* Phương pháp thống kê mô tả:
Phương pháp phân tích thống kê mô tả liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán và trình bày, diễn tả các đặc trưng khác nhau, phản ánh một cách tổng quát đối tượng nghiên cứu. Các đại lượng thường được dùng mô tả dữ liệu: (1) Đại lượng mô tả độ phức tạp trung: mean, mode, median; (2) Đại lượng mô tả mức độ phân tán: phương sai, độ lệch chuẩn, khoảng biến thiên. Sau đó trình bày trên biểu bảng và sơ đồ.
Phương pháp thống kê mô tả: Đây là phương pháp không thể thiếu trong quá trình nghiên cứu những vấn đề kinh tế - xã hội cần phân tích định lượng trong mối quan hệ chặt chẽ về mặt định tính của các hiện tượng và quá trình. Một số đại lượng cần tính trong phương pháp này là:
+ Giá trị trung bình: bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát. + Mode: là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
+ Số trung vị: là giá trị của biến đứng ở giữa của một dãy số đã được sắp theo thứ tự tăng hoặc giảm dần. Số trung vị chia dãy làm hai phần, mỗi phần có số quan sát bằng nhau. + Phương sai: là trung bình giữa bình phương các độ lệch giữa các biến và giá trị trung bình của các biến đó.
+ Độ lệch chuẩn: là căn bậc hai của phương sai. + Tần suất của các biến quan sát.
Nhu cầu mua sắm tại CTT
1 NCM1 Chợ là chọn lựa đầu tiên của tôi khi tôi muốn đi mua sắm 2 NCM2 Tôi thường xuyên đi mua sắm ở CTT hơn là những nơi mua
sắm khác
3 NCM3 Tôi sẽ tiếp tục mua sắm ở chợ truyền thống trong tương lai 4 NCM4 Mặc dù nhiều nơi mua sắm hiện đại phát triển, tôi vẫn lựa
với kỳ gốc của các chỉ tiêu nghiên cứu, kết quả so sánh khối lượng quy mô thay đổi của các hiện tượng nghiên cứu.
* Phương pháp phân tích độ tin cậy của thang đo (Cronbach’s Alpha)
Đây là một phép kiểm định thống kê về mức độ chặt chẽ mà các câu hỏi trong thang đo tương quan với nhau. Với phương pháp này người phân tích có thể loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha.
Nhược điểm của hệ số tin cậy Cronbach’s Alpha là nó chỉ cho biết liệu các biến đo lường có liên kết nhau và không xét đến việc biến nào cần phải loại bỏ và biến nào cần phải giữ lại. Vậy nên, ta cần kết hợp sử dụng hệ số tương quan biến - tổng để loại ra những biến không đóng góp nhiều cho khái niệm cần đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc). Các tiêu chí sử dụng khi thực hiện đánh giá dộ tin cậy thang đo gồm:
- Với hệ số tin cậy Cronbach’s Alpha > 0.8, thang đo lường được đánh giá tốt, từ khoảng 0.7 đến 0.8 là sử dụng được và từ 0.6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc làm mới trong hoàn cảnh nghiên cứu, Nunnally (1998); Peterson (1994); Slater (1995), dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008). Tại nghiên cứu này, tác giả chọn thang đo có độ tin cậy là từ 0.6 trở lên.
- Đối với hệ số tương quan biến - tổng: các biến quan sát có tương quan nhỏ hơn 0.3 sẽ được coi là biến rác và bị loại ra, thang đo được chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu.
* Phương pháp phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998).
Đây là phương pháp phân tích thống kê nhằm rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành tập biến gọn hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các thông tin của tập biến ban đầu, Hair& ctg (1998).
xem xét sự thích hợp của mô hình phân tích nhân tố và tổng phương sai trích cho thấy khả năng giải thích của các nhân tố thay cho các biến ban đầu. Nếu chỉ số này rơi vào khoảng từ 0.5 tới 1 thì ta sử dụng phân tích nhân tố là phù hợp với dữ liệu nghiên cứu và thang đo chỉ được chấp nhận khi tổng phương sai trích lớn hơn 50%.
Có rất nhiều phương pháp có thể sử dụng nhằm xác định số nhân tố, tác giả lựa chọn phương pháp thông dụng nhất là sử dụng hệ số Eigenvalue (Determination based on eigen value) cho nghiên cứu: Chỉ những nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Phương pháp này được đánh giá sẽ phản ánh dữ liệu tốt hơn khi dùng Principal Components với phép quay Varimax. Nhược điểm của phương pháp nằm ở quy mô mẫu lớn (trên 200), nhiều khả năng sẽ có nhiều nhân tố thỏa mãn mức ý nghĩa thống kê mặc dù trong thực tế có nhiều nhân tố chỉ giải thích được một phần nhỏ toàn bộ biến thiên.
Tiến hành xoay nhân tố theo phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Compontents với phép xoay Varimax (Orthogonal), Gerbing & Anderson (1988). Trong phương pháp phân tích, nhân tố được quan tâm nhất là hệ số tải nhân tố Factor loading. Theo Hair & ctg (1998), đây là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA, với factor loading > 0.3 được xem là đạt được mức tối thiểu và cỡ mẫu nên chọn ít nhất là 350, factor loading > 0.4 được xem là quan trọng, nếu cỡ mẫu khoảng 100 thì factor loading > 0.5 được xem là có ý nghĩa thực tiễn. Với số mẫu 210nên tác giả chọn hệ số tải nhân tố Factor loading > 0.5. Trường hợp có một biến quan sát thuộc hai nhóm nhân tố thì tác giả xét khoảng cách giữa hai số tải phải lớn hơn 0.3 và biến quan sát sẽ thuộc về nhân tố có hệ số tải lớn.
* Phân tích hồi quy tuyến tính đa biến
Phân tích hồi quy đa biến được sử dụng dùng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Phương trình hồi quy tuyến tính đa biến có dạng:
Yi = β0 + β1X1i + β2X2i + β3X3i... + βkXki + e
đó gọi là biến độc lập. Cụ thể trong mô hình hồi quy này tìm mối liên hệ giữa biến Y (biến phụ thuộc) với các biến X1, X2, … ,Xk (các biến độc lập).
Phân tích hồi quy đa biến giúp dự đoán mức độ của biến phụ thuộc (với độ chính xác trong phạm vi giới hạn) khi biết trước giá trị của biến độc lập. Theo nghiên cứu từ Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), các tham số quan trọng trong phân tích hồi qui đa biến bao gồm:
Hệ số hồi qui riêng βk: là hệ số đo lường sự thay đổi trong giá trị trung bình Y khi Xk
thay đổi một đơn vị, giữa các biến độc lập còn lại không đổi.
Hệ số xác định R2 hiệu chỉnh xác định tỉ lệ biến thiên của biến phụ thuộc được giải thích bởi biến độc lập trong mô hình hồi quy. Đây cũng là thông số đo lường độ thích hợp của mô hình hồi quy. Quy tắc là, R2 càng gần 1 thì mô hình xây dựng càng thích hợp, R2
càng gần 0 mô hình càng kém phù hợp với tập dữ liệu mẫu. Tuy nhiên, R2 có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu trong trường hợp có hơn 1 biến giải thích trong mô hình. Đối với tình huống này, R2 điều chỉnh (Adjusted R-square) được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2.
Kiểm định F trong phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình tuyến tính tổng thể. Nếu giả thuyết Ho của kiểm định F bị bác bỏ thì có thể kết luận mô hình hồi quy tuyến tính đa biến phù hợp với tập dữ liệu và có thể sử dụng được.
Tính toán mô hình hồi quy: Mô hình hồi quy tuyến tính bằng phương pháp Enter được thực hiện với các giả định trên và mô hình chỉ thực sự có ý nghĩa khi các giả định này được đảm bảo. Nếu các giả thiết trên vi phạm, thì kết quả ước lượng sẽ không còn chính xác nữa. Giả định các biến độc lập không có tương quan với nhau hay không có hiện tượng đa cộng tuyến được đảm bảo như đã được phân tích ở trên. Do vậy, để đảm bảo cho độ tin cậy của mô hình, nghiên cứu còn phải thực hiện một loạt các dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính.
Giả định liên hệ tuyến tính và phương sai không đổi: Nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn thì không nhận thấy có liên hệ gì giữa các giá trị
dự đoán và phần dư, chúng sẽ phân tán rất ngẫu nhiên. Nếu giả định tuyến tính được thỏa mãn (đúng) thì phần dư phải phân tán ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0 của đồ thị phân tán của phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Predicted Value). Và nếu phương sai không đổi thì các phần dư phải phân tán ngẫu nhiên quanh trục 0 (tức quanh giá trị trung bình của phần dư) trong một phạm vi không đổi.