5. Kết cấu của luận văn
2.3.3. Phương pháp xử lý thông tin
2.3.3.1. Phương pháp so sánh
Phương pháp so sánh là phương pháp đơn giản, được sử dụng rất rộng rãi dùng để xem xét xu hướng biến động, mức độ biến động của một chỉ tiêu nào đó. Đối với số liệu thứ cấp được thu thập theo chuỗi thời gian thì sử dụng phương pháp so sánh khá phù hợp để xem xét sự biến động của chúng theo thời gian. Chúng ta có thể so sánh bằng số tương đối hoặc số tuyệt đối theo từng chỉ tiêu.
2.3.3.2. Phương pháp thống kê mô tả
- Trung bình mẫu (mean) trong thống kê là một đại lượng mô tả thống kê, được tính ra bằng cách lấy tổng giá trị của toàn bộ các quan sát trong tập chia cho số lượng các quan sát trong tập. Tuy nhiên, trong một số trường hợp, giá trị này không có ý nghĩa như: nói về giới tính, nghề nghiệp...
- Số trung vị (median): Là một số tách giữa nửa lớn hơn và nửa bé hơn của một mẫu, một quần thể, hay một phân bố xác suất. Nó là giá trị giữa trong một phân bố, mà số nằm trên hay dưới con số đó là bằng nhau. Điều đó có nghĩa rằng 1/2 quần thể sẽ có các giá trị nhỏ hơn hay bằng số trung vị, và một nửa quần thể sẽ có giá trị bằng hoặc lớn hơn số trung vị.
- Độ lệch chuẩn, hay độ lệch: Đây là một đại lượng thống kê mô tả dùng để đo mức độ phân tán của một tập dữ liệu đã được lập thành bảng tần số. Có thể tính ra độ lệch chuẩn bằng cách lấy căn bậc hai của phương sai.
- Tần suất và biểu đồ phân bổ tần suất: Là số lần xuất hiện của biến quan sát trong tổng thể, giá trị các biến quan sát có thể hội tụ, phân tán, hoặc phân bổ theo một mẫu hình nào đó, quy luật nào đó.
Khi hai tập dữ liệu có cùng giá trị trung bình cộng, tập nào có độ lệch chuẩn lớn hơn là tập có dữ liệu biến thiên nhiều hơn. Trong trường hợp hai tập dữ liệu có giá trị trung bình cộng không bằng nhau, thì việc so sánh độ lệch chuẩn của chúng không có ý nghĩa. Độ lệch chuẩn còn được sử dụng khi tính sai số chuẩn. Khi lấy độ lệch chuẩn chia cho căn bậc hai của số lượng quan sát trong tập dữ liệu, sẽ có giá trị của sai số chuẩn.
2.3.3.3. Phương pháp phân tích nhân tố khám phá
Phương pháp phân tích nhân tố khám phá được tiến hành nhằm kiểm định lại các thang đo (nhân tố) trong mô hình nghiên cứu bằng phần mềm SPSS 20.0. Đây là bước phân tích chi tiết các dữ liệu thu thập được thông qua phiếu điều tra gửi cho doanh nghiệp để xác định tính logic, tương quan của các nhân tố với nhau và từ đó đưa ra kết quả cụ thể về đề tài nghiên cứu.
Quy trình:
- Tổng hợp số liệu điều tra
- Đánh giá độ tin cậy của thang đo với hệ số Cronbach’s Alpha - Phân tích nhân tố khám phá EFA
- Phân tích tương quan, hồi quy, kiểm định.
a. Tổng hợp số liệu điều tra
Sau khi đã có phiếu điều tra từ các doanh nghiệp tác giả tiến hành nhập dữ liệu vào phần mềm SPSS 20.0. Các số liệu định tính cần được mã hóa lại. Các số liệu định lượng không cần phải mã hóa. Sau đó tiến hành khai báo các biến, làm sạch dữ liệu.
b. Đánh giá độ tin cậy của thang đo
Một thang đo được coi là có giá trị khi nó đo lường đúng cái cần đo. Hay nói cách khác đo lường đó vắng mặt cả hai loại sai lệch: sai lệch hệ thống và sai lệch ngẫu nhiên. Điều kiện cần để một thang đo đạt giá trị là thang đo đó phải đạt độ tin cậy, nghĩa là cho cùng một kết quả khi đo lặp đi lặp lại.
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại thông qua hệ số Cronbach’s Alpha và hệ số tương quan biến tổng.
Nhiều nhà nghiên cứu đồng ý rằng hệ số Cronbach’s Alpha từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s 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. Vì vậy, đối với nghiên cứu này thì Cronbach’s Alpha từ 0.6 trở lên là sử dụng được và hệ số tương quan biến tổng > 0,3 thì biến đo lường thang đo đó được sử dụng.
c. Phân tích nhân tố khám phá EFA
Các thang đo đạt yêu cầu về độ tin cậy sẽ được sử dụng phân tích nhân tố, để rút gọn một tập gồm nhiều biến quan sát thành một tập biến (gọi là nhân tố) ít hơn, các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung thông tin của tập biến quan sát ban đầu (Hair, Anderson, Tatham và Black, 1998). Phương pháp phân tích nhân tố khám phá EFA được dùng để kiểm định giá trị khái niệm của thang đo. Các kiểm định chính được thực hiện như sau:
(1) Kiểm định tính thích hợp của EFA
Sử dụng thước đo KMO để đánh giá sự thích hợp của mô hình EFA đối với ứng dụng vào dữ liệu thực tế nghiên cứu.
Khi trị số KMO thỏa mãn điều kiện: 0,5 <KMO <1, phân tích nhân tố khám phá là thích hợp cho dữ liệu thực tế.
(2) Kiểm định tương quan của các biến quan sát trong thước đo đại diện
Sử dụng kiểm định Bartlett để đánh giá các biến quan sát có tương quan với nhau trong một thang đo (nhân tố). Khi mức ý nghĩa của kiểm định Bartlett nhỏ hơn 0,05, các biến quan sát có tương quan tuyến tính với nhân tố đại diện.
(3) Kiểm định mức độ giải thích của các biến quan sát đối với nhân tố
Sử dụng phương sai trích (% cumulative variance) để đánh giá mức độ giải thích của các biến quan sát đối với nhân tố. Trị số phương sai trích phải
nhất thiết lớn hơn 50%. Ví dụ phương sai trích là 65%, có nghĩa là 65% sự thay đổi của các nhân tố được giải thích bởi các biến quan sát.
d. Phân tích hồi quy đa biến
Để mô hình hồi quy đảm bảo khả năng tin cậy và hiệu quả ta cần thực hiện bốn kiểm định chính sau:
(1) Kiểm định tương quan từng phần của các hệ số hồi quy
Mục tiêu của kiểm định này nhằm xem xét biến độc lập tương quan có ý nghĩa với biến phụ thuộc hay không (xét riêng từng biến độc lập). Khi mức ý nghĩa của hệ số hồi quy từng phần có độ tin cậy ít nhất 95% (Sig. < 0,05), kết luận tương quan có ý nghĩa thống kê giữa biến độc lập và biến phụ thuộc. (2) Mức độ phù hợp của mô hình
Mục tiêu của kiểm định này nhằm xem xét có mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc hay không. Mô hình này được xem là không phù hợp khi tất cả các hệ số hồi quy đều bằng 0, và mô hình được xem là phù hợp nếu có ít nhất một hệ số hồi quy khác 0.
Giả thuyết: H0: Các hệ số hồi quy đều bằng không. H1: Có ít nhất 1 hệ số hồi quy khác không.
Sử dụng phân tích phương sai ANOVA để kiểm định. Nếu mức ý nghĩa đảm bảo có độ tin cậy ít nhất 95% (Sig.< 0,05), ta chấp nhận giả thuyết H1 mô hình được xem là phù hợp
(3). Hiện tượng đa cộng tuyến
Do bước 2 đã phân tích nhân tố khám phá, các biến độc lập của mô hình phân tích hồi quy sẽ không có hiện tượng đa cộng tuyến. Ngoài ra, ta còn dựa vào hệ số VIF (Variance inflation factor).
(4) Hiện tượng phương sai sai số thay đổi
Phương sai của sai số thay đổi là hiện tượng các giá trị của sai số có phân phối không giống nhau, và giá trị phương sai không như nhau. Bỏ qua phương sai của sai số thay đổi sẽ làm cho ước lượng của phương pháp bình
phương nhỏ nhất (OLS) của các hệ số hồi quy không hiệu quả, các kiểm định giả thuyết không còn giá trị, và các dự báo không còn hiệu quả. Để kiểm tra hiện tượng này, ta sử dụng kiểm định Spearman, nếu mức ý nghĩa Sig. của các hệ số tương quan hạng Spearman đảm bảo lớn hơn 0,05, kết luận phương sai sai số không đổi.