7. Tổng quan tài liệu nghiên cứu
2.5. PHƢƠNG PHÁP XỬ LÝ SỐ LIỆU
Các dữ liệu sau khi đi thu thập về sẽ đƣợc làm sạch, loại bỏ những bản câu hỏi không hợp lệ và dữ liệu sẽ đƣợc xử lý bằng phần mềm SPSS 16.0 và Amos 18.0. Phân tích dữ liệu sẽ đƣợc thực hiện thông qua các bƣớc: (1) kiểm định thang đo các nhân tố thể hiện hàm ý chất lƣợng dịch vụ đào tạo bằng phân tích nhân tố khám phá EFA (Exploratory Factor Analysis), (2) tiếp theo sử dụng kỹ thuật phân tích nhân tố khẳng định CFA (Confirmation Factor Analysis) để kiểm nghiệm chặt chẽ hơn về độ phù hợp của mô hình thông qua
các chỉ số nhƣ GFI, AGFI, RMSEA, tính đơn nguyên, độ giá trị (hội tụ, phân biệt) của từng nhân tố, và (3) đánh giá thang đo và độ tin cậy của các biến đo lƣờng bằng hệ số Cronbach Alpha và hệ số độ tin cậy tổng hợp CR để lựa chọn và quyết định các biến số có trong mô hình phản ánh nhu cầu thực sự của sinh viên. Từ đó gián tiếp nói lên đƣợc “chất lƣợng” trong dịch vụ đào tạo bao hàm những yếu tố gì.
2.5.1. Phân tích nhân tố khám phá – Exploratory factor analysis (EFA)
Phân tích nhân tố khám phá là một phƣơng pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al., 1998). Số lƣợng nhân tố đƣợc xác định dựa trên chỉ số Eigenvalue, chỉ số này đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser, những nhân tố có chỉ số Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Garson, 2008). Phân tích nhân tố khám phá EFA đƣợc thực hiện tiếp theo để kiểm định các biến số cấu thành nên các nhân tố (thành phần) và các biến số đơn lẻ đại diện cho các nhân tố (thành phần) đó có phù hợp với mô hình lý thuyết đƣa ra ban đầu hay không. Phân tích nhân tố sử dụng phƣơng pháp trích Principal Components với phép xoay Varimax đƣợc thực hiện cho tất cả các biến số đo lƣờng để đảm bảo mức độ tƣơng quan và sự phân biệt rõ ràng giữa các nhân tố cho phân tích CFA. Theo Gerbing và Anderson (1988), phƣơng pháp trích Principal Components với phép xoay Varimax đƣợc sử dụng nhiều nhất, dùng để tối đa hóa phƣơng sai của bình phƣơng trọng số của nhân tố đối với tất cả các biến số trong ma trận yếu tố. Điều này giúp tách các biến số ban đầu bằng các nhân tố đƣợc tìm thấy.
Tiếp theo, phân tích chỉ số KMO, kiểm định Bartlett và tiêu chuẩn hệ số truyền tải (Factor Loading) đƣợc xem xét trong nghiên cứu. KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết về độ tƣơng quan giữa các biên quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể (Gerbing và Anderson, 1988). Theo Hair et al. (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (Ensuring Practical Significance). Factor loading > 0,3 đƣợc xem là đạt đƣợc mức tối thiểu, Factor loading > 0,4 đƣợc xem là quan trọng, > 0,5 đƣợc xem là có ý nghĩa thực tiễn. Hair et al. (1998) cũng nói thêm: Nếu chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất phải là 300, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0,55, nếu cỡ mẫu khoảng 50 thì Factor loading phải > 0,75. Vỡi cỡ mẫu n = 250 nhƣ nghiên cứu này thì tiêu chuẩn Factor loading > 0,5 để đảm bảo mức ý nghĩa thiết thực của phân tích EFA.
Bên cạnh đó, tác giả cũng đánh giá độ tin cậy của các biến quan sát trong mô hình thông qua hệ số Communalities và độ tin cậy của thang đo thông qua hệ số tổng phƣơng sai trích đƣợc (variance extracted). Theo Hair (1998), hệ số Communalities của các biến trong mô hình phải lớn hơn 0,4. Cũng theo Hair (1998), “phƣơng sai trích (Variance Extracted) của mỗi khái niệm nên vƣợt quá 0,5” và phƣơng sai trích cũng là một chỉ tiêu đo lƣờng độ tin cậy. Nó phản ảnh lƣợng biến thiên chung của các biến quan sát đƣợc tính toán bởi biến tiềm ẩn.
2.5.2. Phân tích nhân tố khẳng định – Confirmatory factor analysis (CFA)
Phân tích nhân tố khẳng định CFA đƣợc sử dụng để quyết định các biến số của từng thành phần một cách chặt chẽ hơn, dựa vào ma trận tƣơng quan
của các biến số. Cụ thể, phân tích CFA đƣợc sử dụng để khám phá tính đơn hƣớng/ đơn nguyên (Unidimensionality) của mỗi thành phần. Theo Steenkamp và Van Trip (1991), mức độ phù hợp của mô hình với dữ liệu thị trƣờng cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt đƣợc tính đơn hƣớng, trừ trƣờng hợp các sai số của các biến quan sát có tính tƣơng quan với nhau. Nhƣ vậy CFA là bƣớc tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trƣớc làm nền tảng cho một tập hợp các quan sát không.
Trong phân tích CFA, để đo lƣờng mức độ phù hợp của mô hình với thông tin thị trƣờng, ngƣời ta thƣờng sử dụng Chi-square (CMIN), Chị-square điều chỉnh theo bậc tự do (CMIN/df), chỉ số GFI (Goodness of Fit Index), Chỉ số AGFI (Adjusted Goodness of Fit Index), chỉ số RMR (Root Mean Square Residual), chỉ số thích hợp so sánh CFI (Comparative Fit Index), chỉ số TLI (Tucker và Lewis Index) và chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình đƣợc xem là thích hợp khi kiểm định Chi-square có p-value > 0,05. Tuy nhiên Chi-square có nhƣợc điểm là phụ thuộc vào kích thƣớc mẫu. Nếu một mô hình nhận đƣợc các giá trị GFI, TLI, CFI ≥ 0,9, AGFI ≥ 0,8, RMR ≤ 0,05 (Bentler và Bonett, 1980); CMIN/df ≤ 2, một số trƣờng hợp CMIN/df có thể ≤ 3 (Carmines và McIver, 1981); RMSEA ≤ 0,08, RMSEA ≤ 0,05 đƣợc xem là rất tốt (Steiger, 1990); thì mô hình đƣợc xem là phù hợp với dữ liệu thị trƣờng, hay tƣơng thích với dữ liệu thị trƣờng. Trong nghiên cứu thực tế CMIN/df < 5 (với mẫu n ≥ 200); hay CMIN/df < 3 (khi cỡ mẫu n ≤ 200) thì mô hình đƣợc xem là phù hợp tốt (Kettinger và Lee, 1995).