Nghiên cứu chính thức được thực hiện bằng phương pháp nghiên cứu
định lượng. Toàn bộ dữ liệu hồi đáp sẽ được xử lý với sự hỗ trợ của phần mềm SPSS. Khởi đầu, dữ liệu được mã hóa và làm sạch, sau đó qua hai phân tích chính sau:
Đánh giá độ tin cậy và giá trị thang đo
Các thang đo được đánh giá độ tin cậy qua hệ số tin cậy Cronbach Alpha. Qua đó, các biến quan sát có tương quan biến tổng nhỏ (<0,4) bị loại và thang đo được chấp nhận khi hệ số tin cậy Cronbach Alpha đạt yêu cầu (>0,7).
Tiếp theo, phương phân tích nhân tố EFA được dùng để kiểm định giá trị khái niệm của thang đo. Các biến có trọng số thấp (<0,4) sẽ bị loại và thang đo chỉđược chấp nhận khi tổng phương sai trích >0,5.
Kiểm định mô hình lý thuyết
Mô hình lý thuyết với các giả thuyết từ H1 đến H5 được kiểm định bằng phương pháp hồi qui đa biến với mức ý nghĩa 5% theo mô hình sau:
Sự hài lòng = β0 +β1xPhương tiện hữu hình + β2xTin cậy + β3xĐáp ứng + β4xNăng lực phục vụ + β5xCảm thông
Kiểm định sự khác biệt trong Chất lượng dịch vụ và Sự hài lòng theo các biến nhân khẩu học và đặc trưng cá nhân bằng phân tích ANOVA và T- test với mức ý nghĩa 5%.
a. Một số phương pháp thống kê được sử dụng trong nghiên cứu
* Cronbach alpha
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rải rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach alpha. Những biến có hệ số tương quan biến tổng nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số
Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới(Nunnally, 1978; Peterson, 1994; Sater, 1995). Thông thường, thang đo có Cronbach alpha từ 0,7 đến 0,8 là sử dụng được. Nhiều nhà nghiên cứu cho rằng khi thang đo nghiên cứu có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo tốt nhất.
* Phân tích nhân tố khám phá EFA(Exploratory factor analysis)
+ Bản chất và tác dụng của phương pháp
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến số không đảm bảo độ tin cậy thì chúng ta sẽ tiến hành phân tích nhân tố. Các tiếp cận này đưa ra phân tích nhân tố là một phương pháp thống kê được sử dụng để phân tích mối liên hệ tác động qua lại giữa một số
lượng lớn các biến và giải thích các biến này dưới dạng các nhân tốẩn.
Phân tích nhân tố được sử dụng để kiểm định lại khái niệm. Ví dụ, sự
hài lòng của sinh viên được đo bằng các chỉ báo đo trực tiếp (1) tin cậy; (2) phương tiện hữu hình; (3) cảm thông; (4) đáp ứng; (5) năng lực phục vụ. Tập hợp đo này được hình thành từ các nhà nghiên cứu vì vậy cần phải khẳng định tập hợp các chỉ báo trên đúng là thang đo của các biến tiềm ẩn “ sự hài lòng”. Phân tích nhân tố cho phép thực hiện được điều này.
Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu sự hài lòng của sinh viên đối với trường có nhiều biến để nghiên cứu, hầu hết chúng có tương quan với nhau và cần
được rút gọn để có thể dễ dàng quản lý. Trong phân tích ANOVA hay hồi qui tất cả các biến nghiên cứu sẽ có một biến phụ thuộc còn các biến còn lại là các biến độc lập, nhưng đối với phân tích nhân tố thì không có sự phân biệt này. Hơn nữa, phân tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc này được xác định. Vì nhiều lý do trên, phân tích nhân tốđược sử dụng trong các trường hợp sau đây:
- Nhận diện các nhân tố giải thích được liên hệ tương quan trong một tập hợp các biến. Chẳng hạn, trong nội dung nghiên cứu của đề tài: Để đánh giá sự hài lòng của sinh viên đối với dịch vụ đào tạo thì đề tài đã đưa ra một tập hợp các nhân tố, bằng phương pháp nhân tố sẽ nhận diện các nhân tố cơ
- Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít không có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau
để thực hiện một phân tích đa biến tiếp theo sau (phân tích hồi quy).
- Nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong phân tích kế tiếp.
Theo Bryne (2001) phương pháp phân tích nhân tố là một phương pháp thông dụng nhất để nghiên cứu về mối quan hệ giữa các biến quan sát được và biến tiềm ẩn.
Darling ton, 2006 cũng đồng tình khi cho rằng hồi qui đa biến là một phương pháp rất thông dụng để nghiên cứu quan hệ giữa các biến độc lập và một biến phụ thuộc, tuy nhiên phân tích nhân tốđược sử dụng để nghiên cứu chiều hướng của mối quan hệ giữa các biến phụ thuộc với mục tiên nhằm phát hiện ra một điều gì đó về bản chất của các biến độc lập đã ảnh hưởng đến biến phụ thuộc đó, mặc dù các biến độc lập này không được đo một cách trực tiếp. Biến độc lập được suy luận đó được gọi là “nhân tố-factor”.
Cũng theo Darlington, 2006 phân tích nhân tố đề xuất câu trả lời cho bốn câu hỏi chính:
Có bao nhiêu nhân tố để giải thích về chiều hướng mối quan hệ giữa các biến này?
Bản chất của những nhân tố này là gì?
Các nhân tố được giả định đó giải thích được đến mức độ nào các số
liệu quan sát được?
Mỗi biến quan sát được giải thích được bao nhiêu phần trăm phương sai?
Như vậy, bản chất của phân tích nhân tố là để rút gọn và tóm tắt dữ
liệu. Phân tích ANOVA hay hồi qui nghiên cứu mối quan hệ giữa một biến phụ thuộc và các biến độc lập, nhưng đối với phân tích nhân tố thì không có
sự phân biệt này. Hơn nữa, phân tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc này được xác định.
Phương pháp nhân tố được sử dụng rộng rãi trong quản trị chất lượng dịch vụ thông qua việc nghiên cứu sự hài lòng của khách hàng. Để nghiên cứu sự hài lòng của sinh viên đối với Trường Đại học Duy Tân đề tài đã đưa ra 52 biến quan sát.
+ Nguyên tắc cơ bản trong phân tích nhân tố
Về mặt toán học, mô hình phân tích nhân tố giống như phương trình hồi qui nhiều chiều mà trong đó mỗi biến đặc trưng cho mỗi nhân tố. Những nhân tố này không được quan sát một cách riêng rẻ trong mô hình. Nếu các biến được chuẩn hóa mô hình nhân tố có dạng như sau:
Xi = Ai1F1+ Ai2F2+….+ AimFm+ViUi
Trong đó:
Xi: Biến được chuẩn hóa thứ i
Aij: Hệ số hồi qui bội của biến được chuẩn hóa i trên nhân tố chung j F: Nhân tố chung
Vi: hệ số hồi qui của biến chuẩn hóa i trên nhân tố dị biệt i Ui: Nhân tố dị biệt của biến i
m: Số nhân tố chung.
Mỗi nhân tố duy nhất tương quan với mỗi nhân tố khác và với các nhân tố chung. Các nhân tố chung có sự kết hợp tuyến tính của các biến được quan sát.
Fi = wi1x1 + wi2x2 +...+ wikxk
Trong đó:
Fi: Ước lượng nhân tố thứ i
wi: Trọng số hay hệ sốđiểm của nhân tố
Trong phân tích này có thể chọn trọng số hay hệ số điểm nhân tố để
nhân tố thứ nhất có trọng số lớn nhất trong phương sai. Các nhân tố có thể được ước lượng điểm nhân tố của nó. Theo ước lượng này, nhân tố thứ nhất có điểm nhân tố cao nhất, nhân tố thứ hai có điểm nhân tố cao thứ hai….
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn giữa (0,5 và 1) có ý nghĩa là phân tích nhân tố thích hợp, còn nếu giá trị này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra phân tích nhân tố còn dựa vào eigenvalue để xác định số
lượng nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới được giữ
lại trong mô hình. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt nhất hơn một biến gốc.
Một phần quan trọng trong bảng phân tích nhân tố là ma trận nhân tố
(component matrix) hay ma trận nhân tố khi các nhân tố được xoay. Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố.
Hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp phân tích nhân tố phải có hệ số tải nhân tố phải có trọng số lớn hơn 0,5 thì mới đạt yêu cầu.
+ Các bước phân tích nhân tố
b. Xây dựng phương trình hồi quy
* Bản chất và tác dụng của phương pháp
Phương pháp hồi qui bội được Pearson sử dụng lần đầu tiên năm 1908. Phân tích hồi qui là phương pháp thống kê nghiên cứu mối liên hệ của một biến (gọi là biến phụ thuộc) với một hay nhiều biến khác (gọi là biến độc lập). Mục đích của phân tích hồi qui là ước lượng giá trị của biến phụ thuộc trên cơ sở giá trị của biến độc lập đã cho. Còn phân tích tương quan là đo cường độ kết hợp giữa các biến, nó cho phép đánh giá mức độ chặt chẽ của sự
phụ thuộc giữa các biến.
Phương pháp hồi qui tương quan bội được vận dụng để nghiên cứu mối liên hệ của các yếu tốảnh hưởng đến chất lượng dịch vụđào tạo do sinh viên cảm nhận, thường được thể hiện quan biến mức độ hài lòng của sinh viên. Mục tiêu của việc nghiên cứu nhằm chỉ ra các yếu tố nào có ảnh hưởng lớn
đến mức độ hài lòng của sinh viên nhằm đưa ra các giải pháp nâng cao chất lượng của các yếu tốảnh hưởng, với sự kỳ vọng sẽ nâng cao mức độ hài lòng chung. Xác định vấn đề Lập ma trận tương quan Giải thích nhân tố Chọn nhân tố thay thế Tính điểm nhân tố
* Các bước vận dụng phương pháp hồi qui bội
Vận dụng phương pháp hồi qui bội vào nghiên cứu chất lượng dịch vụ
giáo dục đi qua năm bước như sau:
Bước 1: Lựa chọn các tiêu thức (các biến) đưa vào phân tích Những điểm cần lưu ý trong bước 1:
Khi áp dụng mô hình hồi qui cũng như các phương pháp khác trong quan hệ nhân quả, điều quan trọng đầu tiên là đưa ra mô hình lý thuyết. Việc xác định mô hình lý thuyết dựa trên việc phân tích định tính kết hợp với các nghiên cứu tương tự đã được thực hiện từ trước đó. Mô hình lý thuyết trong việc nghiên cứu chất lượng dịch vụ đào tạo được xây dựng theo cách tiếp cận sau:
Biến phụ thuộc là sự hài lòng của sinh viên. Chất lượng dịch vụ được có thể được biểu hiện thông qua “ mức độ hài lòng của sinh viên” với thang
đó Likert 1-5. Với thang đo Likert 5 là hoàn toàn đồng ý, 1 là hoàn toàn không đồng ý.
Biến độc lập là các yếu tố ảnh hưởng đến sự hài lòng của sinh viên. Tuy nhiên, có nhiều cách tiếp cận làm cơ sở cho việc lựa chọn các biến độc lập. Các biến độc lập cũng có thể được thiết kế dựa trên năm khía cạnh theo phương pháp Servperf. Cách này được rất nhiều các nhà nghiên cứu áp dụng khi nghiên cứu sự hài lòng của khách hàng thông qua chất lượng dịch vụ cảm nhận. Thông thường số biến độc lập đưa vào mô hình rất lớn, do vậy khả năng
đa cộng tuyến giữa các biến độc lập là khá cao. Như vậy, việc kết hợp một số
biến có mức độ tương quan cao với nhau là cần thiết để đảm bảo tính chính xác của mô hình.
Bước 2: Lựa chọn mô hình phù hợp nhất để mô hình hóa mối quan hệ
giữa các biến độc lập và biến phụ thuộc. Để chọn mô hình phù hợp nhất sử
các biến độc lập và biến phụ thuộc thông qua kiểm định F; sự phù hợp của mô hình thông qua chỉ tiêu SSE (sai số mẫu). Mô hình tốt nhất là mô hình có hệ
số quyết định điều chỉnh lớn nhất và sai số mẫu nhỏ nhất. Đồng thời kiểm tra mức độ ảnh hưởng của từng biến nguyên nhân đến kết quả thông qua việc so sánh hệ chuẩn hóa. Lý do phải thực hiện rất nhiều kiểm định vì các kết quả
tính toán được tính ra trên một mẫu. Kết quả kiểm định sẽ cho phép suy rộng kết luận từ mẫu cho kết luận tổng thể chung.
Những điểm cần lưu ý trong bước 2:
Phương pháp thường được sử dụng nhất trong lựa chọn mô hình hồi qui là phương pháp bình phương bé nhất. Mục tiêu của phương pháp này là lựa chọn ra một mô hình có tổng bình phương các chênh lệch giữa giá trị thực tế
và giá trị tính theo mô hình là nhỏ nhất.
Bước 3: Loại bỏ khỏi mô hình tốt nhất các biến có hệ số có sig hay t nhỏ hơn 0,05(5%) hoặc 0,01(tùy theo mức ý nghĩa được lựa chọn). Nói cách khác, không có đủ bằng chứng để bác bỏ giả thuyết rằng trên thực tế các biến này không có ảnh hưởng đến chất lượng dịch vụ giáo dục nói chung.
Bước 4: Phân tích phần dư và phân tích đa cộng tuyến nhằm đưa ra các
điều chỉnh cần thiết cho mô hình.
Bước 5: Kết luận về mức độ ảnh hưởng và dự đoán các mức độ của biến phụ thuộc trong tương lai.
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN