6. Tổng quan tài liệu
2.2.5.Phương pháp xử lý số liệu
2.2. PHƯƠNG PHÁP NGHIÊN CỨU
2.2.5.Phương pháp xử lý số liệu
Sau khi thu lại các bản câu hỏi đã được trả lời từ các sinh viên trường đại học Quảng Nam ta sẽ loại bỏ những bản hỏi không hợp lệ, đánh số những bản hỏi hợp lệ để tiện cho việc kiểm soát sau này. Sau đó sẽ tiến hành thực hiện các bước:
-Mã hóa biến trong phần mềm SPSS -Nhập dữ liệu
-Tiến hành làm sạch dữ liệu. Chẳng hạn: khắc phục lỗi nhập đáp án, lỗi nhập ngoài khoảng cho phép, bỏ sót đáp án.
-Đánh giá thang đo bằng hệ số tin cậy Cronbach’s alpha. Hệ số Alpha được xem xét trong các trường hợp sau: 0.6 ≤𝛼 < 0.7: Chấp nhận được (trong trường hợp nghiên cứu hoàn toàn mới hoặc mới trong bối cảnh nghiên cứu); 0.7 ≤ 𝛼 < 0.8: Chấp nhận được; 0.8≤ 𝛼 < 0.9: Tốt; 0.9 ≤ 𝛼 < 1: Chấp nhận được nhưng không tốt (Nunnally, 1978, Peterson, 1994, Slate, 1995, trích trong Huy và Anh, 2011).
Ngoài điều kiện về hệ số Cronbach’s Alpha, điều kiện về tương quan biến tổng (Corrected Item - Total Correlation) cũng cần được xem xét. Giá trị này tối thiểu phải là 0.3. Nếu tương quan biến tổng của mục hỏi nào nhỏ hơn 0.3 thì cần loại bỏ mục hỏi đó và chạy lại phân tích Cronbach’s Alpha.
-Phân tích nhân tố khám phá EFA
Sau khi thực hiện phân tích Cronbach's Alpha, tiếp theo chúng ta sẽ thực hiện phân tích nhân tố khám phá (EFA). Theo Huy và Anh (2011) thì phân tích nhân tố khám phá (EFA) có các tác dụng sau:
Khi thực hiện phân tích Cronbach’s Alpha thì chúng ta thực hiện trên từng thang đo một cách riêng rẽ. Do đó sẽ có trường hợp mục hỏi của thang đo này sẽ có mối quan hệ với thang đo khác. Để kiểm tra xem có xảy ra trường hợp này hay không, chúng ta sẽ dùng phân tích nhân tố khám phá. Nếu có
trường hợp này xảy ra, mục hỏi có thể bị loại bỏ nhằm đảm bảo các thang đo đạt được độ giá trị hội tụ và độ giá trị phân biệt.
Phân tích nhân tố khám phá còn đảm bảo việc các thang đo lường là đơn hướng (thang đo lường đa hướng bao gồm các mục hỏi đo lường cho các khái niệm khác nhau). Huy và Anh (2011) cũng đưa ra các thông số cần chú ý:
Kiểm định Barkett’s test of sphericity: Kiểm định Barlett’s là kiểm định thống kê nhằm xem xét giả thuyết các biến không có tương quan trong tổng thể. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau. Do vậy, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét.
Kaiser - Meyer - Olkin (KMO) measure of sampling adequacy: chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Giá trị KMO hay MSA nằm trong khoảng từ 0 đến 1, khi KMO ≥ 0.5 thì có thể khẳng định dữ liệu là thích hợp để phân tích nhân tố. Đồng thời, giá trị trên đường chéo của Anti- image Correlation trong ma trận Anti-image (Anti-image Matrics) phải lớn hơn 0.5. Khi KMO < 0.5 hay tồn tại giá trị trên đường chéo nhỏ hơn 0.5 thì cần phải lần lượt bỏ items tương ứng với giá trị nhỏ nhất trên đường chéo và lần lượt thực hiện lại phân tích nhân tố cho đến khi nào giá trị này thỏa mãn.
Correlation matrix: Ma trận thể hiện hệ số tương quan giữa các cặp biến trong phân tích; Communality: Lượng biến thiên của một biến được giải thích chung với các biến khác được xem xét trong phân tích và giá trị này phải lớn hơn hoặc bằng 0.5 (Hair, Black, Babin, & Anderson, 2009); Total Variance Explained: Tổng phương sai giải thích (trích) được. Thông thường, tổng phương sai trích được phải lớn hơn 50%.
Eigenvalue: Phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có giá trị riêng (eigenvalue) bằng hoặc lớn hơn 1 mới được xem là có ý nghĩa, chúng ta không thật sự cần thiết quan tâm quan tâm đến các nhân tố có giá trị
riêng bé hơn. Giá trị riêng là tỷ lệ giữa phương sai thông thường và phương sai riêng được giải thích bằng một nhân tố cụ thẻ được rút trích. Cở sở cho việc sử dụng phương pháp giá trị riêng là số lượng các phương sai thông thường được giải thích bởi nhân tố được rút ra ít nhất phải tương đương với phương sai được giải thích bởi một biến đơn (phương sai duy nhất) nếu nhân tố được giữa lại cho việc giải thích. Giá trị riêng lớn hơn 1 cho biết phương sai thông thường lớn hơn phương sai riêng được giải thích bằng nhân tố đó.
Factor loading (hệ số tải nhân tố): hệ số tương quan đơn giữa các biến (items) và các nhân tố (facors). Hệ số này được xác định tương ứng với kích thước mẫu theo bảng sau:
Bảng 2.13. Hệ số tải nhân tố và kích thước mẫu
Hệ số tải nhân tố Kích thước mẫu
.30 350 .35 250 .40 200 .45 150 .50 120 .55 100 .60 85 .65 70 .70 60 .75 50
Cross-loading: Hệ số tương quan của một chỉ báo (item) với nhân tố thứ 2 trở lên, hệ số coss-loading phải nhỏ hơn hệ số tải nhân tố tương ứng với mẫu nghiên cứu.
Component matrix (ma trận nhân tố): Ma trận chứa các hệ số tải nhân tố của tất cả các biến với các nhân tố được rút trích.
Rotated component matrix (ma trận nhân tố sau khi xoay): chứa các hệ số tải nhân tố của tất cả các biến với các nhân tố được rút trích sau khi thực hiện phép xoay.
Một vấn đề cần quan tâm cũng được Huy và Anh (2011) đưa ra trong giáo trình của mình đó là về xoay nhân tố: Phương pháp phân tích nhân tố sẽ hình thành ma trận nhân tố (Component Matrix), ma trận này chứa các hệ số (factor loading) biểu diễn mối quan hệ giữa các nhân tố, các biến và hệ số này càng lớn thì mối quan hệ này càng chặt chẽ. Có 2 cách sắp xếp chính của phương pháp quay tạm gọi là phương pháp trực giao (orthogonal) và xiên (oblique). Phép quay Orthogonal thực hiện trên cơ sở giả định các nhân tố độc lập và thực hiện phép quay 90 độ. Oblique cho phép các nhân tố tương quan thay vì duy trì ở 90 độ.
Trong việc chọn lựa giữa Orthogonal và Oblique, không có lý do nào thuyết phục trong việc thiên về dùng phương pháp này hơn là phương pháp kia. Thực vậy, không có quy luật để hướng dẫn các nhà nghiên cứu lựa chọn cụ thể phương pháp Orthogonal hay Oblique. Tuy nhiên, quy ước được đưa ra là theo các nguyên tắc có thể giúp cho việc chọn lọc. Nếu mục đích của nghiên cứu không nhiều hơn ngoại việc giảm dữ, không chú ý đến kết quả các nhân tố có thể có ý nghĩa như thế nào và nếu đó là lý do để thừa nhận rằng các nhân tố không tương quan, khi đó Orthogonal nên được dùng. Ngược lại nếu mục đích nghiên cứu là tìm ra các nhân tố có nghĩa một cách lý thuyết và nếu đó là lý do để thừa nhận rằng nhân tố đó tương quan, khi đó dùng Oblique thích hợp.
Có 3 phương pháp chính của Orthogonal đó là:
Phép quay varimax: xoay nguyên góc các nhân tố để tối thiểu số lượng các biến có hệ số lớn tại cùng một nhân tố, điều này giúp cho việc dễ dàng giải thích các biến số quan sát có quan hệ chặt chẽ với một nhân tố.
Phép quay quartimax: xoay nguyên góc các nhân tố để tối thiểu số nhân tố có hệ số lớn tại cùng một biến.
Phép quay equimax: xoay các nhân tố để đơn giản việc giải thích cả biến lẫn nhân tố.
Trong 3 phương pháp này, Huy và Anh (2011) cho rằng varimax được sử dụng rộng rãi nhất vì nó chỉ ra sự chia cắt rõ nhất của các nhân tố. Phương pháp này thực hiện bằng cách đơn giản hóa số cột lớn nhất có thể bên trong các nhân tố ma trận, trong khi đó cả quartimax và equimax đều không sử dụng rộng rãi.
-Phân tích mô tả mẫu. -Phân tích tương quan. -Phân tích hồi quy thứ bậc.
Có 3 dạng tương quan hồi quy bội : (adsbygoogle = window.adsbygoogle || []).push({});
Hồi quy bội đồng thời hoặc hồi quy chuẩn (standard or simultaneous multiple regression): Đây là dạng thông dụng nhất của hồi quy bội. Mỗi biến độc lập được đánh giá dựa trên khả năng dự báo của nó tới kết quả của biến phụ thuộc (trong bối cảnh các biến khác cũng đang có khả năng dự báo riêng của mình tới kết quả của biến phụ thuộc). Kỹ thuật này cho phép khám phá khả năng giải thích của một tập hợp các biến độc lập đến biến động của một biến phụ thuộc. Thêm vào đó, nó cũng cho phép khám phá khả năng giải thích của mỗi biến độc lập đến mức biến động cá biệt của một biến phụ thuộc.
Hồi quy bội từng phần (hoặc thứ bậc - hierarchical): Trong hồi quy thứ bậc, các biến độc lập được đưa vào mô hình hồi quy theo một thứ tự nào đó. Các biến hoặc tập hợp các biến được lần lượt đưa vào mô hình nhằm mục đích
đánh giá khả năng dự báo (hoặc giải thích) của từng biến độc lập lên biến phụ thuộc sau khi các biến độc lập trước đó (được đưa vào mô hình trước) đã được kiểm soát.
Và, hồi quy theo bước (stepwise): Trong hồi quy bước, người nghiên cứu có một list các biến độc lập. Việc đưa các biến độc lập này vào mô hình hồi quy sẽ được SPSS lựa chọn dựa trên các đặc điểm thống kê (statistical criteria). Kiểm định các giả định của mô hình hồi quy.
Các giả định cơ bản cần được kiểm định của mô hình hồi quy đó là kiểm định về hiện tượng đa cộng tuyến, hiện tượng tự tương quan, hiện tượng phương sai không đồng nhất.
Với hiện tượng đa cộng tuyến:
Bản chất: Đa cộng tuyến có nghĩa là tồn tại mối liên hệ tuyến tính “hoàn hảo” giữa vài hoặc tất cả các biến giải thích trong mô hình hồi quy bội.
Nguyên nhân: Phương pháp thu thập số liệu, mối quan hệ ràng buộc trong mô hình hay trong tổng thể, do chỉ định mô hình, mô hình không xác định, các biến giải thích cùng xu thế biến động.
Hậu quả: Đối với hiện tượng đa cộng tuyến hoàn hảo thì ma trận các hệ số hồi qui và ma trận phương sai và hiệp phương sai không tồn tại; Đối với hiện tượng đa cộng gần hoàn hảo thì các ước lượng bình phương bé nhất có phương sai và hiệp phương sai lớn, dấu của các hệ số hồi qui được ước lượng có thể sai, tỷ số t mất ý nghĩa, khoảng tin cậy của các tham số hồi qui rộng.
Phương pháp phát hiện: Để phát hiện đa cộng tuyến ta có thể dùng hệ số tương quan cặp giữa các biến giải thích, dùng nhân tử phóng đại phương sai, hồi quy phụ…
Với hiện tượng tự tương quan:
Bản chất: “Tự tương quan” được hiểu như là sự tương quan giữa các thành phần của dãy số thời gian hoặc không gian.
Nguyên nhân: Nguyên nhân chủ quan là do xử lý số liệu, chọn sai mô hình; Nguyên nhân khách quan là do quán tính, trễ (thời gian).
Hậu quả: Các ước lượng bình phương bé nhất vẫn là ước lượng tuyến tính, không chệch nhưng không phải là ước lượng hiệu quả; Phương sai ước lượng được của các ước lượng bình phương bé nhất thường là chệch; Các kiểm định T và F không đáng tin cậy; Giá trị ước lượng R2 có thể không tin cậy khi dùng để thay thế cho giá trị thật của R2; Phương sai và độ lệch tiêu chuẩn của giá trị dự đoán đã tính được cũng không hiệu quả.
Phương pháp phát hiện: Có thể sử dụng phương pháp đồ thị, phương pháp thống kê d Durbin - Watson, phương pháp kiểm định Breusch - Godfrey (BG)..
Với hiện tượng phương sai không đồng nhất:
Bản chất: Phương sai có điều kiện của ui thay đổi theo Xi nghĩa là Var (ui / Xi) = E (ui)2 = 𝜎𝑖2
Nguyên nhân: Bản chất mối liên hệ kinh tế giữa các biến kinh tế; Do kỹ thuật thu thập số liệu, phương sai sai số có xu hướng giảm; Do con người học được hành vi trong quá khứ; Hiện tượng này còn do số liệu có những phần tử bất thường; Do sự bất đối xứng trong phân phối của các biến có trong mô hình... Hậu quả: Các ước lượng bình phương bé nhất vẫn là ước lượng không chệch nhưng không hiệu quả; Ước lượng của các phương sai bị chệch, do đó các kiểm định mức ý nghĩa và khoảng tin cậy dựa theo phân phối T và F không còn đáng tin cậy nữa.
Phương pháp phát hiện: Xem xét đồ thị phần dư; Kiểm định tương quan hạng Spearman; Kiểm định tương quan hạng Spearman; Kiểm định White; Kiểm định dựa vào biến phụ thuộc.
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU VÀ BÀN LUẬN