7. Kết cấu của đề tài nghiên cứu
3.2.2 Phân tích dữ liệu
Bước 1: Xử lý dữ liệu thô
Tác giả tiến hành tập hợp dữ liệu và xử lý ban đầu bằng phần mềm Microsoft Excel, sau đó tiến hành xử lý dữ liệu thô như kiểm tra tính hợp lý của dữ liệu, kiểm tra dữ liệu trống. Dữ liệu sạch sau được đưa vào phân tích bằng phần mềm IBM SPSS Statistics 20.
Bước 2: Kiểm định chất lượng thang đo
Để kiểm định chất lượng thang đo, tác giả sử dụng hệ số Cronbach’s. Thang đo được được coi là đạt chất lượng tốt khi: (1) Hệ số Cronbach’s Alpha của tổng thể lớn hơn 0,6; và (2) Hệ số tương quan biến – tổng của các biến quan sát (Corrected Item – Total Corelation) lớn hơn 0,3 (Nunnally & Bernstein, 1994).
Bước 3: Phân tích nhân tố khám phá EFA
Phân tích EFA sẽ giúp rút trích thành các nhân tố phục vụ cho việc phân tích tiếp theo. Chỉ tiêu “hệ số tải nhân tố” được dùng để đo lường mức ý nghĩa của hệ số EFA. Theo nghiên cứu của Hair và cộng sự (2010) cho rằng: Hệ số này lớn hơn 0,3 được xem là mức tối thiểu, lớn hơn 0,4 được xem là mức quan trọng, lớn hơn 0,5 được
xem là có ý nghĩa thiết thực. Trong nghiên cứu này nhằm nâng cao tính thiết thực và tính tin cậy của các kết quả nghiên cứu, luận văn chỉ lựa chọn những nhân tố có hệ số tải lớn hơn 0,5.
Bước 4: Phân tích thống kê mô tả
Bước 5: Kiểm định mô hình hồi quy
Nhằm đảm bảo độ tin cậy và hiệu quả của mô hình, 5 kiểm định chính sau được thực hiện:
Kiểm định tương quan từng phần của các hệ số hồi quy
Mục tiêu của kiểm định này nhằm xem xét biến độc lập tương quan có ý nghĩa với biến phụ thuộc hay không (xét riêng từng biến độc lập). Các tác giả Nguyễn Đình Thọ (2014) và Đinh Phi Hổ (2014) cho rằng: Khi mức ý nghĩa (Significance, Sig.) của hệ số hồi quy t ừng phần có độ tin cậy là 95% trở lên (Sig. ≤0,05), có thể kết luận tương quan giữa biến độc lập và biến phụ thuộc có ý nghĩa thống kê.
Kiểm định mức độ phù hợp của mô hình
Mục tiêu của kiểm định này nhằm xem xét rằng biến độc lập với biến phụ thuộc còn tồn tại mối quan hệ tuyến tính với nhau hay không. Các tác giả Nguyễn Đình Thọ (2014) và Đinh Phi Hổ (2014) cho rằng: Mô hình được xem là không phù hợp khi tất cả các hệ số hồi quy đều bằng không,và mô hình được xem là phù hợp khi có ít nhất một hệ số hồi quy khác không. Phân tích phương sai (Analysis of Variance - ANOVA) được sử dụng để kiểm định mức độ phù hợp của mô hình. Nếu mức ý nghĩa đảm bảo có độ tin cậy ít nhất 95% (Sig. < 0,05), mô hình được xem là phù hợp.
Kiểm định hiện tượng đa cộng tuyến
Hiện tượng đa cộng tuyến (Multicollinearity) là hiện tượng các biến độc lập có quan hệ gần như tuyến tính. Việc bỏ qua hiện tượng đa cộng tuyến làm các sai số chuẩn thường cao hơn, giá trị thống kê thấp hơn và có thể không có ý nghĩa. Để kiểm tra hiện tượng này, ta sử dụng thước đo độ phóng đại phương sai (Variance Inflation Factor - VIF) để kiểm định hiện tượng tương quan giữa các biến độc lập. Điều kiện là VIF < 10
để không có hiện tượng đa cộng tuyến (Nguyễn Đình Thọ, 2014; Đinh Phi Hổ, 2014). Kiểm định hiện tượng tự tương quan
Trong nghiên cứu này, trị số thống kê Durbin-Watson được sử dụng để kiểm tra xem có hiện tượng tự tương quan hay không trong phần dư (Residuals) của mô hình hồi quy đã được đề xuất. Mô hình được kết luận không có hiện tượng tự tương quan khi thỏa mãn điều kiện dU < d < 4 – dL. Trong đó, dU là Trị số thống kê trên và dL là Trị số thống kê dưới (Nguyễn Đình Thọ, 2014; Đinh Phi Hổ, 2014).
Kiểm tra hiện tượng phương sai của phần dư thay đổi
Phương sai của phần dư thay đổi (Heteroskedasticity) là hiện tượng các giá trị phần dư có phân bố không giống nhau và giá trị phương sai không như nhau. Hiện tượng này không xảy ra khi thỏa mãn điều kiện: nR2 < giá trị Chi bình phương. Khi nR2 < giá trị Chi bình phương, kết luận: Phương sai của phần dư không đổi (Nguyễn Đình Thọ, 2014; Đinh Phi Hổ, 2014).