- test
Nghiên cứu này sử dụng
Nguyên (thông qua .
2 Independent T – test
nhau - value).
1, H2, H3
Giả thuyết:
H0: 1 ≥ 2 (Giá trị trung bình của nhóm thứ nhất lớn hơn hoặc bằng giá trị trung bình của nhóm thứ hai)
H1: 1 < 2 (Giá trị trung bình của nhóm thứ nhất nhỏ hơn giá trị trung bình của nhóm thứ hai)
Đinh Công Khải (2014) thì giả thuyết H1 là giả thuyết mà nhà nghiên cứu muốn ủng hộ và chứng minh là đúng
- Nếu P-value (hay sig) < mức ý nghĩa α=0.05, kết luận rằng với độ tin cậy (1- α), có đủ bằng chứng thống kê để bác bỏ giả thuyết H0, chấp nhận giả thuyết H1 , c có ý nghĩa thống kê giữa giá trị trung bình của hai nhóm.
- Nếu P-value (hay sig) ≥ α, kết luận rằng với độ tin cậy (1- α), chưa có đủ cơ sở (bằng chứng) thống kê để bác bỏ giả thuyết H0
đối với mẫu nghiên cứu này, giá trị trung bình của hai nhóm.
2.4.2.
Việc đánh giá sơ bộ độ tin cậy và giá trị của thang đo được thực hiện bằng phương pháp hệ số tin cậy Cronbach alpha và phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) thông qua phần mềm xử lý SPSS để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác). Trong đó:
Cronbach alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) trong thang đo thông qua hệ số Cronbach alpha. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) cùng nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach alpha có giá trị từ 0,8 trở lên đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng được. Song, cũng có nhiều nhà nghiên cứu (ví dụ: Nunally, 1978; Peterson, 1994; Slater, 1995) đề nghị hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu.
Tuy nhiên, Cronbach alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Bởi vậy, bên cạnh hệ số Cronbach alpha, người ta còn sử dụng hệ số tương quan biến tổng (iterm – total correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ.
Phân tích nhân tố khám phá (EFA) là
. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các khía
cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
- Tiêu chuẩn Bartlett và hệ số KMO (Kaiser – Meyer – Olkin) dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết Ho (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0,05. Trường hợp KMO < 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
- Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue <1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Eigenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Tuy nhiên, trị số Eigenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay nhân tố. Theo Gerbing và Anderson, phương pháp trích Pricipal Axis Factoring với phép xoay Promax (Obtique) có phương sai trích bé hơn, song sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Pricipal components với phép xoay Varimax. Theo Nguyễn Khánh Duy (2009), nếu sau phân tích EFA là phân tích hồi qui thì có thể sử dụng phương pháp trích Pricipal components với phép xoay Varimax, còn nếu sau EFA là phân tích nhân tố khẳng định (CFA) và phân tích mô hình cấu trúc tuyến tính (SEM) thì nên sử dụng phương pháp trích Pricipal Axis Factoring với phép xoay Promax.
- Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair & , Factor loading > 0,3 được xem là đạt mức tối thiểu; Factor
loading > 0,4 được xem là quan trọng; Factor loading > 0,5 được xem là có ý nghĩa thực tiễn. Trường hợp chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất phải là 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0,55; nếu cỡ mẫu khoảng 50 thì Factor loading > 0,75. Ngoại lệ, có thể giữ lại biến có Factor loading < 0,3, nhưng biến đó phải có giá trị nội dung. Trường hợp các biến có Factor loading không thỏa mãn điều kiện trên hoặc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận ≤ 0,3), tức không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó bị loại và các biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu.