8. Tổng quan tài liệu nghiên cứu
2.4.5. Phƣơng pháp xử lý và phân tích dữ liệu
Dữ liệu sau khi thu thập sẽ đƣợc xử lý bằng phần mềm SPSS 16 và AMOS 20 để phục vụ cho nghiên cứu chính thức. Các kỹ thuật sử dụng phân tích dữ liệu:
a. Thống kê mô tả mẫu điều tra
Phƣơng pháp này đƣợc sử dụng nhằm mô tả cụ thể về hồ sơ đối tƣợng tham gia điều tra (độ tuổi, giới tính, thu nhập, quốc tịch...).
b. Đánh giá sơ bộ thang đo thông qua hệ số Cronbach Alpha
Độ tin cậy thƣờng dùng nhất là tính nhất quán nội tại nói lên mối quan hệ giữa các biến quan sát trong cùng một thang đo. Hay nói cách khác, các biến quan sát cùng đo lƣờng một khái niệm nghiên cứu nên hệ số tƣơng quan giữa chúng phải cao. Phƣơng pháp kiểm tra độ tin cậy thang đo đƣợc thực
hiện thông qua hệ số Cronbach’s Alpha nhằm khẳng định thang đo có thể đo lƣờng đúng khái niệm cần đo lƣờng.
Nunnally (1978), Peterson (1994) và Slate (1995) cho rằng thang đo đƣợc chấp nhận khi có hệ số Alpha từ 0.6 trở lên.
c. Phân tích nhân tố khám phá EFA
Sau khi đánh giá độ tin cậy thang đo, vấn đề tiếp theo là các thang đo phải đƣợc đánh giá giá trị hội tụ và giá trị phân biệt. Phƣơng pháp phân tích nhân tố khám phá EFA sẽ giúp đánh giá đƣợc hai loại giá trị này. Đồng thời, phƣơng pháp này đƣợc sử dụng để khám phá các nhân tố tiềm ẩn bên trong và bên ngoài có ý nghĩa hơn dựa trên một tập biến quan sát có ảnh hƣởng đến quyết định lựa chọn tour du lịch sinh thái của du khách.
Theo các tác giả, điều kiện dùng để phân tích nhân tố đó là: Kiểm định Bartlett có ý nghĩa thống kê (Sig ≤ 0.05); giá trị KMO ≥ 0.5 là thích hợp (theo Lê Văn Huy & cộng sự, 2012). Sau đó, các biến quan sát có trọng số (factor loading) nhỏ hơn 0.50 trong EFA sẽ tiếp tục bị loại bỏ (Gerbing & Andersion, 1988) và kiểm tra tổng phƣơng sai trích đƣợc (≥ 50%).
d. Phân tích nhân tố khẳng định CFA
Phƣơng pháp phân tích nhân tố khẳng định CFA đƣợc tiếp tục sử dụng nhằm kiểm định các biến quan sát đại diện cho các nhân tố tốt đến mức nào. CFA là bƣớc tiếp theo của EFA, kiểm định thang đo thông qua việc đánh giá chính xác hơn về giá trị hội tụ, độ tin cậy, tính đơn hƣớng và giá trị phân biệt. Đồng thời cho phép nhà nghiên cứu khẳng định sự tồn tại của các nhân tố trong mô hình, khẳng định sự phù hợp của mô hình lý thuyết có sẵn với dữ liệu nghiên cứu thị trƣờng hay không.
Mô hình đƣợc xem là phù hợp với dữ liệu thị trƣờng khi các chỉ số: Chi- square hiệu chỉnh theo bậc tự do (Chi-square/df) nhỏ hơn 2, một số trƣờng hợp nghiên cứu mới có thể nhỏ hơn 3 (Camines & Mcver, 1981), chỉ số thích
hợp so sánh CFI (Comparative fit index) và chỉ số TLI (Turker – Lewis index) lớn hơn 0.9 thì mô hình đƣợc xem là tốt, các chỉ số NFI và GFI dƣới 0.9 cũng có thể chấp nhận đƣợc (Hair và cộng sự, 2006), chỉ số RMSEA (Root Mean Square Error of Approximation) tốt ở mức dƣới 0.05, tại Việt Nam các tác giả đề nghị RMSEA ở mức dƣới 0.08 (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009). Thông thƣờng chỉ tiêu này nhỏ hơn 0.08 thì mô hình đƣợc xem là phù hợp tốt, tuy nhiên theo một số nhà nghiên cứu RMSEA đôi khi nhỏ hơn 0.1, mô hình vẫn đƣợc chấp nhận.
e. Kiểm định mô hình nghiên cứu bằng mô hình cấu trúc tuyến tính SEM
Phƣơng pháp này nhằm kiểm định các giả thuyết nghiên cứu đã đặt ra thông qua mô hình cấu trúc tuyến tính SEM. Phƣơng pháp này sẽ xem xét đồng thời ảnh hƣởng các biến độc lập với nhau và biến phụ thuộc. Tiêu chuẩn kiểm định đƣợc lựa chọn theo thông lệ ở mức ý nghĩa 5%. Về cơ bản CFA là một dạng của SEM (Hair & cộng sự, 2006; Kline, 2011), vì vậy các chỉ số phù hợp của mô hình SEM đƣợc xem nhƣ trong kiểm định bằng CFA.