a. Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Hệ số tin cậy Cronbach’s Alpha được thực hiện trước để loại bỏ các biến không phù hợp và loại bỏ các biến rác trong quá trình nghiên cứu. Phân tích Cronbach’s Alpha là phép kiểm định thống kê về mức độ chặt chẽ khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp của các biến quan sát các câu hỏi) trong thang đo thông qua hệ số Cronbach’s Alpha. Nhiều nhà nghiên cứu cho là Cronbach’s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lường tốt, từ 0,7 đến 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị cho 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 Trọng Ngọc, 2008). Đối với nghiên cứu này, Cronbach’s Alpha sử dụng từ 0,6 trở lên là chấp nhận được.
Hệ số tương quan biến tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với biến khác trong nhóm càng cao. Theo Nunnally Burnstein 1994), các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 được coi là biến rác và cần được loại bỏ khỏi thang đo với mục đích tăng hệ số Cronbach’s Alpha. Các biến có hệ số Cronbach's Alpha nếu loại biến lớn hơn Cronbach’s Alpha của thang đo thành phần cũng bị loại khỏi mô hình. Tuy nhiên, nếu hệ số đã đạt yêu cầu thì không nhất thiết phải loại biến có hệ số tương quan biến tổng nhỏ hơn 0,3 vì đã đạt được giá trị nội dung nghiên cứu.
b. Phân tích nhân tố khám phá (EFA – Exploratory Factor Analysis)
Sau khi kiểm định Cronbach’s Alpha, công việc tiếp theo là sử dụng phân tích nhân tố khám phá EFA. Phân tích nhân tố khám phá EFA là thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà dựa vào mối tương quan giữa các biến, được sử dụng phổ biến để đánh giá giá trị thang đo tính đơn hướng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các thuộc tính của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0,05. Trường hợp KMO < 0,5 thì được gọi phân tích nhân tố có khả năng không thích hợp với dữ liệu (Hoàng Trọng - Chu Nguyễn Mộng Ngọc, 2008).
Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Trong nghiên cứu này tác giả sử dụng phương pháp trích Principal Compoment Analysis với phép xoay Varimax để loại bỏ các biến quan sát có trị số Factor Loading ≤ 0,3 hoặc trích vào nhân tố khác mà chênh lệch trọng số Factor giữa các nhân tố ≤ 0,3 theo tiêu chuẩn Gebing và Anderson 1988).
c. Phân tích tương quan và hồi quy
Nghiên cứu này sử dụng phương pháp hồi quy bội để kiểm định mô hình lý thuyết, các giả thuyết nghiên cứu và được thực hiện qua các bước:
Bước 1: Kiểm tra tương quan giữa các biến độc lập với nhau và với biến phụ thuộc là phải có tương quan giữa các biến phụ thuộc.
Bước 2: Kiểm định mô hình hồi quy và các giả thuyết nghiên cứu Y = + … +
Trong đó:
+ – biến độc lập
+ – sai số ngẫu nhiên của tổng thể ứng với quan sát thứ i Gồm các thủ tục:
+ Lựa chọn các biến đưa vào mô hình hồi quy
Đánh giá độ phù hợp của mô hình bằng hệ số xác định (R Square). Tuy nhiên, có đặc điểm càng tăng khi đưa thêm các biến độc lập vào mô hình, mặc dù không phải mô hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu.Vì thế, điều chỉnh Adjusted R Square) có đặc điểm không phụ thuộc vào số lượng biến đưa thêm vào mô hình được sử dụng thay thế để đánh giá mức độ phù hợp của mô hình hồi quy bội.
Trong đó: + ESS: + TSS:
+ Kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết : (không có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập
Nếu trị số thống kê F có Sig rất nhỏ (< 0,05), thì giả thuyết bị bác bỏ, khi đó chúng ta kết luận tập hợp của các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng được.
Xác định các hệ số của phương trình hồi quy, đó là các hệ số hồi quy riêng phần : đo lường sự thay đổi trung bình của biến phụ thuộc khi biến đọc lập thay đổi 1 đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy nhiên, độ lớn của phụ thuộc vào đơn vị đo lường của các biến độc lập, vì thế có thể so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để có thể so sánh các hệ số hồi quy với nhau, từ đó xác định tầm quan trọng (mức độ giải thích) của các biến độc lập cho biến
phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lường độ lệnh chuẩn beta.
Bước 3: Kiểm tra phạm vi của các giả định hồi quy
Sau khi xây dựng được các phương trình hồi qui, cần phải kiểm tra các vi phạm giả định sau đây:
+ Có liên hệ tuyến tính giữa các biến độc lập với biến phụ thuộc. Phương sai của sai số không đổi.
Không có tương quan giữa các biến độc lập (không có hiện tượng đa cộng tuyến).
Trong đó:
+ Công cụ được sử dụng để kiểm tra giả định không có tương quan giữa phần dư là đại lượng thống kê D (Durbin – Watson) – độc lập sai số
+ Công cụ được sử dụng để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phương sai Variance inflation factor - VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), qui tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến.