3.2 Phương pháp phân tích dữ liệu
3.2.1 Phương pháp phân tích độ tin cậy (Cronbach’s Alpha)
Khi xây dựng bảng câu hỏi nghiên cứu, ta thường tạo ra các biến quan sát là biến con của nhân tố mẹ. Ví dụ với thang đo Chất lượng cảm nhận, “Tôi cảm thấy các bài Đánh giá năng lực của JobTest hữu ích” là biến quan sát, biến con của nhân tố mẹ là “Chất lượng cảm nhận”. Như vậy, “đánh giá độ tin cậy của thang đo” tức là kiểm định mức độ tin cậy của các biến quan sát con, trả lời cho câu hỏi các biến quan sát con có thể hiện được tính chất của nhân tố mẹ hay không. Cronbach (1951) đã đưa ra hệ số tin cậy cho thang đo. Theo đó, việc sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp và các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Các tiêu chuẩn tác giả sử dụng khi thực hiện đánh giá độ tin cậy của thang đo: Thứ nhất, theo Nunnally & Bernstein (1994), nếu một biến có hệ số tương quan biến tổng (Corrected item - total correlation) ≥ 0.3 thì biến đó đạt yêu cầu.
Thứ hai, các mức giá trị hệ số Cronbach’s Alpha (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005):
• Từ 0,8 đến gần bằng 1: thang đo lường rất tốt;
• Từ 0,7 đến gần bằng 0,8: thang đo lường sử dụng tốt;
• Từ 0,6 trở lên: thang đo lường đủ điều kiện.
3.2.2 Phương pháp phân tích nhân tố khám phá (EFA)
Sau khi phân tích hệ số tin cậy Cronbach’s Alpha, các thang đo được đánh giá tiếp theo bằng phương pháp phân tích nhân tố khám phá EFA. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật nhằm rút gọn một tập hợp k biến quan sát thành một tập F các nhân tố có ý nghĩa (với F < k). Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
Các tiêu chí tác giả sử dụng trong phân tích EFA:
quan giữa biến quan sát với nhân tố. Theo Hair & ctg (1998) thì:
• Factor loading > 0.3 được xemlà đạt mức tối thiểu;
• Factor loading > 0.4 được xemlà quan trọng;
• Factor loading > 0.5 được xemlà có ý nghĩa thực tiễn.
Trên thực tế, người ta thường đặt ra tiêu chuẩn chọn mức giá trị hệ số tải nhân tố theo cỡ mẫu như sau: từ 120 đến dưới 350, người ta thường lấy 0,5 làm mức tiêu chuẩn; cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải nhân tố lớn hơn 0,3; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0,75 (Hair, Anderson, Tatham và Black; 2008).
Thứ hai, trị số KMO (Kaiser-Meyer - Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Theo đó, trị số KMO phải có giá trị trong khoảng từ 0.5 đến 1 thì phân tích này mới thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Thứ ba, kiểm định Bartlett dùng để xem xét các biến quan sát có tương quan với nhau trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Thứ tư, trị số Eigenvalue là tiêu chí dùng để xác định số lượng nhân tố trong phân tích EFA. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt
hơn một biến gốc (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007).
Cuối cùng, tổng phương sai trích (Total Variance Explained) thể hiện phần trăm biến thiên của các biến quan sát. Tổng phương sai trích ≥ 50% cho thấy mô hình EFA là phù hợp. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm.
3.2.3 Phương pháp phân tích tương quan Pearson
Trước khi kiểm định mô hình nghiên cứu bằng phân tích hồi quy tuyến tính, cần phải xem xét mối tương quan giữa các biến của mô hình. Phân tích ma trận tương quan Pearson sử dụng hệ số tương quan Pearson (Pearson correlation coefficient, kí hiệu là r) để lượng hóa mức độ chặt chẽ mối quan hệ tuyến tính giữa mỗi biến độc lập ảnh hưởng đến biến phụ thuộc và giữa các biến độc lập với nhau. Nếu r > 0 cho biết một sự tương quan dương giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm tăng giá trị của biến kia và ngược lại. Nếu r < 0 cho biết một sự tương quan âm giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm giảm giá trị của biến kia và ngược lại. Giá trị r = +1 hoặc r = -1 cho thấy dữ liệu hoàn toàn phù hợp với mô hình tuyến tính.
Có nhiều quy tắc, kinh nghiệm khác nhau đề nghị mức độ tương quan theo giá trị tuyệt đối r, trong đó quy tắc Evans (1996) được sử dụng phổ biến như sau: