7. Tổng quan tài liệu nghiên cứu
2.3.3. Phƣơng pháp phân tích dữ liệu
Phƣơng pháp phân tích dữ liệu đƣợc dùng cho nghiên cứu chính thức bao gồm phân tích hệ số tin cậy Cronbach’s alpha, phân tích nhân tố khám phá EFA và phân tích hồi quy tuyến tính bội. Nghiên cứu sơ bộ chỉ đánh giá thang đo bằng hệ số tin cậy Cronbach’s alpha cho từng khái niệm. Dữ liệu thu thập đƣợc xử lý bằng phần mềm SPSS 21.0.
a. Phân tích hệ số Cronbach’s alpha
Độ tin cậy của thang đo đƣợc đánh giá bằng hệ số Cronbach’s Alpha. Sử dụng phƣơng pháp hệ số tin cậy Cronbach’s Alpha trƣớc khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lƣờng có liên kết với nhau hay không; nhƣng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tƣơng quan giữa biến- tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Các tiêu chí đƣợc sử dụng khi thực hiện đánh giá độ tin cậy thang đo: – Loại các biến quan sát có hệ số tƣơng quan biến-tổng nhỏ (nhỏ hơn 0,3); tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0,6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunally & Burnstein 1994; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
– Các mức giá trị của Alpha: lớn hơn 0,8 là thang đo lƣờng tốt; từ 0,7 đến 0,8 là sử dụng đƣợc; từ 0,6 trở lên là có thể sử dụng trong trƣờng hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn
35
Mộng Ngọc, 2005). Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá thang đo dựa theo tiêu chí:
– Loại các biến quan sát có hệ số tƣơng quan biến tổng nhỏ hơn 0,3. – Chọn thang đo có độ tin cậy Alpha lớn hơn 0,7.
b. Phân tích nhân tố khám phá EFA
Sau khi phân tích hệ số tin cậy Cronbach’s alpha, các thang đo đƣợc đánh giá tiếp theo bằng phƣơng pháp phân tích nhân tố EFA để gom các biến quan sát lại thành các khái niệm phục vụ cho phân tích hồi quy tuyến tính.
Điều kiện cần áp dụng để phân tích nhân tố là các biến phải có tƣơng quan với nhau. Sử dụng kiểm định Bartlett (Bartlett’s test of sphericity) để kiểm định giả thuyết H0 là các biến không có tƣơng quan với nhau trong tổng thể. Nói cách khác, ma trận tƣơng quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đƣờng chéo đều bằng 1, còn các giá trị nằm ngoài đƣờng chéo đều bằng 0. Đại lƣợng kiểm định này dựa trên sự biến đổi thành đại lƣợng chi bình phƣơng (chi-square) từ định thức của ma trận tƣơng quan. Đại lƣợng này có giá trị càng lớn thì ta càng có khả năng bác bỏ giả thuyết này. Nếu giả thuyết H0 không thể bị bác bỏ thì phân tích nhân tố rất có khả năng không thích hợp (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Trong phân tích nhân tố, chỉ số KMO (Kaiser – Meyer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của việc phân tích nhân tố. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Phân tích nhân tố thƣờng đƣợc tiến hành theo phƣơng pháp trích yếu tố phân tích nhân tố chính (Principal Component Analysis) với phép xoay nhân tố giữ nguyên góc các nhân tố (Varimax) (Mayers, L.S, Gamst., Guarino A.J, 2000).
36
Sau khi xoay các nhân tố, trọng số nhân tố (factor loading) phải > 0.5. Theo Hair & cộng sự (1998), trọng số nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố EFA. Trọng số nhân tố lớn hơn 0,3 đƣợc xem là đạt mức tối thiểu, lớn hơn 0,4 đƣợc xem là quan trọng, lớn hơn 0,5 đƣợc xem là có ý nghĩa thiết thực. Tiêu chuẩn khác biệt trọng số nhân tố của một biến quan sát giữa các nhân tố lớn hơn hay bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun Al Tamimi, 2003). Phƣơng sai trích phải đạt từ 50% trở lên (Hair & cộng sự, 1998). Ngoài ra, trị số Eigen Value phải lớn hơn 1. Chỉ những nhân tố nào có Eigen Value lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích. Những nhân tố có Eigen Value nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Tóm lại trong phân tích nhân tố khám phá cần phải đáp ứng các điều kiện:
+ Factor Loading > 0,5 + 0,5 < KMO < 1
+ Kiểm định Bartlett có Sig < 0,05 + Eigenvalue > 1
Sau khi phân tích nhân tố xong sẽ hiệu chỉnh mô hình lý thuyết theo kết quả phân tích nhân tố và tiến hành phân tích hồi quy tuyến tính bội.
c. Phân tích tương quan và phân tích hồi quy tuyến tính bội
Trƣớc khi tiến hành phân tích hồi quy tuyến tính bội thì việc xem xét mối tƣơng quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tƣơng quan Pearson trong ma trận hệ số tƣơng quan là phù hợp để xem xét mối tƣơng quan này. Ma trận hệ số tƣơng quan là một ma trận vuông gồm các hệ số tƣơng quan. Các số 1 trên đƣờng chéo là hệ số tƣơng quan tính đƣợc của một biến với
37
chính nó. Mỗi biến sẽ xuất hiện hai lần trong ma trận với hệ số tƣơng quan nhƣ nhau, đối xứng nhau qua đƣờng chéo của ma trận. Chúng ta chỉ cần quan tâm đến phần tam giác phía dƣới hay phía trên đƣờng chéo của ma trận.
Nếu kết luận đƣợc là các biến độc lập và biến phụ thuộc có tƣơng quan tuyến tính với nhau qua hệ số tƣơng quan Pearson, đồng thời giả định rằng chúng ta đã cân nhắc kỹ bản chất của mối liên hệ tiềm ẩn giữa các biến và xem nhƣ đã xác định đúng hƣớng của một mối quan hệ nhân quả giữa chúng, thì chúng ta có thể mô hình hóa mối quan hệ nhân quả của chúng bằng mô hình hồi quy tuyến tính bội, trong đó một biến đƣợc gọi là biến phụ thuộc và các biến còn lại gọi là các biến độc lập.
Kiểm định độ phù hợp của mô hình: Kiểm định F trong bảng phân tích phƣơng sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Kiểm định ý nghĩa của các hệ số hồi quy: Kiểm định t trong bảng các thông số thống kê của từng biến độc lập dùng để kiểm định ý nghĩa của các hệ số hồi quy.
Sử dụng phƣơng pháp Enter, SPSS xử lý tất cả các biến đƣa vào một lần và đƣa ra các thông số thống kê liên quan đến các biến.
Sau đó, dò tìm các vi phạm giả định cần thiết trong hồi quy tuyến tính bội.
Mô hình lý thuyết đƣợc kiểm định bằng phƣơng pháp hồi quy bội với mức ý nghĩa 5%.
Phƣơng pháp hồi quy bội đƣợc Pearson sử dụng lần đầu tiên năm 1908. Phân tích hồi quy là phƣơng pháp thống kê nghiên cứu mối liên hệ của một biến phụ thuộc với một hay nhiều biến độc lập. Mục đích của phân tích hồi quy là ƣớc lƣợng giá trị của biến phụ thuộc trên cơ sở giá trị của các biến độc lập đã cho.
38
Phƣơng pháp hồi quy bội đƣợc vận dụng để nghiên cứu mối liên hệ của các yếu tố ảnh hƣởng đến sự hài lòng của khách hàng mua sắm online, thƣờng đƣợc thể hiện qua biến mức độ hài lòng của khách hàng. Mục tiêu của việc nghiên cứu nhằm chỉ ra các yếu tố nào có ảnh hƣởng lớn đến mức độ hài lòng của sinh viên nhằm đƣa ra các giải pháp nâng cao chất lƣợng của các nhân tố ảnh hƣởng, từ đó kỳ vọng sẽ nâng cao mức độ hài lòng chung.
Dò tìm sự vi phạm các giả định hồi quy bội gồm: Dò tìm vi phạm đa cộng tuyến thông qua tính độ chấp nhận Tolerence và hệ số phóng đại VIF; Dò tìm vi phạm tính độc lập của sai số thông qua kiểm định hệ số Durbin Watson.
Kiểm định sự khác biệt về sự hài lòng của khách hàng mua sắm online theo các biến giới tính, trình độ học vấn, thu nhập, thời gian và mục đích sử dụng internet bằng phân tích ANOVA, T – test và kiểm định phi tham số, với mức ý nghĩa 5%.