Dữ liệu điều tra được tiến hành phân tích với sự hỗ trợ của phần mềm SPSS 20.0 cho môi trường Window qua các bước phân tích như sau:
• Thống kê mô tả
Mẫu thu thập được tiến hành phân tích bằng các thống kê mô tả : Phân loại mẫu theo tiêu chí phân loại điều tra, tính trung bình, giá trị lớn nhất, giá trị nhỏ nhất của các trả lời trong câu hỏi điều tra.
• Đánh giá sơ bộ các thang đo bằng hệ số tin cậy Cronbach’s Anpha
Hệ số Alpha của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các biến quan sát trong thang đo tương quan với nhau. Điều này liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời.
Để kiểm định độ tin cậy của thang đo tác giả đã tính toán hệ số Cronbach’s Alpha và hệ số tương quan biến tổng thể. Nhiều nhà nghiên cứu đồng ý rằng hệ số Cronbach 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 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 (Hoàng Trọng - Chu Nguyễn Mộng Ngọc, 2008). Vì vậy đối với nghiên cứu này thì Cronbach Alpha từ 0.6 trở lên là sử dụng được. Như thế, để kiểm định sự tin cậy của các thang đo sử dụng trong nghiên cứu, tác giả sử dụng hệ số Cronbach`s Alpha để
kiểm định và hệ số tương quan biến tổng. Các biến không đảm bảo tin cậy sẽ bị loại khỏi mô hình nghiên cứu và không xuất hiện khi phân tích khám phá nhân tố (EFA). Tiêu chuẩn lựa chọn Cronbach’s Alpha tối thiểu là 0.6 (Hair và cộng sự, 2006), hệ số tương quan biến tổng nhỏ hơn 0.3 được xem là biến rác và đương nhiên loại khỏi thang đo (Nunally và Burstein, 1994).
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 các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein(1994), hệ số tương quan các biến sẽ có các mức độ phân loại như sau:
- ±0.01 đến ±0.1: Mối tương quan quá thấp, không đáng kể
- ±0.2 đến ±0.3 : Mối tương quan thấp
- ±0.4 đến ±0.5: Mối tương quan trung bình
- ±0.6 đến ±0.7: Mối tương quan cao
- ±0.8 trở lên: Mối tương quan rất cao
Trong đó các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác và sẽ bị loại khỏi thang đo.
• Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật sửdụng để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữuích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng nhưtìm ra các mối quan hệ giữa các biến với nhau. Phép phân tích nhân tố của các kháiniệm nghiên cứu được xem xét để cung cấp bằng chứng về giá trị phân biệt và giátrị hội tụ của thang đo.Mức độ thích hợp của tương quan nội tại các biến quan sát trong khái niệmnghiên cứu được thể hiện bằng hệ số KMO (Kaiser – Mever – Olkin). Trị số KMO lớn ( giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố làthích hợp, còn nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khôngthích hợp với dữ liệu.
Đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Bartlett‟s Test ofSphericity trong phân tích khám phá dùng để xem xét sự thích
hợp của phân tíchnhân tố. Rút trích nhân tố đại diện bằng các biến quan sát được thựchiện với phép quay Varimax và phương pháp trích nhân tố Principle components.Các thành phần với giá trị Eigenvalue lớn hơn 1 và tổng phương sai trích bằng hoặc lớn hơn 50% được xem như những nhân tố đại diện các biến. Hệ số tải nhân tố(Factor loading) biểu diễn các tương quan đơn giữa các biến và các nhân tốbằng hoặc lớn 0.5 mới có ý nghĩa.
Sau khi các khái niệm (nhân tố) được kiểm định thang đo bằng Cronbach’s Alpha sẽ tiếp tục được đưa vào phân tích khám phá nhân tố (EFA). Phân tích nhân tố sẽ giúp nhà nghiên cứu rút ra được những nhân tố tiềm ẩn từ một tập hợp các biến quan sát nhỏ hơn, có ý nghĩa hơn. Một số tiêu chuẩn áp dụng khi phân tích EFA trong nghiên cứu như sau:
- Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thông qua giá trị thống kê Kaiser-Meyer-Olkin (KMO). Theo đó, trị số của KMO lớn hơn 0,5 thì phân tích nhân tố là thích hợp (Garson, 2002), ngược lại nếu trị số KMO nhỏ hơn 0,5 thì áp dụng phương pháp phân tích nhân tố không thích hợp với dữ liệu đang có.
- Số lượng nhân tố: Số lượng nhân tố được xác định dựa vào 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 (Garson, 2002)
- Phương sai trích (variance explained criteria): Tổng phương sai trích phải lớn hơn 50%.(Hair và cộng sự, 1998).
- Độ giá trị hội tụ: Để thang đo đạt giá trị hội tụ thì hệ số tương quan đơn giữa các biến và các hệ số chuyển tải nhân tố (factor loading) phải lớn hơn hoặc bằng 0,5 trong một nhân tố (Gerbing & Anderson, 1988)
- Phương pháp trích hệ số yếu tố Principal components với phép xoay Varimax để đảm bảo số lượng nhân tố là bé nhất
Từ kết quả phân tích nhân tố khám phá, tác giả sẽ xem xét lại mô hình nghiên cứu giả thiết, cân nhắc việc liệu có phải điều chỉnh mô hình hay không, thêm, bớt các nhân tố hoặc các giá trị quan sát của các nhân tố hay không?
Sau khi hoàn tất việc phân tích đánh giá độ tin cậy thang đo (sử dụng hệ số tin cậy Cronbach’s Alpha) và kiểm định giá trị khái niệm của thang đo (phân tích nhân tố khám phá EFA), các biến không đảm bảo độ giá trị hội tụ tiếp tục bịloại khỏi mô hình cho đến khi các tham sốđược nhóm theo các nhóm biến. Việc xác định mối quan hệ giữa các nhóm biến này cũng như xác định mối quan hệ giữa các nhóm biến độc lập (yếu tố thành phần) và nhóm biến phụ thuộc (xu hướng sử dụng) trong mô hình nghiên cứu được thực hiện bằng phương pháp phân tích hồi quy bội. Giá trị của biến mới trong mô hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó, giá trị của các thành phần được phần mềm SPSS tính một cách tự động từ giá trị trung bình có trọng số của các biến quan sát đãđược chuẩn hóa. Tuy nhiên, trước khi tiến hành phân tích hồi quy, một phân tích quan trọng cần được thực hiện đầu tiên là phân tích tương quan nhằm kiểm định mối tương quan tuyến tính giữa các biến trong mô hình.
• Kiểm tra hệ số tương quan
Bước đầu tiên khi tiến hành phân tích hồi quy tuyến tính là xem xét các mối tương quan tuyến tính giữa biến phụ thuộc và từng biến độc lập cũng như giữa các biến độc lập với nhau.Nếu hệ số tương quan giữa biến phụ thuộc và các biến độc lập lớn chứng tỏ giữa chúng có mối quan hệ với nhau và phân tích hồi quy tuyến tính có thể phù hợp.
Kiểm định mối tương quan tuyến tính giữa các biến trong mô hình: giữa biếnphụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau. Sử dụng hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ mối liên hệ tuyến tính giữa hai biến định lượng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này mối tương quan tuyến tính càng chặt chẽ.
• Kiểm định các giả thuyết, sử dụng với phần mềm SPSS
Đánh giá độ phù hợp của mô hình hồi quy đa biến: R2, R2hiệu chỉnh. Kiểm định giả thuyết về độ phù hợp của mô hình.
Xác định mức độ ảnh hưởng của các yếu tố tác động đến nhu cầu BLTD: yếutố có hệ số β lớn hơn thì có thể nhận xét rằng yếu tố đó có mức độ ảnh hưởng cao hơn các yếu tố khác trong mô hình nghiên cứu.
Các giả thuyết nghiên cứu sẽ được tiến hành kiểm định thông qua dữ liệu nghiên cứu của phương trình hồi quy được xây dựng. Tiêu chuẩn kiểm định sử dụng thống kê t và giá trị p-value (Sig.) tương ứng, độ tin cậy lấy theo chuẩn 95%, giá trị p-value sẽ được so sánh trực tiếp với giá trị 0.05 để kết luận chấp thuận hay bác bỏ giả thuyết nghiên cứu. Đối với các kiểm định sự khác nhau giữa các tổng thể con trong nghiên cứu ta sử dụng kiểm định T-test và phân tích phương sai (ANOVA) để kiểm định, kiểm định này cũng sử dụng việc so sánh trực tiếp giá trị p-value tương ứng. Để xem xét sự phù hợp dữ liệu và sự phù hợp của mô hình ta sử dụng hệ số Adjusted R-square, thống kê t và thống kê F để kiểm định. Để đánh giá sự quan trọng của các nhân tố ta xem xét hệ số Beta tương ứng trong phương trình hồi quy bội được xây dựng từ dữ liệu nghiên cứu.
TÓM TẮT CHƯƠNG 3
Trương chương 3, tác giả đã trình bày mô hình nghiên cứu về khả năng tiếp cận các dịch vụ của QBLTD đối với DNNVV trên địa bàn TP.HCM bao gồm các nội dung như sau: Quy trình nghiên cứu, Thiết kế thang đo, Thiết kế bảng câu hỏi và Nghiên cứu định lượng thông qua các vấn đề như: Phương thức lấy mẫu; Cỡ mẫu; Phân tích xử lý số liệu. Đây sẽ là các tiền đề quan trọng trong việc triển khai nghiên cứu và trình bày kết quả nghiên cứu ở chương 4 và đưa ra các giải pháp ở chương 5.
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN VỀ THỰC TRẠNG VỀ KHẢ NĂNG TIẾP CẬN CÁC DỊCH VỤ CỦA QBLTD ĐỐI VỚI DNNVV TRÊN ĐỊA
BÀN TPHCM TRONG THỜI GIAN QUA