mối tương quan với nhau trong tổng thể và thực hiện phân tích nhân tố là phù hợp. Nếu trị số Sig. <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 mơ hình phân tích.
Phân tích nhân tố khám phá sẽ được tiến hành 2 lần. Lần một để đưa các biến quan sát vào đúng nhóm nhân tố và lần hai là để kiểm tra lại xem kết quả đã đúng chưa.
3.7.3. Phân tích tương quan Pearson
Phân tích tương quan Pearson nhằm mục đích kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc. Khi phân tích tương quan Pearson cần đặc biệt chú ý tới giá trị sig. Nếu sig < 0,05 thì có tương quan tuyến tính giữa biến phụ thuộc và biến độc lập, cịn nếu sig > 0,05 thì khơng có tương quan. Nếu có tương quan, chỉ số tương quan Pearson sẽ có giá trị dao động từ -1 đến 1. Nếu chỉ số càng tiến gần về 1 hoặc -1 thì tương quan tuyến tính càng mạnh, càng chặt chẽ, tương ứng với nó là tương quan dương hoặc tương quan âm. Nếu chỉ số càng gần 0 thì tương quan tuyến tính càng yếu, nếu chạm 0 thì khơng có mối liên hệ nào giữa hai biến.
3.7.4. Phân tích hồi quy tuyến tính
Hồi quy đa biến hay cịn gọi là hồi quy tuyến tính bội là bước cuối cùng để tạo ra kết quả đối với nghiên cứu định lượng. Phương pháp này được sử dụng với mức ý nghĩa 5% để kiểm định các giả thiết nghiên cứu và độ phù hợp của mơ hình cũng như mức độ ảnh hưởng của các biến độc lập tới sự thay đổi của biến phụ thuộc. Sau khi phân tích xong mới đủ căn cứ để đưa ra những kết quả và giải pháp phù hợp nhất. Các tiêu chí cần quan sát sau khi phân tích hồi quy tuyến tính gồm có:
- Adjusted R Square hay cịn gọi là P bình phương hiệu chỉnh phản ánh sức ảnh hưởng của biến độc lập lên biến phụ thuộc. Giá trị này trên 50% thì nghiên cứu được đánh giá là có ý nghĩa.
- Durbin-Watson (DW) dùng để kiểm định tự tương quan các sai số kề nhau. Đối với nghiên cứu của chúng em có mẫu nghiên cứu lớn, cụ thể là 628 mẫu hợp lệ thì nếu hệ số d có giá trị lớn hơn 1 và nhỏ hơn 3 thì có thể chấp nhận là khơng có tự tương quan chuỗi bậc nhất, đồng nghĩa với nghiên cứu này là tốt.
- Kiểm định F trong bảng ANOVA có ý nghĩa đánh giá xem mơ hình hồi quy tuyến tính với lượng mẫu giới hạn này có suy rộng và áp dụng cho tổng thể hay không. Cụ thể nếu giá trị sig của kiểm định F mà nhỏ hơn 0,05 thì mơ hình hồi quy tuyến tính xây dựng phù hợp với tổng thể.
- Hệ số hồi quy chuẩn hóa Beta phản ánh xem biến độc lập nào ảnh hưởng lớn nhất đến sự thay đổi của biến phụ thuộc. Nếu hệ số này dương nghĩa là tác động thuận, hệ số này âm là tác động nghịch.
- Kiểm định t từng biến độc lập với sig nhỏ hơn hoặc bằng 0,05 thì biến đó có ý nghĩa trong mơ hình, sig lớn hơn 0,05 thì biến độc lập đó cần được loại bỏ.
- Hệ số VIF dùng để kiểm tra hiện tượng đa cộng tuyến. Đối với các nghiên cứu có mơ hình cùng với bảng hỏi sử dụng thang đo Likert mà hệ số VIF lớn hơn hoặc bằng 2 thì khả năng đang có sự đa cộng tuyến giữa các biến độc lập. Nếu hệ số này mà nhỏ hơn 2 sẽ khơng có đa cộng tuyến, khi đó kết quả của phân tích định lượng mới mang lại nhiều ý nghĩa.
- Ngồi ra cịn có 3 biểu đồ dùng để kiểm tra hai giả định hồi quy phổ biến là phân phối chuẩn của phần dư và liên hệ tuyến tính giữa biến phụ thuộc và biến độc lập. Bao gồm:
Biểu đồ tần số phần dư chuẩn hóa Histogram giúp kiểm định phần dư có tn theo phân phối chuẩn hay khơng. Nếu giá trị Mean trong biểu đồ bằng 0, độ lệch chuẩn gần bằng 1, đường cong phân phối có dạng hình chng thì ta có thể khẳng định phân phối phần dư là phân phối chuẩn, giả định phân phối chuẩn của phần dư không bị vi phạm.
Biểu đồ phần dư chuẩn hóa Normal P-P Plot cũng có cùng cơng dụng với biểu đồ Histogram, dùng để kiểm định sự phân phối chuẩn của phần dư. Sử dụng biểu đồ này bằng cách quan sát các điểm phân vị trong phân phối có tập trung thành một đường chéo hay khơng. Nếu đạt được điều kiện này thì giả định phân phối chuẩn của phần dư không bị vi phạm
Biểu đồ Scattẻ Plot kiểm tra giả định liên hệ tuyến tính giữa biến phụ thuộc và biến độc lập. Điều kiện để giả định không bị vi phạm là các điểm phân vị trong phân phối phân tán ngẫu nhiên và tập trung xung quanh đường trục số 0.