Dữ liệu được phân tích bằng các phương pháp sau:
Thống kê mô tả là một loại phương pháp tổng hợp và xử lý dữ liệu để biến đổi các nguồn dữ liệu thành thông tin. Thống kê mô tả được thể hiện qua việc biểu diễn dữ liệu như: Dùng bảng và đồ thị để tổng hợp dữ liệu, tính các tham số mẫu như trung bình mẫu, phương sai mẫu, trung vị. Trong bài nghiên cứu này, đề tài đã sử dụng thống kê mô tả qua tỷ lệ phần trăm và giá trị trung bình.
3.4.1.2. Kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha
Cronbach‘s Alpha được thực hiện trước để loại các biến rác, tránh tạo nên các nhân tố giả khi phân tích EFA (Nguyễn Đình Thọ, 2011). Hệ số Cronbach‘s Alpha là hệ số kiểm định thống kê về mức độ tin cậy và tương quan giữa các biến quan sát trong thang đo. Hệ số này cho biết, sự chặt chẽ và thống nhất trong các câu trả lời nhằm đảm bảo người được hỏi đã hiểu cùng một khái niệm. Phương pháp phân tích hệ số tin cậy Cronbach‘s Alpha thỏa mãn một số điều kiện nhất định:
Hệ số Cronbach‘s Alpha từ 0,7 trở lên thì thang đo đáng tin cậy và giải thích hiệu quả (Nunnally và Bernstein, 1994). Tuy nhiên, hệ số Cronbach‘s Alpha còn phụ thuộc vào kích thước mẫu. Cỡ mẫu càng nhỏ thì càng có nhiều khả năng hệ số Cronbach‘s Alpha sẽ không cao do thiếu dữ liệu để xác định sự tương quan giữa các biến. Trong các trường hợp cỡ mẫu nhỏ thì hệ số Cronbach‘s Alpha bằng 0,6 vẫn có thể được chấp nhận.
Nếu hệ số Cronbach‘s Alpha cao (lớn hơn 0,95) thì có sự đa cộng tuyến cao giữa các biến giải thích. Dawn I. và Adam D. (2003) cho rằng giá trị Cronbach’s Alpha phải đi kèm với khoảng tin cậy để đánh giá hiệu quả tin cậy của thang đo. Đồng thời, để thang đo có được độ tin cậy cao thì các biến quan sát phải có sự tương quan mạnh với nhau, điều đó được thể hiện qua hệ số tương quan giữa biến tổng phải lớn hơn 0,4.
3.4.1.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) là một trong những phương pháp phân tích thống kê để rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một biến (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các thông tin của tập biến ban đầu (Hair và cộng sự, 1998). EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phụ thuộc và biến độc lập mà dựa vào mối tương quan giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn dựa vào mối quan hệ
tuyến tính của các nhân tố với biến quan sát. Phương pháp EFA yêu cầu mô hình phải thỏa mãn một số điều kiện nhất định. Theo Nguyễn Đình Thọ (2011), có một số tiêu chuẩn mà các nhà nghiên cứu cần quan tâm trong phân tích nhân tố khám phá (EFA) như sau:
Hệ số KMO (Kaiser-Myer-Olkin) phải có giá trị trong khoảng 0,5 ≤ KMO ≤ 1 là đủ điều kiện để phân tích nhân tố là thích hợp (Norusis, 1994).
Tỉ số rút trích nhân tố Eigenvalue ≥ 1 (Gerbing và Anderson, 1998), đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố, thì số nhân tố rút ra mới có ý nghĩa tóm tắt thông tin tốt nhất.
Hệ số tải nhân tố (Factor loading): là một chỉ tiêu để đảm bảo được mức ý nghĩa thiết thực của phân tích EFA:
Factor loading > 0,3 được xem là đạt mức tối thiểu Factor loading > 0,4 được xem là quan trọng Factor loading > 0,5 được xem là có ý nghĩa thực
Do đó, để phân tích nhân tố khám phá có ý nghĩa, giá trị của hệ số tải nhân tố phải > 0,5. Phần trăm phương sai toàn bộ (Percentage of variance) thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %. Mô hình EFA phù hợp khi tổng phương sai trích trong EFA phải đạt từ 50% trở lên.
3.4.1.4. Phân tích hồi quy đa biến
Theo Hoàng Trọng và Mộng Ngọc (2008), phân tích hồi quy đa biến giúp ta suy rộng ra kết luận về các mối quan hệ giữa các biến trong tổng thể bên cạnh việc mô tả lại dữ liệu thu thập được. Sự chấp nhận và diễn giải kết quả hồi quy không thể tách rời các giả định cần thiết và phạm vi các giả định. Nếu giả định bị vi phạm thì các kết quả ước lượng không đáng tin cậy.
Đề tài sử dụng phương pháp phân tích hồi quy tuyến tính đa biến nhằm mục đích xem xét mối liên hệ tác động của các biến độc lập lên biến phụ thuộc. Cụ thể các bước phân tích và các thông số cần lưu ý trong phân tích hồi quy tuyến tính bội như sau:
Xem xét hệ số R bình phương và R bình phương hiệu chỉnh để đánh giá xem các biến độc lập giải thích được bao nhiêu phần trăm sự biến thiên của biến phụ thuộc. Giá trị R bình phương càng gần 1 thì mức độ giải thích này càng cao và ngược lại. Thông
thường, giá trị của R phải đạt giá trị tối thiểu là 50% thì mô hình mới được cho là phù hợp. Tuy nhiên, giá trị R bình phương này sẽ càng tăng khi ta còn cho thêm nhiều biến vào mô hình dù chưa xác định được mức ý nghĩa của các biến này. Do đó, để khắc phục vấn đề này, người ta thường sử dụng R bình phưong hiệu chỉnh để đánh giá. R bình phưong hiệu chỉnh càng gần 1 thì mô hình càng phụ hợp và đáng tin cậy.
- Kiểm định đa cộng tuyến thông qua hệ số VIF. Độ lớn của hệ số này cũng chưa có sự thống nhất, thông thường VIF < 10 được xem là mô hình không vi phạm giả định đa cộng tuyến.
- Kiểm định tự tương quan: Sử dụng chỉ số của Durbin-Watson. Theo quy tắc kinh nghiệm, nếu 1 < Durbin-Watson < 3 thì có thể kết luận mô hình không có hiện tượng tự tưong quan.
- Kiểm định ý nghĩa thống kê các tham số hồi quy riêng. Chẳng hạn, nhằm kiểm định tham số β2 có ý nghĩa thống kê ở mức 5% hay không:
Giả thuyết: H0 : β2 = 0
H1 : β2 ≠ 0
... Ấ ʌ ι , β2-β2
Tính toán tham số t với n-k bậc tự do, công thức: t = ~
Setf2)
Trong đó: β2 là tham số hồi quy mẫu; β2 là tham số hồi quy cần kiểm định và
Se(β2) là sai số của tham số hồi quy mẫu tương ứng.
Nếu giá trị t tính được vượt quá giá trị tới hạn t tại mức ý nghĩa đã chọn (α = 5%), có thể bác bỏ giả thiết H0, điều này hàm ý biến độc lập tương ứng với tham số này tác động có ý nghĩa đến biến phụ thuộc. Một cách khác, nếu giá trị p thu được từ cách tính t là đủ nhỏ, đồng nghĩa với tham số hồi quy có ý nghĩa thống kê. Trong các phân tích bằng phần mềm SPSS 20.0 giá trịp được thể hiện bằng ký hiệu (Sig.).
TÓM TẮT CHƯƠNG 3
Trong chương 3, đề tài đã khái quát lại tổng quan về vấn đề nghiên cứu, sau đó trình bày quy trình nghiên cứu được sử dụng xuyên suốt trong bài nghiên cứu. Đề tài tiến hành xây dựng mô hình thang đo, mô tả và diễn giải các biến độc lập trong nghiên cứu, trình bày phương pháp chọn mẫu cho thích hợp vào việc chạy mô hình nghiên cứu. Đồng thời, đề tài trình bày phương pháp thu thập thông tin. Việc trình bày những phương pháp này nhằm đánh giá các ý nghĩa thống kê của hệ số được diễn giải kết quả nghiên cứu ở chương 4. Tiếp theo chương 4 đề tài sẽ trình bày về tổng quan về thị trường vé máy bay trực tuyến, phân tích kết quả nghiên cứu thông qua quá trình khảo sát đối với người tiêu dùng tại TP.HCM về ý định mua vé máy bay trực tuyến bằng cổng thanh toán VNpay.
Phân loại Tần số Tần suất
Giới tính Nam 122 53,7%
CHUONG 4. KẾT QUẢ NGHIÊN CỨU