CHƢƠNG 3 : PHƢƠNG PHÁP VÀ DỮ LIỆU NGHIÊN CỨU
3.9. Kỹ thuật phân tích dữ liệu
Dữ liệu thu thập đƣợc nhập vào file excel đã mã hóa, sau đó đƣợc đƣa vào chƣơng trình SPSS 20.0 để kiểm tra tính hợp lệ của dữ liệu, tìm ra các đặc điểm nghiên cứu của mẫu (các thông tin cá nhân khách hàng tham gia khảo sát nhƣ trong bảng hỏi). Kiểm định độ tin cậy của thang đo thông qua chạy Cronbach Alpha, phân tích nhân tố khám phá EFA, phân tích tƣơng quan, phân tích mô hình hồi quy đa biến và kiểm định T-test, ANOVA một chiều.
3.9.1. Kiểm định độ tin cậy của thang đo
Alpha đƣợc phát triển bởi Lee Cronbach vào năm 1951. Kiểm định Cronbach s Alpha là kiểm định nhằm phân tích, đánh giá độ tin cậy của thang đo. Mục đích của kiểm định này là tìm hiểu xem các biến quan sát có cùng đo lƣờng cho một khái niệm cần đo hay không. Giá trị đóng góp nhiều hay ít đƣợc phản ánh thông qua hệ số tƣơng quan biến tổng Corrected Item – Total Correlation. Hệ số tƣơng quan biến tổng là hệ số cho biến mức độ ―liên kết‖ giữa một biến quan sát trong nhân tố với các biến còn lại. Nó phản ánh mức độ đóng góp vào giá trị khái niệm của nhân tố của một biến quan
sát cụ thể. Qua đó, cho phép loại bỏ những biến không phù hợp trong mô hình nghiên
cứu. Hệ số Cronbach Alpha là hệ số cho phép đánh giá xem nếu đƣa các biến quan sát
nào đó thuộc về một biến nghiên cứu (biến tiềm ẩn, nhân tố) thì nó có phù hợp
không. Theo Hair et al (2006), hệ số Cronbach Alpha nằm trong các khoảng sau:
< 0.6: Thang đo nhân tố là không phù hợp .
0.6 – 07: Chấp nhận đƣợc với các nghiên cứu mới.
0.8 – 0.95: tốt.
>= 0.95: Chấp nhận đƣợc nhƣng không tốt, nên xét xét các biến quan sát có thể có hiện tƣợng trùng biến.
Tiêu chuẩn để chấp nhận các biến:
1. Những biến có chỉ số tƣơng quan biến tổng phù hợp (Corrected Item – Total Correlation) từ 0.3 trở lên.
2. Hệ số Cronbach s Alpha của các biến phải từ 0.7 trở lên.
3.9.2. Phân tích nhân tố khám phá
Phân tích nhân tố khám phá là một nhóm các thủ tục, phƣơng pháp phân tích thống kê đƣợc sử dụng để thu nhỏ và rút gọn một tập dữ liệu gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (còn gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng đƣợc hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 1998).
Tiêu chuẩn đánh giá (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008):
Chỉ số KMO: là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố khám phá. Chỉ số KMO nằm từ 0.5 đến 1 là điều kiện đủ để đánh giá phƣơng pháp phân tích nhân tố là thích hợp.
Kiểm định Bartlett: xem xét giả thuyết các biến không có tƣơng quan trong tổng thể, nếu kiểm định cho mức ý nghĩa thống kê (sig < 0.05) thì có thể kết luận các biến có tƣơng quan với nhau trong tổng thể, việc phân tích nhân tố là phù hợp đối với tập dữ liệu đang xét.
Eigenvalue: đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích.
Hệ số phƣơng sai trích: phần trăm phƣơng sai toàn bộ đƣợc giải thích bởi các nhân tố. Phƣơng sai trích cần đạt mức tiêu chuẩn từ 60% trở lên để phần trăm sự biến thiên của các nhân tố có thể giải thích đƣợc phần trăm sự biến thiên của các biến quan sát.
Factor loading (hệ số tải nhân tố): là hệ số tƣơng quan đơn giữa các biến và các nhân tố. Hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5 để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá.
Nhân số: ta thực hiện lấy Factor Score của các nhân tố bằng cách lấy trung bình cộng của các biến quan sát thuộc nhân tố để tiến hành thực hiện phân tích tiếp theo.
3.9.3. Phân tích tƣơng quan (Correlation)
Phân tích tƣơng quan là một phép phân tích đƣợc sử dụng là thƣớc đo độ lớn của các mối liên hệ giữa các biến định lƣợng trong nghiên cứu. Thông qua thƣớc đo này ngƣời nghiên cứu có thể xác định mối liên hệ tuyến tính giữa các biến độc lập, phụ thuộc trong nghiên cứu.
Để kiểm định mô hình hồi qui thì cần tiến hành phân tích tƣơng quan giữa các nhân tố độc lập với nhân tố phụ thuộc. Từ đó chúng ta sẽ chọn những nhân tố độc lập thực sự có tƣơng quan với nhân tố phụ thuộc và đƣa những nhân tố đó vào hồi quy.
Trƣớc khi tiến hành phân tích, cần tính giá trị trung bình cộng bằng hàm ―Mean‖ hoặc dùng chức năng ―Save as variables‖ có sẵn trong SPSS để làm nhân số (biến) đại diện cho nhân tố đó. Trong nghiên cứu này, chúng tôi sử dụng chức năng lƣu biến đại diện tự động để dùng trong phân tích hồi quy mô hình.
* Hệ số tƣơng quan Pearson
Hệ số tƣơng quan Pearson (Pearson correlation coefficient, kí hiệu r) đo lƣờng mức độ tƣơng quan tuyến tính giữa hai biến. Về nguyên tắc, tƣơng quan Pearson sẽ tìm ra một đƣờng thẳng phù hợp nhất với mối quan hệ tuyến tính của 2 biến.
Hệ số tƣơng quan Pearson (r) sẽ nhận giá trị từ +1 đến -1 (Welkowitz et al., 2006), r > 0 cho biết một sự tƣơng quan thuận giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm tăng giá trị của biến kia và ngƣợc lại r < 0 cho biết một sự tƣơng quan nghịch giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm giảm giá trị của biến kia và ngƣợc lại.
* Kết quả từ phân tích tƣơng quan Pearson
Giá trị tuyệt đối của r càng cao thì mức độ tƣơng quan giữa 2 biến càng lớn hoặc dữ liệu càng phù hợp với quan hệ tuyến tính giữa hai biến. Giá trị r bằng +1 hoặc bằng -1 (Morgan et al, 2004) cho thấy dữ liệu hoàn toàn phù hợp với mô hình tuyến tính.
3.9.4. Kiểm định mô hình hồi quy đa biến
Phân tích hồi quy nhằm xác định cụ thể trọng số của từng nhân tố độc lập tác động đến nhân tố phụ thuộc, từ đó đƣa ra đƣợc phƣơng trình hồi quy. Xác định đƣợc mức độ ảnh hƣởng của từng nhân tố độc lập lên nhân tố phụ thuộc.
Quá trình kiểm định mô hình hồi quy đƣợc thực hiện theo các bƣớc sau:
Đánh giá độ tin cậy phù hợp của mô hình hồi quy đa biến thông qua R2 và R2
hiệu chỉnh.
Kiểm định về độ phù hợp của mô hình.
Kiểm định về ý nghĩa của hệ số hồi quy từng thành phần.
Kiểm định về hiện tƣợng đa cộng tuyến thông qua giá trị của dung sai
(Tolerance) hoặc hệ số phóng đại phƣơng sai VIF (Variance Inflation Factor). Nếu VIF >10 thì có hiện tƣợng đa cộng tuyến (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Xác định mức độ ảnh hƣởng của các yếu tố: hệ số beta của yếu tố nào càng lớn
thì có thể nhận xét yếu tố đó có mức độ ảnh hƣởng cao hơn các yếu tố khác trong mô hình nghiên cứu.