5. Bố cục của Luận văn
2.2.3. Phương pháp xử lý số liệu
2.2.3.1. Phương pháp thống kê mô tả
Phương pháp này được dùng để xử lý và phân tích các con số của các hiện tượng số lớn để tìm hiểu bản chất và tính quy luật của chúng trong điều kiện thời gian và không gian cụ thể. Phương pháp này kết hợp với phân tích đồ họa đơn giản như các đồ thị mô tả dữ liệu, biểu diễn các dữ liệu thông qua đồ thị, bảng biểu diễn số liệu tóm tắt. Chúng tạo ra được nền tảng để phân tích định lượng về số liệu về thực trạng quản lý đầu tư vốn NSNN cho phát triển nông nghiệp ở tỉnh Thái Nguyên trên địa bàn tỉnh Thái Nguyên. Để từ đó hiểu được hiện tượng và đưa ra quyết định đúng đắn và tìm ra các giải pháp nâng cao hiệu quả quản lý đầu tư.
2.2.3.2. Phương pháp so sánh, đối chiếu
Đây là phương pháp chủ yếu trong phân tích hoạt động quản lý đầu tư để xác định xu hướng và sự thay đổi của các chỉ tiêu phân tích. Để thực hiện được phương pháp này cần xác định số gốc để so sánh, xác định những điều kiện để so sánh và mục tiêu để so sánh. Tìm ra những quy luật thay đổi trong quá trình quản lý đầu tư vốn NSNN cho phát triển nông nghiệp trên địa bàn tỉnh Thái Nguyên.
2.2.3.3. Phương pháp phân tổ thống kê
Ý nghĩa của phương pháp này nhằm hệ thống hóa và phân tích các số liệu thu thập, từ đó xem xét thực trạng vấn đề nghiên cứu. Qua đây ta thấy được mối liên hệ của các yếu tố ảnh hưởng như nào đến công tác quản lý đầu tư vốn NSNN cho phát triển nông nghiệp trên địa bàn tỉnh Thái Nguyên
2.2.3.4. Phương pháp tổng hợp và phân tích tư liệu khoa học
Phương pháp này nhằm phân tích và tổng hợp các tài liệu liên quan đến đề tài. Từ đó xác định những vấn đề chung và vấn đề riêng nhằm giải quyết nhiệm vụ của
đề tài đặt ra.Qua phương pháp này phân tích thực trạng quản lý đầu tư vốn NSNN cho phát triển nông nghiệp tỉnh ở Thái Nguyên. Sau đó, tổng hợp và phân tích những cái đạt được và chưa đạt được để đưa các giải pháp trong thời gian tới.
2.2.3.5. Phương pháp phân tích các nhân tố khám phá
- Sử dụng hệ số tin cậy Cronbach Alpha: để kiểm định mức độ chặt chẽ và sự tương quan giữa các biến quan sát trong mô hình nghiên cứu.
Hệ số Cronbachs có công thức tính như sau: α = Nρ/[1+ρ(N-1)]
Trong đó: ρ: là hệ số tương quan trung bình giữa các mục hỏi. N: là tổng số người trả lời.
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Theo đó, các biến có hệ số tương quan biến tổng (item-total correlation) lớn hơn 0,3 và có hệ số alpha từ 0,60 trở lên mới được xem là chấp nhận được và thích hợp đưa vào phân tích những bước tiếp theo (Nunnally & Burnstein 1994). Thông thường, thang đo có Cronbach Alpha từ 0,7 đến 0,8 là sử dụng tốt. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo lường tốt.
- Sử dụng mô hình phân tích nhân tố khám phá EFA (Exploratory factor analysis): để kiểm định giá trị khái niệm của các thang đo còn lại nhằm xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu.
Sau khi loại đi các biến không đảm bảo độ tin cậy qua đánh giá độ tin cậy bằng hệ số Cronbach Alpha, tiến hành phân tích nhân tố. Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu (Trọng Ngọc, 2008).
Để có thể phân tích nhân tố thì phải đảm bảo các điều kiện: chỉ số Kaiser- Meyer-Olkin (KMO) > 0,5 thì dữ liệu phù hợp để phân tích nhân tố và mức ý nghĩa của kiểm định Bartlett (sig) < 0,05: xem xét các biến có tương quan với nhau trên
Số lượng nhân tố được xác định dựa trên chỉ số Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser thì những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình nghiên cứu.
Phương pháp trích hệ số được sử dụng trong nghiên cứu này là Principal component với phép quay Varimax. Trong bảng Rotated Component Matrix chứa các hệ số tải nhân tố (Factor loading). Theo Hair & ctg (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0,3 được xem là đạt được mức tối thiểu, > 0,4 được xem là quan trọng, > 0,5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998) cũng khuyên bạn đọc như sau: nếu chọn tiêu chuẩn factor loading > 0,3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100- 350 thì nên chọn tiêu chuẩn factor loading > 0,55, nếu cỡ mẫu của bạn <100 thì Factor loading phải > 0,75. Đề tài nghiên cứu với cỡ mẫu 300, vì vậy các biến có hệ số tải >0,55 được đưa vào phân tích.
Theo Hair &ctg (1998), thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50%.
Mô hình phân tích nhân tố được thể hiện bằng phương trình sau: Xi = Ai1F1 + Ai2F2 + …+ AimFm + ViUi
Trong đó:
Xi: biến thứ i chuẩn hóa
Ai j: hệ số hồi qui bội chuẩn hóa của nhân tố thứ j đối với biến i F: các nhân tố chung
Vi: hệ số hồi qui chuẩn hóa của nhân tố đặc trưng i đối với biến i Ui: nhân tố đặc trưng của biến
m: số nhân tố chung
2.2.3.6. Hồi quy tuyến tính bội
Mô hình hồi quy tuyến tính bội được sử dụng để xác định các yếu tố ảnh hưởng và mức độ ảnh hưởng của các yếu tố này đến quản lý đầu tư vốn NSNN cho phát triển nông nghiệp tỉnh Thái Nguyên..
Sau khi rút trích các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bội: phân tích ma trận tương quan, hồi quy tuyến tính bội, kiểm tra hệ số phóng đại phương sai VIF
(Variance inflatinon factor - VIF). Quy tắc là khi VIF>10, đó là dấu hiệu đa cộng tuyến (Trọng Ngọc, 2008). Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tính bội được xây dựng.
Mô hình hồi quy tuyến tính bội được thể hiện bằng phương trình sau: Yi = β0 + β1X1i + β2X2i + …+ βpXpi + ei
Trong đó:
Xpi: biểu hiện giá trị của biến độc lập thứ p tại quan sát thứ i β0: hệ số chắn
βp: hệ số hồi quy từng phần ei: sai số ngẫu nhiên
Yi: Chất lượng quản lý đầu tư vốn NSNN
Các bước đánh giá mô hình
Đánh giá độ phù hợp của mô hình
Hệ số xác định R2 và R2 hiệu chỉnh (Adjusted R square) được dùng để đánh giá độ phù hợp của mô hình. Vì R2 sẽ tăng khi đưa thêm biến độc lập vào mô hình nên dùng R2 hiệu chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình. R2 hiệu chỉnh càng lớn thể hiện độ phù hợp của mô hình càng cao
Kiểm định độ phù hợp của mô hình
Giả thuyết H0: β1 = β2 = β3 = β4 = 0.
Để kiểm định độ phù hợp của mô hình hồi quy tuyến tính đa bội ta dùng giá trị F ở bàng phân tích ANOVA.
Ý nghĩa các hệ số hồi quy riêng phần trong mô hình
- Ý nghĩa của hệ số riêng phần là βk đo lường sự thay đồi giá trị trung bình Y khi Xk thay đổi 1 đơn vị, giữ các biến độc lập còn lại không đổi.
- Hệ số Beta được dùng để so sánh khi các biến độc lập không cùng đơn vị đo lường.
Lỗi đa công tuyến thường gặp và biện pháp khắc phục qua các bước
1. Sử dụng thông tin tiên nghiệm
Thông tin tiên nghiệm có thể từ các công việc thực tế trước đây trong đó đã xảy ra hiện tượng cộng tuyến nhưng ít nghiêm trọng hoặc từ các lý thuyết tương ứng trong lĩnh vực nghiên cứu.
2. Loại trừ một biến giải thích ra khỏi mô hình Bước 1: Xem cặp biến có quan hệ chặc chẽ Bước 2: Tính R2 đối với các hàm hồi quy:
Bước 3: Loại biến mà giá trị R2 tính được khi không có mặt biến đó lớn hơn. Vấn đề đa cộng tuyến là một đặc tính của mẫu, có thể là trong một mẫu khác, các biến cộng tuyến có thể không nghiêm trọng như trong mẫu đầu tiên. Vì vậy, tăng cỡ mẫu có thể làm giảm bớt vấn đề cộng tuyến.
2.2.3.7. Mã hóa dữ liệu
Bảng 2.1. Mã hóa
STT Mã hóa Các nhân tố
Nhóm nhân tố tự nhiên
1.1 TN1 Điều kiện tự nhiên phong phú đa dạng 1.2 TN2 Địa hình đi lại dễ dàng
1.3 TN3 Ít bị dịch bệnh cho cây trồng vật nuôi
1.4 TN4 Điều kiện tự nhiên tốt để thực hiện các dự án, công trình 1.5 TN5 Ít bị thiên tai, hạn hán
Nhóm nhân tố Trình độ cán bộ
2.1 CB1 Cán bộ luôn thể hiện có trình độ cao 2.2 CB2 Sẵn sàng giải đáp các thắc mắc
2.3 CB3 Cán bộ luôn quan tâm và lắng nghe ý kiến
2.4 CB4 Cán bộ luôn thể hiện có trách nhiệm với công việc 2.5 CB5 Cán bộ luôn có phẩm chất đạo đức tốt
Nhóm nhân tố Luật pháp, chính sách và cơ chế
3.1 PL1 Nhiều chính sách pháp luật ưu đãi 3.2 PL2 Chính sách đa dạng, thông thoáng 3.3 PL3 Cơ chế đơn giản, ít thủ tục
3.4 PL4 Bộ máy quản lý gọn nhẹ, ít phức tạp
3.5 PL5 Cơ chế, chính sách luôn điều chỉnh để phù hợp
Nhóm nhân tố Kiểm tra, kiểm soát
4.1 KT1 Thường xuyên kiểm tra kiểm soát
4.2 KT2 Kiểm tra, kiểm soát luôn làm đúng quy trình, đúng trình tự 4.3 KT3 Sai phạm sớm được phát hiện và có biện pháp khắc phục 4.4 KT4 Cán bộ kiểm tra không nhũng nhiễu, đòi hỏi