3.2.1. Dữ liệu nghiên cứu
Nghiên cứu được thực hiện bằng phương pháp định lượng, cách thức thức thực hiện như sau:
về dữ liệu nghiên cứu, thu thập dữ liệu thông qua việc tìm hiểu các nghiên cứu trước đó và bổ sung thêm một số thông tin thông qua việc phỏng vấn bằng bảng câu hỏi. Bảng câu hỏi sẽ được làm thông qua hình thức thiết kế bảng câu hỏi trực tuyến trên Google biểu mẫu, sau đó sẽ được gửi đến từng đối tượng phỏng vấn để các đối tượng khảo sát trả lời trực tuyến. Thông tin trả lời sẽ được ghi và lưu giữ vào cơ sở dữ liệu phục vụ cho việc nghiên cứu.
Các câu hỏi được xây dựng dựa trên thang đo Likert với 5 điểm và mức độ đồng ý phát biểu tăng dần từ 1 đến 5, tương ứng:
1 - Hoàn toàn không đồng ý 2 - không đồng ý
3 - Trung lập 4 - Đồng ý
5 - Hoàn toàn đồng ý
Bảng hỏi sẽ được gửi đến các đối tượng khảo sát thông qua hình thức trực tuyến. Thời gian khảo sát: từ tháng 4/2021 - tháng 5/2021.
Xử lý dữ liệu: Dữ liệu sau khi thu thập được xử lý bằng phần mềm SPSS. Các bước xử lý dữ liệu bao gồm:
Bước 1: Lập bảng tần số thống kê để mô tả mẫu Bước 2: Đánh giá độ tin cậy thang đo
Theo Nguyễn Đình Thọ (2012), trước tiên chúng ta cần đánh giá độ tin cậy của thang đo. Độ tin cậy thường dùng nhất là tính nhất quán nội tại, nói lên mối quan hệ của các biến quan sát trong cùng một thang đo. Độ tin cậy thường dùng nhất là hệ số α của Cronbach’s alpha. Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s alpha từ 0,8 trở lên đến gần 1 thì là thang đo tốt, từ 0.7 đến 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbch’s alpha từ 0,6 trở lên có thể sử dụng được trong trường hợp khái niệm đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slatcr, 1995 trích bởi Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Các biến quan sát có hệ số tương quan biến tổng dưới 0.3 sẽ bị loại (Nunnally, 1978; Peterson, 1994; Slatcr, 1995 trích bởi Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Bước 3: Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu, chúng ta có thể thu nhập được một
số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng chúng phải được giảm bớt xuống một lượng mà chúng ta có thể phân tích. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Theo Gerbing và Aderson (1998) trích bởi Nguyễn Đình Trọng & Nguyễn Thị Mai Trang (2007) các biến quan sát có trọng số (factor loading) nhỏ hơn 0.3 trong EFA sẽ tiếp tục bị loại bỏ và kiểm tra tổng phương sai trích được (>=50%). Các biến quan sát còn lại (thang đo hoàn chỉnh) sẽ được đưa vào phân tích hồi quy. Các tham số thống kê sử dụng trong phân tích nhân tố là:
- Corredation matrix: cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích.
- Eigenvalue: Là đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. - Factor loading (hệ số tài nhân tố): là những hệ số tương quan đơn giữa các biến
và các nhân tố.
- Factor matrix (ma trận nhân tố): chứa các hệ số tài nhân tố của tất cả các biến đối với các nhân tố được rút ra.
- Factor Seores: là các điểm số nhân tố tổng hợp được ước lượng cho từng biến quan sát trên các nhân tố dược rút ra.
- Kaiser - Meyer - Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp còn trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Bước 4: Phân tích hồi quy bội:
Mô hình hồi quy bội (Multiple Regression) biểu diễn mối quan hệ giữa hai hay nhiều biến độc lập định lượng với biến phụ thuộc định lượng (Nguyễn Đình Thọ, 2012).
Theo Nguyễn Đình Thọ (2012), để ước lượng các trọng số hồi quy βk (k= 1...5) trong mô hình hồi quy bội ta dùng phương pháp bình phương bé nhất (Ordirary Least
Tên thang đo
Nội dung thang đo Tham khảo
Squares - OLS). Một thước đo cho sự phù hợp của mô hình tuyến tính thường dùng là hệ số xác định R2. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), hệ số xác định R2 càng gần 1 thì mô hình xây dựng càng thích hợp, R2 càng gần 0 thì mô hình càng kém thích hợp. Hệ số xác định R2 này đã được chứng minh là hàm không giảm theo các biến độc lập dựa vào mô hình, càng đưa thêm biến độc lập vào mô hình thì R2
càng tăng, tuy nhiên điều này cũng được chứng minh rằng không phải chương trình càng nhiều biến phụ thuộc sẽ càng phù hợp hơn với dữ liệu (tức tốt hơn). Như vậy R2
có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình. Trong tình huống R2 hiệu chỉnh (Adjusted R square) từ R2 được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính đa biến. R2 hiệu chỉnh không nhất thiết tăng lên khi nhiều biến khác được đưa thêm vào phương trình. Như vây đúng R2 hiệu chỉnh để đánh giá phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình.
Cuộc khảo sát sẽ tiến hành lấy ý kiến của các chuyên gia có sự hiểu biết nhất định về Kế toán - Kiểm toán. Nhưng do hạn chế về mặt thời gian, nhân lực, vật lực và khả năng tiếp cận các đối tượng nên cuộc khảo sát chỉ được thực hiện với một số chuyên gia hoạt động trong một số doanh nghiệp hoạt động trong lĩnh vực kế toán kiểm toán và các nhà nghiên cứu giảng dạy về kế toán - kiểm toán. Chính vì vậy, đối tượng khảo sát được chia thành 3 nhóm sau:
• Nhóm 1 - Kế toán viên
• Nhóm 2 - Kiểm toán viên
Nhóm 3 - Nhà nghiên cứu/giảng dạy về kế toán - kiểm toán Số lượng mẫu khảo sát là 150, trong đó:
Nhóm 1 - Kế toán viên, 60 phiếu (40%) Nhóm 2 - Kiểm toán viên, 60 phiếu (40%)
Nhóm 3 - Nhà nghiên cứu/giảng dạy về kế toán - kiểm toán, 30 phiếu (20%)
Trong mỗi nhóm khảo sát sẽ tiến hành lấy ý kiến của các đối tượng khảo sát từ mới có kinh nghiệm thực tiễn đến những đối tượng có kinh nghiệm thực tiễn dày dặn,
20
tương ứng với số năm kinh nghiệp ở 3 mức độ đó là: Dưới 2 năm kinh nghiệm; từ 2 - 5 năm kinh nghiệm; và trên 5 năm kinh nghiệm.
3.2.2. Thiết kế nghiên cứu
Mau được sử dụng trong nghiên cứu được chọn theo phương pháp chọn mẫu thuận tiện. Hiện nay, theo nhiều nhà nghiên cứu, kích thước mẫu càng lớn càng tốt (Nguyễn Đình Thọ, 2012). Hair & cộng sự (2016) trích bởi Nguyễn Đình Thọ (2012) cho rằng để sử dụng phân tích nhân tố khám phá (EFA), kích thước mẫu tối thiểu là 100 và tỷ lệ quan sát/biến đo lường là 5:1, nghĩa là 1 biến đo lường cần tối thiểu là 5 quan sát. Ngoài ra, Theo Tabachnick và Fidell (1991) trích bởi Nguyễn Đình Thọ (2012), để phân tích hồi quy đạt được kết quả tốt nhất, thì kích thước mẫu phải thỏa mãn công thức tính kích thước mẫu: n >= 50 + 8p. Trong đó, n là kích thước mẫu tối thiểu và p là số lượng biến độc lập trong mô hình.
Nếu dựa theo công thức n >= 50 + 8p ta tính được n >= 50 + 8*2 = 66. Do EFA luôn đòi hỏi kích thước mẫu lớn hơn nhiều so với dùng hồi quy nên ta chọn kích thước mẫu tối thiểu là n = 100.