2.2 PHƢƠNG PHÁP NGHIÊN CỨỤ
2.2.2 PHƢƠNG PHÁP KỸ THUẬT PHÂN TÍCH
- Phƣơng pháp thống kê mô tả: Đây là phƣơng pháp khơng thể thiếu trong q
trình nghiên cứu những vấn đề kinh tế – xã hội cần phân tích định lƣợng trong mối quan hệ chặt chẽ về mặt định tính của các hiện tƣợng và q trình. Một số đại lƣợng cần tính trong phƣơng pháp này là:
+ Giá trị trung bình: Bằng tổng tất cả các giá trị biến quan sát chia cho số quan
sát.
+ Số trung vị: Là giá trị của biến đứng ở giữa của một dãy số đã đƣợc sắp theo thứ tự tăng hoặc giảm dần. Số trung vị chia dãy làm hai phần, mỗi phần có số quan sát bằng nhaụ
+ Mode: Là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phốị
+ Phƣơng sai: là trung bình giữa bình phƣơng các độ lệch giữa các biến và giá trị trung bình của các biến đó.
+ Độ lệch chuẩn: là căn bậc hai của phƣơng saị
- So sánh bằng số tuyệt đối: là kết quả của phép trừ giữa trị số của kỳ phân tích
so với kỳ gốc của các chỉ tiêu nghiên cứu, kết quả so sánh khối lƣợng quy mô thay đổi của các hiện tƣợng nghiên cứụ
- So sánh bằng số tƣơng đối: là kết quả của phép chia giữa trị số của kỳ phân
tích so với kỳ gốc của các chỉ tiêu nghiên cứu, kết quả thể hiện tỷ lệ thay đổi tƣơng đối của các hiện tƣợng nghiên cứụ
- Phân tích hệ số tin cậy Cronbach Alpha
Khi đánh giá thang đo của các yếu tố, chúng ta cần sử dụng phƣơng pháp Cronbach Alpha để tìm ra đƣợc các yếu tố thích hợp nhất trong mơ hình, bằng cách loại bỏ các biến rác trƣớc khi phân tích nhân tố (EFA: Exploratory factor analysis). Các biến có hệ số tƣơng quan biến tổng (Item total correlation) nhỏ hơn 0.3 sẽ bị loại bỏ và tiêu chuẩn để chọn thang đo khi nó có độ tin cậy Alpha từ 0.6 trở lên.
Do khối lƣợng thu thập số liệu lớn nên chúng có rất nhiều biến và các biến này có mối liên hệ với nhau và số lƣợng của chúng phải đƣợc giảm bớt xuống đến một số lƣợng mà chúng ta có thể sử dụng đƣợc. Vì vậy ta phân tích nhân tố đƣợc sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệụ Các nhân tố chung có thể đƣợc diễn tả nhƣ những kết hợp tuyến tính của các biến quan sát:
Fi=Wi1X1+Wi2X2+……..+WikXk Trong đó:
Fi: ƣớc lƣợng trị số của nhân tố thứ ị
W: quyền số hay trọng số nhân tố (weight or factor score coefficient) k: số biến
Điều kiện để áp dụng phân tích nhân tố là các biến có tƣơng quan với nhaụ Để
xác định các biến có tƣơng quan nhƣ thế nào, ta sử dụng kiểm định Barlett’s để kiểm định giả thuyết:
H0: các biến khơng có liên quan lẫn nhau H1: có sự tƣơng quan giữa các biến.
Chúng ta mong đợi bác bỏ giả thuyết H0, nghĩa là chấp nhận H1 các biến có
liên hệ với nhaụ Điều này có đƣợc giá trị P sau khi kiểm định phải nhỏ hơn mức ý
nghĩa xử lý α. Đồng thời, phân tích nhân tố đƣợc xem là thích hợp khi giá trị hệ KMO
(Kaiser – Mayser - Olkin) trong khoảng từ 0.5 đến 1, khi đó các tƣơng quan đủ lớn để
có thể áp dụng phân tích nhân tố.
Sau khi rút đƣợc các nhân tố và lƣu lại thành các biến mới, các biến này sẽ đƣợc thay cho tập hợp biến gốc để đƣa vào phân tích hồi quỵ
- Phƣơng pháp phân tích hồi quy đa biến
Phân tích hồi quy là sự nghiên cứu mức độ ảnh hƣởng của một hay nhiều biến số (biến giải thích hay biến độc lập: independent variables) đến một biến số (biến kết quả hay biến phụ thuộc: dependent variable) nhằm dự báo biến kết quả dựa vào các giá trị đƣợc biết trƣớc của các biến giải thích.
Đề tài sử dụng phƣơng pháp phân tích hồi quy đa biến để ƣớc lƣợng các yếu tố ảnh hƣởng đến quyết định sử dụng thức ăn Cargill cho heo của các hộ nuôi tại Tỉnh Đồng Tháp , các yếu tố (biến độc lập) ảnh hƣởng đến các quyết định sử dụng thức ăn Cargill cho heo (biến phụ thusộc). Phƣơng trình hồi quy có dạng:
Y = α0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 +….+ βkXk Trong đó:
Y: Biến phụ thuộc là quyết định mua, đƣợc đo lƣờng bằng hai biến quan sát quyết định kết hợp với thang đo năm mức độ.
Các biến X1, X2,…, Xk là các biến độc lập là kết quả sau khi phân tích nhân tố
khám phá EFẠ
α0: hệ số chặn của hàm hồi quy
βi (với i = 1,2,3,4,5,…,k) :các tham số hồi quy, đo lƣờng độ lớn và chiều hƣớng ảnh hƣởng của biến độc lập đối với biến phụ thuộc.
- Theo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005) Hiệu số R2 > 0,5 mô
hình đạt yêu cầụ Hệ số này cho biết đƣợc mức độ phù hợp mơ hình. Trong nghiên cứu này thì tác giả sẽ chọn điều kiện R2 > 0,5 sẽ đạt yêu cầụ
- Giá trị Sig. của phân tích anova < 0,05 thì cho thấy bộ dữ liệu phù hợp cho
phân tích hồi qui (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Trong nghiên cứu này tác giả áp dụng điều kiện này để kiểm định bộ dữ liệu có phù hợp cho phân tích hồi qui khơng.
- Giá trị Sig. của kiểm định t phải nhỏ hơn 0,05 thì biến đó trong mơ hình hồi
qui có ý nghĩa trong thồng kê (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
- Giá trị của biến độc lập nào có giá trị WIF < 10 thì biến đó sẽ khơng làm cho
mơ hình hơi qui khơng bị đa cộng tuyến (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Vì vậy trong nghiên cứu này nếu biến quan sát nào có giá trị WIF > 10 sẽ bị loại khỏi mơ hình hồi quị
- Nếu tất cả các kiểm định điều đạt yêu cầu thì tác giả tiến hành xây dựng mơ hình hồi quị
- Phƣơng pháp kiểm định Anova
Dùng để kiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%.
Một số giả định khi phân tích ANOVA:
- Các nhóm so sánh phải độc lập và đƣợc chọn một cách ngẫu nhiên.
- Các nhóm so sánh phải có phân phối chuẩn or cỡ mẫu phải đủ lớn để đƣợc xem nhƣ tiệm cận phân phối chuẩn.
- Phƣơng sai của các nhóm so sánh phải đồng nhất.
Lƣu ý: nếu giả định tổng thể có phân phối chuẩn với phƣơng sai bằng nhau khơng đáp ứng đƣợc thì bạn có thể dùng kiểm định phi tham số Kruskal-Wallis sẽ để thay thế cho ANOVẠ
Theo (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2005) thì kiểm định Anova thực hiện thông qua hai bƣớc:
Bƣớc 1: Kiểm định Phƣơng sai bằng nhau (Levene test) Levene test: Ho: “Phƣơng sai bằng nhau”
Sig < 0.05: bác bỏ Ho
Sig >=0.05: chấp nhận Ho -> đủ điều kiện để phân tích tiếp anova Bƣớc 2: Kiểm định ANOVA
Ho: “Trung bình bằng nhau”
Sig >0.05: chấp nhận Ho -> chƣa đủ điều kiện để khẳng định có sự khác biệt…
Sig <=0.05: bác bỏ Ho -> đủ điều kiện để khẳng định có sự khác biệt… - Kiểm định in Independent-samples T-test
Trong kiểm định Independent-samples T-test, ta cần dựa vào kết quả kiểm định sự bằng nhau của 2 phƣơng sai tổng thể (kiểm định Levene). Phƣơng sai diễn tả mức độ đồng đều hoặc không đồng đều (độ phân tán) của dữ liệu quan sát.
Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) < 0.05 thì phƣơng sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dịng Equal variances not
assumed.
Nếu Sig. ≥ 0.05 thì phƣơng sai của 2 tổng thể không khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed.
Nếu Sig. của kiểm định t ≤ α (mức ý nghĩa) -> có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể.
Nếu Sig. > α (mức ý nghĩa) -> khơng có sự khác biệt có ý nghĩa về trung bình
của 2 tổng thể. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
* Đối với mục tiêu 3: Trên cơ sở diễn dịch các kết quả nghiên cứu ở các mục tiêu trƣớc đề xuất một số giải pháp để giúp cho các nhà lãnh đạo của cơng ty Cargill có quyết định dể dàng hơn để ngƣời chăn nuôi heo sử dụng cám cho heo của công ty
Cargill.