Phương pháp thống kê mô tả
Sau khi thu thập các dữ liệu khảo sát tác giả sử dụng các công cụ thống kê như tần số, tỷ lệ phần trăm nhằm tìm hiểu đặc điểm mẫu nghiên cứu. Đồng thời sử dụng các thống kê: trung bình, độ lệch chuẩn để đánh giá phân bố và mức độ đồng ý của khách hàng đối với các biến quan sát được.
Phương pháp hệ số tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong đó tương quan với nhau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2008). Nhiều nhà nghiên cứu đồng ý rằng khi 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 đo lường là mới hoặc là mới đối với người trả lời trong bối cảnh nghiên cứu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2008). Hê số tin cậy Cronbach’s Alpha chỉ cho biết các biến đo lường có liên kết với nhau hay không nhưng không cho biết biến nào cần loại bỏ đi và biến nào cần được giữ lại. Do đó kết hợp sử dụng hệ số tương quan với biến tổng thể để loại ra những biến không đóng góp nhiều cho khái niệm cần đo. Nếu một biến đo lường có hệ số tương quan với biến tổng < 0.3 thì bị loại (Nguyễn Đình Thọ 2011).
Phân tích nhân tố EFA
Phương pháp phân tích nhân tố EFA được dùng để thu nhỏ số lượng biến ban đầu thành tập hợp các biến cần thiết sử dụng cho nghiên cứu và tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố phương pháp Principal components analysis đi cùng với phép xoay varimax thường được sử dụng. Phân tích nhân tố phải thỏa mãn 5 điều kiện như sau:
(1) Hệ số KMO ≥ 0.5 và mức ý nghĩa của Kiểm định Bartlet ≤ 0.05. ( Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
(2) Hệ số tải nhân tố (Factor Loading) ≥ 0.5 để tạo giá trị hội tụ- Theo Hair và Anderson (1998, 111).
(3) Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
(4) Hệ số eigenvalue >1 (Hair và Anderson, 1998). Số lượng nhân tố được xác định dựa trên chỉ số đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
(5) Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải ≥ 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi , 2003).
Sau khi kiểm tra điều kiện (1) của phân tích nhân tố, tiến đến xác định số lượng nhân tố thông qua điều kiện (3) là phương sai trích ≥ 50% và (4) là eigenvalue >1. Tiếp đến, kiểm tra giá trị hội tụ theo điều kiện (2) và giá trị phân biệt theo điều kiện (5) của các thang đo nhằm điều chỉnh để phục vụ cho việc chạy hồi qui mô hình tiếp theo.
Phương pháp phân tích tương quan và hồi quy tuyến tính bội
Phân tích tương quan và hồi quy tuyến tính bội được thực hiện qua các bước sau: Bước 1: Xác định biến độc lập và biến phụ thuộc
Nếu kết luận được là các biến độc lập và biến phụ thuộc có tương quan tuyến tính với nhau qua hệ số tương quan Pearson, đồng thời giả định rằng chúng ta đã cân nhắc kỹ bản chất của mối liên hệ và xem như đã xác định đúng hướng của một mối quan hệ nhân quả giữa chúng, thì chúng ta có thể mô hình hóa mối quan hệ nhân quả của chúng bằng mô hình hồi qui tuyến tính bội, trong đó một biến được gọi là biến phụ thuộc và biến còn lại gọi là các biến độc lập (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008)
SHL = β0 + β1*CPTG + β2*TC + β3*CBCC + β4*QTTT + β5*CSVC Trong đó:
SHL: Biến phụ thuộc: sự hài lòng của người dân
Các biến độc lập: Chi phí và thời gian (CPTG), độ tin cậy (TC), đội ngũ cán bộ công chức (CBCC), quy trình thủ tục (QTTT), cơ sở vật chất (CSVC).
βk: Hệ số hồi qui riêng phần. (k = 0…5) Bước 2: Phân tích tương quan
Phân tích tương quan bằng hệ số tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc vói các biến độc lập, vì điều kiện để hồi quy là trước nhất phải tương quan.
Ngoài ra cần nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Dấu hiệu nghi ngờ dựa vào giá trị sig tương quan giữa các biến độc lập nhỏ hơn 0.05 và giá trị tương quan Pearson lớn hơn 0.3.
Bước 3: Kiểm định sự khác biệt
Kiểm định trung bình Independent-samples t-test cho phép ta so sánh hai trị trung bình của hai mẫu độc lập rút ra từ hai tổng thể này trong tổng thể.chung. Trong kiểm định này, nếu trị Sig. của kiểm định F (kiểm định Levene) >= 0.05 thì ta lấy trị Sig. trong kiểm t (t-test) ở dòng phương sai đồng nhất; ngược lại ta lấy trị Sig. trong kiểm t ở dòng phương sai không đồng nhất.
Muốn so sánh trị trung bình của nhiều hơn 2 tổng thể độc lập trong tổng thể chung thì phương pháp phân tích phương sai Anova cho phép thực hiện điều đó. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).