1 .I.Triết lý giáo dục
2.1.1. Quy trình nghiên cứu
Bài nghiên cứu sử dụng phương pháp thu thập thông tin bằng cách phát phiếu khảo sát ý kiến tới đối tượng nghiên cứu là sinh viên trong trường. Dữ liệu này sau khi thu thập sẽ được xử lý bằng phần mềm SPSS 20.0. Sau đó sẽ mã hóa và làm sạch dữ liệu rồi tiếp tục thực hiện quy trình theo nhữngg bước sau: (1) thống kê mô tả, (2) đánh giá đô tin cậy của thang đo Cronbach’s Alpha, (3) Phân tích nhân tố khám phá EFA, (4) Phân tích hồi quy tuyến tính bội và (5) Phân tích phương sai Anova. Nội dung quy trình cụ thể như sau:
❖Thống kê mô tả
Mau thu thập được sẽ tiến hành thống kê phân loại theo các biến dựa vào tiêu chí là giới tính, chuyên ngành, năm học, chỗ ở, làm thêm. Đồng thời tính giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất, độ lệch chuẩn.. .của các câu hỏi trong bảng để làm cơ sở lý luận cho nghiên cứu.
❖Kiểm tra độ tin cậy của thang đo thông qua hệ số Cronbach's Alpha
Hệ số Cronbach’s Alpha chạy cho từng nhân tố sẽ được sử dụng thông qua phương pháp nhất quán nội tại để đánh giá độ tin cậy của các thang đo. Mục đích của việc đo lường độ tin cậy là tìm hiểu xem các biến quan sát có cùng đo lường cho một khái niệm cần đo hay không. Hệ số Cronbach's Alpha qua phân tích chỉ cho biết các đo lường có liên kết với nhau hay không nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó việc tính toán hệ số tương quan giữa biến tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo. Sử dụng phương pháp hệ số Cronbach's Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các biến giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009).
Các chỉ tiêu được sử dụng khi đánh giá độ tin cậy của thang đo:
- Loại các biến quan sát có hệ số tương quan biến tổng nhỏ (nhỏ hơn 0.3). Tiêu chuẩn chọn thang đo khi có độ tin cậy Cronbach's Alpha lớn hơn 0.6 (Cronbach's Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunnally, 1978; Peterson, 1994).
- Các mức giá trị của Alpha: Cronbach's Alpha > 0.95 là hệ số có thể chấp nhận được nhưng không tốt, cần xem xét các biến quan sát có xảy ra hiện tượng "trùng biến" hay không, 0.95 > Cronbach's Alpha 0.8 là thang đo lường tốt; 0.7 < Cronbach's Alpha < 0.8 là sử dụng được; Cronbach's Alpha >= 0.6 là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới đối với người trả lời trong bối cảnh đang nghiên cứu (Nunnally, 1978; Peterson, 1994) .
- Các biến quan sát có tương quan biến tổng nhỏ (nhỏ hơn 0.3) được xem là biến rác thì sẽ được loại ra và thang đo sẽ được chấp nhận khi hệ số tin cậy Cronbach's Alpha đạt yêu cầu.
❖ Phân tích nhân tố khám phá EFA
Phân tích nhân tố EFA là một trong những phương pháp phân tích thống kê dùng để rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành tập hợp ít biến có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết thông tin của tập biến ban đầu. Phân tích nhân tố EFA có một số tiêu chuẩn áp dụng sau:
- Hệ số Kaiser- Meyer- Olkin (KMO): là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO nằm trong khoảng từ 0.5 đến 1 là điều kiện đủ để phân tích nhân tố là thích hợp (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Kiểm định Bartlet dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Kiểm định Bartlet phải có ý nghĩa thống kê với Sig. <= 0.05 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Tổng phương sai trích là phần trăm phương sai toàn bộ được giải thích bởi từng nhân tố. Nghĩa là coi biến thiên là 100% thì giá trị này cho biết phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu %. Khi tổng phương sai trích >50% là đạt yêu cầu dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Hệ số Eigenvalue: là đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Nghiên cứu này sử dụng phương pháp rút trích nhân tố Principal
Components với nguyên tắc dựa vào hệ số Eigenvalue để xác định số lượng nhân tố (Eigenvalue >1 và những nhân tố có chỉ số Eigenvalue <1 đều bị loại khỏi mô hình nghiên cứu), phép xoay nhân tố Varimax (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
❖ Phân tích hồi quy tuyến tính bội và kiểm định các giả thuyết.
Hồi quy: là một mô hình thống kê được sử dụng để dự đoán giá trị của biến phụ thuộc dựa vào giá trị của ít nhất một biến độc lập. Hồi quy tuyến tính là mô hình hồi quy trong đó mối quan hệ giữa các biến được biểu diễn bằng một đường thẳng.
Các tiêu chuẩn trong phân tích mô hình hồi quy bội bao gồm:
- R2 hiệu chỉnh: tham số R2 hiệu chỉnh cho biết mức độ phần trăm sự biến thiên của biến phụ thuộc được giải thích bởi biến độc lập. Trong bài nghiên cứu khi
R2 hiệu chỉnh > 50% là phù hợp.
- Kiểm tra giả định về hiện tượng đa cộng tuyến bằng hệ số phóng đại phương sai VIF: VIF < 2 là điều kiện để không xuất hiện đa cộng tuyến trong mô hình hồi quy bội.
- Giá trị Sig. dùng để đánh giá sự phù hợp của mô hình. Trong nghiên cứu, với độ tin cậy 95% thì giá trị Sig. < 0.05 là có ý nghĩa.
Khi thực hiện kiểm định giả thuyết, ta thường có 2 giả thuyết. - Ho: không có mối quan hệ giữa các biến.
- H1: có mối quan hệ giữa các biến.
Để kết luận là chấp nhận hay bác bỏ giả thuyết Ho, ta sẽ dùng các kiểm định phù hợp. Dựa vào giá trị p- value (sig.) để kết luận là chấp nhận hay bác bỏ giả thuyết Ho:
- p- value (Sig.) ≤ α (mức ý nghĩa) => bác bỏ giả thuyết Ho.
- p- value (Sig.) > α (mức ý nghĩa) => không đủ căn cứ để bác bỏ Ho.
❖ Phân tích ANOVA
Phân tích phương sai (ANOVA) là một công cụ phân tích được sử dụng trong thống kê phân tách biến thiên quan sát tổng hợp được tìm thấy bên trong một tập dữ liệu chia thành hai phần: các yếu tố hệ thống và các yếu tố ngẫu nhiên.
Các yếu tố hệ thống có ảnh hưởng thống kê đến tập dữ liệu đã cho, trong khi các yếu tố ngẫu nhiên thì không. Các bài nghiên cứu phân tích sử dụng thử nghiệm
ANOVA để xác định ảnh hưởng của các biến độc lập đối với biến phụ thuộc trong nghiên cứu hồi qui.
Nếu kết quả phân tích ANOVA cho mức ý nghĩa quan sát (Sig.) < 5% thì có thể chứng tỏ có sự khác biệt (có ý nghĩa thống kê) về mức độ tác động của các nhóm phân loại của biến kiểm soát đối với khái niệm phụ thuộc. Ngược lại, Sig. ≥ 5% thì kết luận chưa có sự khác biệt có ý nghĩa thống kê về giá trị trung bình của các nhóm đối tượng quan sát (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Khi thực hiện phân tích ANOVA, nếu kết quả kiểm định dẫn đến việc bác bỏ HO thì ta tiếp tục làm tiếp phân tích sâu (Phân tích Post hoc) để xác định trung bình của nhóm nào khác biệt với nhóm nào.