Với tập dữ liệu thu về, sau khi hoàn tất việc sàng lọc, kiểm tra, mã hóa, nhập liệu và làm sạch dữ liệu, một số phƣơng pháp phân tích sẽ đƣợc sử dụng trong nghiên cứu, cụ thể nhƣ sau:
- Phân tích thống kê mô tả nhóm mẫu khảo sát: Thống kê mô tả trên SPSS thƣờng đƣợc áp dụng để tính toán các biến định lƣợng. Các đại lƣợng thƣờng đƣợc sử dụng là: mean (trung bình cộng), Std. Deviation (độ lệch chuẩn), minimum (giá trị nhỏ nhất), maximum (giá trị lớn nhất)… Ngoài ra, tác giả còn vẽ biểu đồ để thể hiện tỷ lệ phần trăm chi tiết của các biến trong nghiên cứu.
- Phân tích tƣơng quan:
Kiểm định mối tƣơng quan tuyến tính giữa các biến trong mô hình: giữa biến phụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau. Sử dụng hệ số tƣơng quan Pearson để lƣợng hóa mức độ chặt chẽ mối liên hệ tuyến tính giữa hai biến định lƣợng: giá trị tuyệt đối của hệ số này càng gần đến một thì hai biến này có mối tƣơng quan tuyến tính càng chặt chẽ (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Trong mô hình nghiên cứu, kỳ vọng có mối tƣơng quan tuyến tính chặt chẽ giữa biến phụ thuộc và các biến độc lập, đồng thời cũng xem xét mối tƣơng quan giữa các biến độc lập với nhau để nhận diện đa cộng tuyến.
Để kiểm định mối quan hệ giữa các yếu tố ảnh hƣởng đến khả năng trả nợ của khách hàng cá nhân trong mô hình, nghiên cứu sử dụng phƣơng pháp tƣơng quan với hệ số tƣơng quan “Pearson correlation coefficient”, đƣợc kí hiệu bởi chữ “r”. Giá trị trong khoảng -1 <= r <= 1.
Nếu r > 0 thể hiện tƣơng quan đồng biến. Ngƣợc lại, r < 0 thể hiện tƣơng quan nghịch biến. Giá trị r = 0 chỉ ra rằng hai biến không có mối liên hệ tuyến tính.
|r| 1: quan hệ giữa hai biến càng chặt |r| 0: quan hệ giữa hai biến càng yếu
Mức ý nghĩa “sig” của hệ số tƣơng quan, cụ thể nhƣ sau: < 5%: mối tƣơng quan khá chặt chẽ
< 1%: mối tƣơng quan rất chặt chẽ - Phân tích hồi quy Binary logistic:
Chúng ta có thể xác định đƣợc mô hình dự đoán tốt đến đâu thông qua bảng phân loại (Clasification table), bảng này sẽ so sánh số trị số thực và trị số dự đoán cho từng biểu hiện và tính tỷ lệ dự đoán đúng sự kiện.
Hồi quy Binary logistic cũng đòi hỏi ta phải đánh giá độ phù hợp của mô hình dựa trên chỉ tiêu -2LL (viết tắt của -2 log likelihood), thƣớc đo này có ý nghĩa giống nhƣ SSE (Sum of squares of error), nghĩa là càng nhỏ càng tốt và thể hiện độ phù hợp càng cao của mô hình. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số), khi đó mô hình có độ phù hợp hoàn hảo.
Ngoài ra, căn cứ vào mức ý nghĩa quan sát mà SPSS đƣa ra thông qua bảng Omnibus Tests of Model Coefficients chúng ta cũng có thể kiểm định đƣợc mức độ phù hợp tổng quát của mô hình (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kết luận chƣơng 3
Từ việc vận dụng các lý thuyết về phƣơng pháp nghiên cứu định lƣợng thông qua mô hình hồi quy Binary logistic cũng nhƣ xử lý dữ liệu thực tế dựa trên mô hình nghiên cứu đã xây dựng ở chƣơng 3, tác giả đi vào phân tích và đánh giá kết quả nghiên cứu ở chƣơng 4.
Giới thiệu chƣơng 4
Trong chƣơng này, tác giả nêu lên nội dung tổng quan về ngân hàng TMCP Quân Đội chi nhánh Sài Gòn, quá trình hình thành phát triển, kết quả cho vay KHCN thực tế cũng nhƣ những thuận lợi và khó khăn đang còn tồn tại ở chi nhánh. Bên cạnh đó, nội dung quan trọng ở chƣơng 4 là tác giả đi sâu phân tích, đánh giá kết quả xử lý dữ liệu trong hoạt động cho vay tại chi nhánh Sài Gòn để từ đó đi đến kết luận các nhân tố nào có tác động và mức độ tác động của từng nhân tố đến khả năng trả nợ của KHCN.
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU