CHƢƠNG 3 THIẾT KẾ NGH IN CỨU
3.3. NGHIÊN CỨU CHÍNH THỨC
3.3.1. Thu thập dữ liệu
Số lƣợng mẫu nghiên cứu đƣợc thu thập phụ thuộc vào phƣơng pháp phân tích dự kiến sử dụng. Đối với phân tích hồi quy đa biến: cỡ mẫu tối thiểu cần đạt đƣợc tính theo công thức là n=50 + 8*m (m: số biến độc lập) (Tabachnick và Fidell, 1996). Còn đối với nghiên cứu có sử dụng phân tích nhân tố khám phá EFA thì theo Hair và cộng sự (1998), để có thể phân tích nhân tố cần thu thập dữ liệu với kích thƣớc mẫu là ít nhất 5 mẫu trên 1 biến quan sát và tốt nhất 10, đối với đối tƣợng phức tạp và mới thì nên chọn 10 cho mỗi câu hỏi. Đây là cỡ mẫu phù hợp cho nghiên cứu có sử dụng phân tích nhân tố (Comrey, 1973; Roger, 2006). Ngoài ra, nghiên cứu về cỡ mẫu do Roger thực hiện (2006) cho thấy rằng cỡ mẫu tối thiểu áp dụng đƣợc trong các nghiên cứu thực hành là từ 150-200.
Dữ liệu trong đề tài này có sử dụng phƣơng pháp nhân tố khám phá EFA. Bên cạnh đó, do một số đặc điểm đặc trƣng của dịch vụ hành chính công và đối tƣợng tham gia dịch vụ nhƣ: giới tính, độ tuổi, nghề nghiệp... nên tác giả kiến nghị chọn 10 phiếu cho mỗi câu hỏi. Nhƣ vậy với bảng hỏi 32 câu thì nên điều tra tối thiểu là 320 phiếu. Để loại trừ những phiếu trả lời không hợp lệ cũng nhƣ đảm bảo chất lƣợng phiếu thì điều tra dự phòng. Qui mô mẫu dự kiến là 350 phiếu.
Phƣơng pháp điều tra đƣợc sử dụng là phỏng vấn trực tiếp và phát phiếu điều tra.
Tổng thể nghiên cứu là những ngƣời dân đã sử dụng dịch vụ hành chính công. Mẫu nghiên cứu dự kiến cho nghiên cứu là 390 ngƣời dân, sau đó loại bỏ các bảng khảo sát không đạt yêu cầu (mẫu bị trả lời thiếu, đánh dấu nhiều lần,…). Sử dụng hình thức lấy mẫu ngẫu nhiên, phƣơng pháp thu thập thông tin đƣợc áp dụng đó là đến các nơi nhƣ cơ quan nhà nƣớc để phát bảng hỏi trực tiếp.
Trong quá trình điều tra và thu thập dữ liệu, sẽ tiến hành các bƣớc hiệu chỉnh bảng câu hỏi. Quá trình hiệu chỉnh sẽ diễn ra hai lần. Lần hiệu chỉnh đầu tiên là ngay sau khi phỏng vấn trực tiếp ngƣời dân nhằm tìm ra các câu bị bỏ trống, sai sót, đánh dấu hai lần. Lần thứ hai hiệu chỉnh khi tiến hành việc nhập liệu, nhằm loại bỏ các bảng khảo sát không hợp lệ.
3.3.2. P ƣơn p áp xử lý số liệu
Dữ liệu sau khi thu thập và nhập liệu sẽ đƣợc xử lý bằng phần mềm SPSS và AMOS để có thể thực hiện các kiểm định, đánh giá độ phù hợp của mô hình lý thuyết đã đề xuất.
a. Thống kê mô tả
Sau khi tiến hành nhập liệu, tác giả tiến hành lập bảng tần số, vẽ biểu đồ để mô tả mẫu thu thập đƣợc theo các đặc trƣng cá nhân của đối tƣợng phỏng vấn theo các tiêu thức khác nhau nhƣ: giới tính, độ tuổi, trình độ học vấn,...
b. Phân tích nhân tố khám phá (EFA)
Tác giả sử dụng kỹ thuật phân tích nhân tố khám phá (EFA) nhằm thu nhỏ và tóm tắt các dữ liệu. EFA là một kỹ thuật phân tích đa biến phụ thuộc lẫn nhau rất phức tạp nhằm xác định các nhân tố tiềm ẩn trong một tập biến quan sát của một đối tƣợng nghiên cứu.
Để tiến hành phân tích nhân tố EFA, trƣớc hết cần kiểm tra xem thang đo đã đủ điều kiện hay chƣa. Để kiểm tra tính hợp lệ của thang đo khi dùng EFA, phải tính hệ số KMO (Kaiser Meyer Olkin) hoặc kiểm định Barlett.
Ngoài ra các điều kiện về kích thƣớc mẫu cũng cần đƣợc xem xét (tối thiểu là 50 mẫu và tỉ lệ giữa kích thƣớc mẫu trên số biến quan sát đƣa vào phân tích EFA tối thiểu là 5/1, tốt nhất là 10/1).
Tiêu chuẩn KMO dùng để so sánh tổng bình phƣơng hệ số tƣơng quan giữa các cặp biến quan sát với tổng bình phƣơng hệ số tƣơng quan riêng của chúng. Theo Kaiser để sử dụng đƣợc phân tích EFA thì KMO phải lớn hơn 0.5, giá trị KMO nằm trong khoảng [0.5, 1] thì phân tích nhân tố là thích hợp và có thể sử dụng. Nếu giá trị KMO nhỏ hơn 0.5 thì phân tích nhân tố không thích hợp với dữ liệu [25].
Kiểm định Barlett dùng để kiểm định giả thuyết H0 là các biến không tƣơng quan với nhau và kiểm định ma trận tƣơng quan giữa các biến quan sát. Nếu kiểm định có giá trị Sig <0,05 thì EFA là phù hợp.
Ngoài ra, khi tiến hành phân tích EFA cần chú ý đến việc chọn phƣơng pháp trích ra các nhân tố đại diện cho các khái niệm nghiên cứu đơn hƣớng. Có 19 phép trích nhân tố khác nhau nhƣ Pricipal Components, Maximum Likelihood, Least-Squares, Principal Axis Factoring… (Theo Gorsuch (1983)). Trong nghiên cứu này, tác giả sử dụng phép trích Pricipal Components với phép xoay Varimax.
Trị số đặc trưng (Eigenvalue): Khi trích các nhân tố, tiêu chuẩn Eigenvalue thƣờng đƣợc sử dụng để chọn số lƣợng nhân tố cần trích. Eigenvalue thể hiện phần phƣơng sai đƣợc giải thích bởi mỗi nhân tố. Theo tiêu chuẩn này, các nhân tố đƣợc chọn phải có Eigenvalue ≥ 1. Các nhân tố có Eigenvalue < 1, sẽ không đƣợc chọn.
Ma trận nhân tố trích được (component Matrix) là một phần quan trọng của phân tích nhân tố. Ma trận nhân tố trích đƣợc chứa các hệ số tải trọng nhân tố (factor loading) ban đầu của từng biến quan sát lên mỗi nhân tố đƣợc trích. Hệ số factor loading cho biết nhân tố và biến có liên quan chặt chẽ với
nhau hay không. Tuy nhiên, đối với việc nhóm các biến quan sát vào các nhân tố thì ma trận ban đầu này thƣờng chƣa rõ rệt trong.
Theo Hair và ctg (1998), tải trọng nhân tố là tiêu chuẩn bảo đảm ý nghĩa của EFA. Về mặt lý thuyết, đối với các kích thƣớc mẫu khác nhau thì hệ số factor loading cũng khác nhau. Cụ thể:
-Với cỡ mẫu 50 – 100, Factor loading > 0,5 đƣợc xem là có ý nghĩa thực tiễn.
-Với cỡ mẫu khoảng 100 – 350, Factor loading > 0,4 đƣợc xem là quan trọng.
-Với cỡ mẫu ít nhất 350, Factor loading > 0,3 đƣợc xem là đạt mức tối thiểu.
Nhƣ vậy, đề tài có cỡ mẫu là 350 nên hệ số factor loading > 0.3 là đạt yêu cầu.
Ngoài ra, tổng phương sai được giải thích bởi các nhân tố (Total Varicance Explained) cũng là một yếu tố đƣợc quan tâm khi tiến hành phân tích EFA. Theo Gerbing và Anderson (1988), Total Varicance Explained phải lớn hơn hoặc bằng 50%.
c. Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Để loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu, tác giả sử dụng hệ số Cronbach’s Alpha để đánh giá độ tin cậy của từng thang đo trong mô hình nghiên cứu.
Hệ số Cronbach’s Alpha có giá trị trong khoảng [0;1]. Về mặt lý thuyết, các nhà nghiên cứu cho rằng, hệ số Cronbach α càng lớn thì độ tin cậy càng cao. Hiện nay, nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha có giá trị [0.8,1] thì thang đo lƣờng đƣợc cho là tốt. Nếu Cronbach’s Alpha có giá trị [0.7,0.8] là sử dụng đƣợc. Tuy nhiên, nếu Cronbach α lớn hơn 0.95 thì hiện tƣợng trùng lắp rất dễ xảy ra, từ đó dẫn đến việc thang đo đƣợc xem là
không có độ tin cậy tốt. Bên cạnh đó, Nunnally (1978); Peterson (1994); Slater (1995) đề nghị rằng Cronbach’s Alpha từ 0.6 trở lên là sử dụng đƣợc trong trƣờng hợp khái niệm nghiên cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu [30],[34],[37].
Hệ số tƣơng quan biến tổng là một yếu tố để xem xét việc loại bỏ các thang đo trong mô hình. Theo Nunnally & Burnstein (1994), các biến có hệ số tƣơng quan biến tổng nhỏ hơn 0.3 sẽ bị loại khỏi thang đo do có tƣơng quan kém với các biến khác trong cùng mục hỏi.
Đề tài nghiên cứu đƣợc thực hiện với đối tƣợng nghiên cứu là ngƣời dân sử dụng các dịch vụ hành chính công, do đó đề tài sử dụng hệ số Cronbach Alpha từ 0.6 trở lên và hệ số tƣơng quan biến tổng nhỏ hơn 0.3.
d. Phân tích nhân tố khẳng định (CFA)
Phân tích nhân tố khẳng định CFA thích hợp sử dụng khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở. Trong đó mối quan hệ hay giả thuyết (có đƣợc từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì đƣợc các nhà nghiên cứu mặc nhiên thừa nhận khi tiến hành kiểm định thống kê.
Nhƣ vậy, có thể thấy rằng CFA là bƣớc tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trƣớc làm nền tảng cho một tập hợp các quan sát không. CFA cũng là một dạng của mô hình SEM. Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mô hình đo lƣờng, bởi vì chúng cùng “tải” lên khái niệm lý thuyết cơ sở. Phƣơng pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết của các nhà nghiên cứu, đƣợc xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố.
Theo lý thuyết, tác giả sử dụng một một số chỉ tiêu: Chi-Square (χ2), tỉ số Chi-Square điều chỉnh theo bậc tự do (χ2/df), GFI, CFI (Comparative Fit
Index - chỉ số thích hợp so sánh), TLI (Tucker & Lewis Index – chỉ số Tucker & Lewis) và chỉ số RMSEA (Root Mean Square Error Approximation) nhằm giúp đo lƣờng mức độ phù hợp của mô hình với các dữ liệu có đƣợc.
Một mô hình đƣợc xem là phù hợp với dữ liệu đã có nếu thỏa mãn tiêu chí sau:
-Kiểm định Chi-Square (χ2) có giá trị P-value > 0.05: điều này biểu thị cho mức độ phù hợp tổng quát của toàn bộ mô hình tại mức ý nghĩa P -value = 0.05 (Joserkog & Sorbom, 1989). Tuy nhiên, điều này rất khó xảy ra trên thực tế, bởi vì cần kích thƣớc mẫu phải đủ lớn. Vì thế, các nhà nghiên cứu thƣờng dùng các tiêu chí GFI, TLI, CFI, RMSEA, chỉ số χ2 /df để đánh giá.
-Tỷ số Chi-Square/bậc tự do (χ2/df): dùng để đo mức độ phù hợp một cách chi tiết của cả mô hình. Tỷ số χ2/df nằm trong khoảng [1,3] (Theo Hair & ctg, 1998). Trong khi đó Segar, Grover, 1993 đề nghị χ2/df càng nhỏ càng tốt. Ngoài ra, thực tế còn phân biệt tỷ số trên theo cỡ mẫu: χ2/df < 5 với mẫu lớn hơn 200 hay nhỏ hơn 3 với mẫu nhỏ hơn 200 (Kettinger & Lee, 1995)
-Các chỉ số GFI, TLI, CFI ≥ 0.9 (Bentler & Bonett, 1980) đƣợc xem là mô hình phù hợp. Nếu các chỉ số trên có giá trị này bằng 1 thì đƣợc gọi là mô hình hoàn hảo. Ngoài ra, cần phải xét đến chỉ số RMSEA để đánh giá độ phù hợp của mô hình với dữ liệu. Chỉ số RMSEA là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với tổng thể (Segar, Grover, 1993 & Chin & Todd, 1995). Steiger, 1990 lại cho rằng chỉ số RMSEA < 0.05 thì mô hình rất tốt. Taylor, Sharland, Cronin và Bullard, 1993 lại cho rằng giá trị này < 0.08 thì mô hình đƣợc chấp nhận [19].
-Mức xác suất: giá trị > 0.05 đƣợc xem là mô hình phù hợp tốt [Arbuckle và Wothke, 1999; Rupp và Segal, 1989]. Điều này có nghĩa rằng không thể bác bỏ giả thuyết H0 (là giả thuyết mô hình tốt), tức là không tìm kiếm đƣợc mô hình nào tốt hơn mô hình hiện tại.
Ngoài ra các quan hệ riêng lẻ cũng đƣợc đánh giá tốt dựa trên các mức ý nghĩa thống kê. Theo Cohen,1988, trong các nghiên cứu, để kiểm tra tất cả các mối quan hệ nhân quả thì độ tin cậy phải ở mức 95% (p = 0.05).
e. Kiểm định sự phù hợp của mô hình lý thuyết bằng mô hình SEM
Mô hình phƣơng trình cấu trúc (SEM) là một kỹ thuật thống kê để kiểm định và ƣớc lƣợng mối quan hệ nhân quả bằng cách sử dụng một sự kết hợp dữ liệu thống kê và giả định về các quan hệ nhân quả.
Mô hình SEM đã đƣợc ứng dụng trong rất nhiều lĩnh vực nghiên cứu nhƣ tâm lý học (Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học (Lavee, 1988; Lorence và Mortimer, 1985), trong lĩnh vực quản lý (Tharenou, Latimer và Conroy, 1994), …
Mô hình SEM thƣờng tập trung sự quan tâm vào kiến trúc lý thuyết, đƣợc trình bày bởi các nhân tố ngầm. Các quan hệ giữa các kiến trúc lý thuyết đƣợc trình bày bởi các hệ số hồi quy hay hệ số đƣờng dẫn giữa các nhân tố.
Mô hình SEM phù hợp với các bộ dữ liệu nhƣ dữ liệu khảo sát trong dài hạn, phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hoá, cơ sở dữ liệu có cấu trúc sai số tự tƣơng quan, dữ liệu với các biến số không chuẩn, hay dữ liệu bị thiếu.
Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phƣơng trình hồi quy cùng một lúc.
Đặc biệt, SEM sử dụng để ƣớc lƣợng các mô hình cấu trúc (Structure Model) và mô hình đo lƣờng (Mesurement Model) cho lý thuyết đa biến. Mô hình đo lƣờng chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (observed variables). Nó cung cấp thông tin về thuộc tính đo lƣờng của biến quan sát (độ tin cậy, độ giá trị). Trong khi đó, mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này
mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm. Mô hình SEM phối hợp đƣợc tất cả các kỹ thuật nhƣ hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tƣơng để cho phép kiểm tra mối quan hệ phức hợp trong mô hình.
Nhờ tính linh hoạt của nó, đặc biệt đối với việc mô hình hóa mối quan hệ giữa các biến độc lập và phụ thuộc; xây dựng các biến ẩn trung gian, mô hình hoá các sai lệch khi đo lƣờng các biến quan sát và kiểm định việc đo lƣờng và mô hình đƣợc xây dựng thông qua dữ liệu thu thập đƣợc mà mô hình SEM đƣợc xem là ƣu việt hơn so với các kỹ thuật nghiên cứu nhƣ “phân tích nhân tố”, phân tích hồi qui....
KẾT LUẬN CHƢƠNG 3
Chƣơng này trình bày toàn bộ quy trình thiết kế nghiên cứu của đề tài. Mô hình nghiên cứu đƣợc đề xuất sau khi tham khảo các mô hình nghiên cứu trƣớc đây. Đề tài thực hiên thông qua nghiên cứu khám phá và nghiên cứu chính thức. Toàn bộ dữ liệu thu đƣợc sẽ đƣợc mã hóa, nhập liệu và làm sạch với sự hỗ trợ của phần mềm SPSS.
CHƢƠNG 4
KẾT QUẢ NGHIÊN CỨU
4.1. ĐÁNH GIÁ MẪU
Nghiên cứu đã phát ra tổng số 390 bảng hỏi nhƣng chỉ thu về 376 bảng hỏi. Trong số 376 bảng thu về, có 26 bảng không hợp lệ do thiếu các thông tin, có những câu có 2 lựa chọn. Kết quả có 350 bảng hợp lệ đƣợc sử dụng cho nghiên cứu.
Trƣớc tiên đề tài sẽ thống kê các mẫu nghiên cứu theo một số tiêu chí đƣợc dùng trong bảng câu hỏi nhƣ giới tính, nhóm tuổi, nghề nghiệp,…
4.1.1. Mẫu phân bố theo giới tính
Để đánh giá mức độ phân bố mẫu theo giới tính, đề tài tiến hành và thu thập và thống kê dữ liệu. Có thể nhận thấy rằng mẫu phân bố theo giới tính có sự không đồng đều giữa nam, nữ. Kết quả đƣợc thống kê và trình bày nhƣ Bảng 4.1.
Bảng 4.1. Phân phối mẫu theo giới tính
Frequency Percent Valid Percent Cumulative Percent
Valid Nam 163 46,6 46,6 46,6
Nữ 187 53,4 53,4 100,0
Total 350 100,0 100,0
Theo kết quả thống kê từ bài nghiên cứu, thấy rằng về giới tính của mẫu nghiên cứu, trong tổng số 350 đối tƣợng nghiên cứu, có 163 nam (chiếm 46.6%) và 187 nữ (chiếm 53.4%). Nhƣ vậy có thể nhận thấy rằng, tỉ lệ phân bổ công dân tham gia khảo sát về sử dụng dịch vụ hành chính công theo giới tính là khá cao. Từ số liệu thống kê, có đƣợc tỉ lệ phân phối mẫu theo Giới tính nhƣ Hình 4.1
Hình 4.1 Phân phối mẫu theo giới tính
4.1.2. Mẫu phân bố theo nhóm tuổi
Ngoài thống kê, đánh giá theo giới tính, đề tài thực hiện khảo sát trên nhiều nhóm tuổi khác nhau, để đánh giá sự phân bố các nhóm tuổi trong khảo sát, tiến hành thống kê và có đƣợc kết quả nhƣ Bảng 4.2