4.7.1. Phân tích nhân tố khám phá EFA cho các biến độc lập:
Sau khi đánh giá độ tin cậy của thang đo qua hệ số Cronbach’s Alpha, ta đã loại các biến KVHQ4, KVDD2, KVDD4, AHXH4. Ta tiếp tục tiến hành kiểm định giá trị của thang đo bằng phương pháp phân tích nhân tố khám phá EFA đối với 4 nhóm nhân tố là KVHQ, KVDD, AHXH, DKTL.
Kết quả EFA lần đầu tiên:
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy .811 Bartlett’s Test of Sphericity Approx. Chi- Square 1090.6 16 Df 66 Sig. .000
Hình 37. Bảng KMO and Bartlett's Test
Theo hình 37 ta thấy hệ số KMO = 0.811 > 0.5, kiểm định Bartlett là giá trị sig trong bảng = 0.000 < 0.05, vì vậy phân tích nhân tố khám phá là hợp lí.
Componen t
Initial Eigenvalues Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % Total % of Variance Cumulativ e % 1 4.565 38.038 38.038 4.565 38.038 38.038 2.658 22.149 22.149 2 1.764 14.699 52.737 1.764 14.699 52.737 2.621 21.843 43.992 3 1.271 10.594 63.331 1.271 10.594 63.331 2.321 19.339 63.331 4 .887 7.393 70.723 5 .702 5.847 76.570 6 .597 4.972 81.542
7 .520 4.334 85.876 8 .479 3.994 89.870 9 .379 3.158 93.028 10 .331 2.760 95.788 11 .309 2.574 98.363 12 .196 1.637 100.000
Extraction Method: Principal Component Analysis.
Hình 38. Bảng Total Variance Explaine
Trong hình 38, ta thấy khi trích được 3 nhân tố trị số Eigenvalue = 1.271 và khi trích đến nhân tố số 4 trị số Eigenvalue = 0.887. Từ nhân tố 3 đến 4 nhân tố là khoảng cách giữa mức 1, ở nhân tố 3 đảm bảo Eigenvalue > 1 và nhân tố 4 thì Eigenvalue < 1, chính vì vậy khi trích ra được 3 nhân tố thì 3 nhân tố này thể hiện đặc tính dữ liệu tốt nhất so với việc trích thêm những nhân tố còn lại là 4, 5, …, 12. Giá trị phương sai trích = 63.331% có nghĩa là 3 nhân tố trích được trong EFA phản ánh được 63.331 % sự biến thiên của tất cả các biến quan sát được đưa vào, lớn hơn mức tiêu chuẩn là 50%. Component 1 2 3 KVHQ1 .866 KVHQ2 .866 KVHQ3 .708 KVDD1 .535 DKTL3 .858 DKTL2 .839 DKTL4 .716 DKTL1 .659
AHXH3 .823
AHXH2 .761
AHXH1 .661
KVDD3 .271 .557
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations.
Hình 39. Bảng Ma trận xoay - Rotated Component Matrixa
Dạng biến xấu trong phân tích EFA:
Biến xấu: Tải lên 2 hay nhiều nhóm nhân tố và chênh lệch hệ số tải nhỏ hơn 0.3
⟹ Là biến quan sát KVDD3.
Ta thực hiện loại biến xấu trong lần một phân tích EFA là KVDD3 ta chạy lại EFA với 11 biến quan sát(lần chạy EFA thứ 2) ta được kết quả như sau:
KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. .777 Bartlett's Test of Sphericity Approx. Chi- Square 949.26 0 Df 55 Sig. .000
Hình 40. Bảng KMO and Bartlett's Test
Hệ số KMO = 0.777 > 0.5 nên phân tích EFA phù hợp với dữ liệu. Kiểm định Bartlett’s test có mức ý nghĩa 0,000 < 0.05, do vậy các biến quan sát có tương quan với nhau xét trên phạm vi tổng thể.
Compo nent
Initial Eigenvalues Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Tot al % of Variance Cumulativ e % Tot al % of Variance Cumulati ve % Total % of Variance Cumulativ e % 1 4.0 91 37.192 37.192 4.0 91 37.192 37.192 2.590 23.548 23.548 2 1.7 27 15.697 52.889 1.7 27 15.697 52.889 2.482 22.563 46.111 3 1.2 55 11.406 64.295 1.2 55 11.406 64.295 2.000 18.184 64.295 4 .88 7 8.061 72.356 5 .69 7 6.338 78.694 6 .57 8 5.258 83.952 7 .51 3 4.664 88.616 8 .39 5 3.588 92.204 9 .34 5 3.139 95.343 10 .31 5 2.864 98.207 11 .19 7 1.793 100.000
Hình 41. Bảng Total Variance Explained
Có ba nhân tố có chỉ số Eigenvalue là 1,255 nên được trích dựa vào tiêu chí Eigenvalue lớn hơn 1, ba nhân tố này tóm tắt thông tin của 11 biến quan sát đưa vào EFA một cách tốt nhất. Ta thấy tổng phương sai mà 3 nhân tố này trích được là 64,295% >50%, có nghĩa rằng ba nhân tố được trích ở trong EFA giải thích được 64,295% sự biến thiên của tất cả các biến quan sát tham gia vào EFA.
Component 1 2 3 DKTL3 .857 DKTL2 .843 DKTL4 .717 DKTL1 .660 KVHQ1 .872 KVHQ2 .870 KVHQ3 .714 KVDD1 .541 AHXH3 .832 AHXH2 .781 AHXH1 .651
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 5 iterations
Hình 42. Bảng Rotated Component Matrixa
Kết quả ma trận xoay cho thấy tất cả các biến quan sát đều có hệ số tải nhân tố lớn hơn 0,5 và không còn các biến xấu, đồng thời ta thấy được 11 biến quan sát được phân thành 3 nhân tố.
Dựa trên mô hình phân tích nhân tố EFA của các biến độc lập trong mô hình nghiên cứu các nhân tố ảnh hưởng đếný định sử dụng hệ thống thông tin Zoom, thang đo quyết định ý định sử dụng được đo lường bởi 3 thành phần nhân tố như sau:
- Nhân tố 1 đặt tên là Điều kiện thuận lợi, kí hiệu “DKTL” bao gồm:
DKTL3 Bạn có thể kết hợp sử dụng Zoom cùng các hệ thống khác để học trực tuyến.
DKTL2 Bạn có đủ kiến thức (cách truy cập, cách sử dụng, cách kiểm soát thông tin,...) để tham gia vào lớp học trực tuyến trên Zoom.
DKTL4 Luôn có nhân viên hoặc đội ngũ sẵn sàng hỗ trợ khi bạn gặp khó khăn bất ngờ hoặc các sự cố về hệ thống.
DKTL1
Bạn có đầy đủ điều kiện về nền tảng CNTT (thiết bị di động, máy tính, mạng Internet,...) để đáp ứng việc tham gia vào lớp học trực tuyến trên Zoom.
- Nhân tố 2 đặt tên là Kì vọng, kí hiệu “KV” bao gồm:
KVHQ1 Bạn cảm thấy sử dụng Zoom hữu ích cho việc học trực tuyến của mình.
KVHQ2 Sử dụng Zoom trong học trực tuyến giúp bạn chủ động và tập trung học tập.
KVHQ3 Sử dụng Zoom trong học trực tuyến giúp bạn tăng năng suất hiệu quả học tập.
KVDD1 Bạn dễ dàng học cách sử dụng Zoom để tham gia vào các lớp học trực tuyến.
- Nhân tố 3 đặt tên là ảnh hưởng xã hội, kí hiệu “AHXH” bao gồm:
AHXH3 Những người có ảnh hưởng đến bạn (bạn bè, đồng nghiệp, anh chị khóa trước,...) nghĩ rằng tôi nên sử dụng Zoom để học trực tuyến. AHXH2 Giảng viên rất sẵn sàng giúp đỡ bạn trong việc sử dụng Zoom để học
4.7.2. Phân tích nhân tố cho các yếu tố phụ thuộc:
Thực hiện phân tích tương tự như cách phân tích nhân tố khám phá cho biến độc lập. Ta đưa các biến phụ thuộc là YDSD1, YDSD2 vào để phân tích, thu được kết quả như sau: STT Biến quan sát Nhân tố 1 1 YDSD1 0.930 2 YDSD2 0.930 Eigenvalues 1.730 Phương sai trích (%) 86.499 Sig 0.000 KMO 0.531
Hình 43. Bảng Kết quả phân tích EFA cho các biến phụ thuộc
Kết quả phân tích nhân tố cho biến phụ thuộc cho thấy có 2 biến quan sát được nhóm thành 1 nhân tố. Các biến có trọng số tải nhân tố (Factor loading) đều lớn hơn 0,5 nên các biến quan sát đều quan trọng trong nhân tố biến phụ thuộc, chúng có ý nghĩa thiết thực. Hệ số KMO = 0.531 > 0.5 nên phân tích EFA phù hợp với dữ liệu. Kiểm định Bartlett’s test có mức ý nghĩa 0.000 < 0.05, do vậy các biến quan sát có tương quan với nhau xét trên phạm vi tổng thể. Giá trị Eigenvalue = 1.730 > 1 đạt yêu cầu. Phương sai trích được bằng 86.499%, cho biết nhân tố biến phụ thuộc giải thích được 86.499% biến thiên của dữ liêu nghiên cứu.
Tóm tắt kết quả phân tích nhân tố (EFA):
Kết quả phân tích nhân tố cho thấy các biến độc lập và biến phụ thuộc trong mô hình nghiên cứu đều đạt giá trị hội tụ và giá trị phân biệt chấp nhận được, phân tích EFA là thích hợp với dữ liệu nghiên cứu… Như vậy, từ 4 nhân tố của mô hình nghiên cứu đề xuất ban đầu, còn 3 nhân tố với 11 biến quan sát của nhân tố độc lập và 2 biến quan sát của nhân tố phụ thuộc. Do đó, mô hình nghiên cứu đã đề xuất cần được hiệu
Mô hình nghiên cứu hiệu chỉnh: Mô hình nghiên cứu sử dụng 3 nhân tố từ các nhân tố trong mô hình đề xuất ban đầu: (1) Điều kiện thuận lợi, (2) Kì vọng, (3) Ảnh hưởng xã hội.
Hình 44. Mô hình hiệu chỉnh
Các giả thuyết trong mô hình nghiên cứu hiệu chỉnh được trình bày trong bảng dưới:
Giả thuyết Nội dung
H1 Điều kiện thuận lợi là nhân tố tác động đến ý định sử dụng Zoom của sinh viên
H2 Kì vọng là nhân tố tác động đến ý định sử dụng Zoom của sinh viên
H3 ảnh hưởng xã hội là nhân tố tác động đến ý định sử dụng Zoom Kì vọng Ý định sử dụng zom Điều kiện thuận lợi ảnh hưởng xã hội
của sinh viên
Hình 45. Bảng các giả thuyết mới
4.8. Tương quan Pearson
Sau khi phân tích nhân tố khám phá EFA, ta thấy rằng các biến độc lập được hội tụ và phân biệt thành 4 nhân tố và biến phụ thuộc được hội tụ và phân biệt thành 2 nhân tố. Mỗi nhân tố gồm các biến quan sát nằm cùng một cột. Ta không thể thực hiện phân tích tương quan Pearson với số lượng lớn biến quan sát, vì vậy cần thu gọn tập hợp biến này lại bằng các biến đại diện. Với việc tạo các biến đại diện và tiến hành phân tích, ta thu được kết quả như sau:
Hình 46. Bảng Correlations
Từ bảng tương quan Pearson, ta thấy các cặp biến giữa biến độc lập và biến phụ thuộc với các cặp biến giữa các biến độc lập đều có giá trị Sig < 0,05 nên các cặp có mối quan hệ tương quan tuyến tính với nhau.
Trong tương quan giữa biến độc lập với nhau, ta chủ yếu quan tâm đến những cặp biến có tỉ lệ sig nhỏ hơn 0.05, khi đó chúng có mối quan hệ tương quan tuyến tính với nhau, và nếu mối quan hệ đó quá lớn thì sẽ xảy ra hiện tượng đa cộng tuyến. Nếu cặp nhân tố có hệ số sig nhỏ hơn 0.05 và có hệ số Pearson lớn hơn 0.4 thì ta đặt nghi ngờ có khả năng xảy ra hiện tượng đa cộng tuyến.
4.9. Phân tích hồi quy đa biến
Sau khi phân tích nhân tố EFA, ta giữ lại 13 biến quan sát chia thành 4 nhóm. Tiến hành đặt biến đại diện cho 4 nhóm để phân tích hồi quy đa biến bằng SPSS.
Nhóm KV bao gồm các biến quan sát: KVHQ1, KVHQ2, KVHQ3, KVDD1
Nhóm AHXH bao gồm các biến quan sát: AHXH1, AHXH2, AHXH3
Nhóm DKTL bao gồm các biến quan sát: DKTL1, DKTL2, DKTL3, DKTL4
Nhóm YDSD bao gồm các biến quan sát: YDSD1, YDSD2
4.9.1. Bảng Model Summary đánh giá độ phù hợp của mô hình phân tích hồi quy đa biến đa biến
Trong mô hình hồi quy thì mức độ giải thích biến phụ thuộc của các biến độc lập sẽ được phản ánh thông qua hai giá trị đó là giá trị R^2 - (R Square) và R^2 - hiệu chỉnh (Adjusted R Square). R^2 sẽ không phản ánh sát bằng R^2 hiệu chỉnh. Hai giá trị này luôn thuộc trong khoảng 0 đến 1, và chạm đến mức 1 là điều không tưởng; giá trị này thường nằm trong bảng Model Summary. Mô hình càng có ý nghĩa khi R^2 hiệu chỉnh tiến về 1. Ngược lại ý nghĩa mô hình yếu nếu R^2 hiệu chỉnh tiến về 0. Để phân ra 2 nhánh ý nghĩa mạnh/yếu của mô hình ta thường chọn 0,5 để làm tiêu chí phân nhánh.
Hình 47. Bảng Model Summary đánh giá độ phù hợp của mô hình phân tích hồi quy đa biến.
Từ bảng trên ta thấy:
Giá trị R^2 (Adjusted R Square) hiệu chỉnh bằng 0,259 cho thấy biến độc lập đưa vào chạy hồi quy ảnh hưởng 25,9% sự thay đổi của biến phụ thuộc, còn lại 74,1% là do các biến ngoài mô hình và sai số ngẫu nhiên
Hệ số Durbin – Watson = 2,039 nằm trong khoảng 1,5 đến 2,5 nên không có hiện tượng tự tương quan chuỗi bậc nhất xảy ra.
4.9.2 Bảng kết quả đầu ra của phân tích ANOVA
Giá trị sig của kiểm định F là công cụ dùng để kiểm định độ phù hợp của mô hình hồi quy. Nếu sig nhỏ hơn 0.05 thì tập dữ liệu phù hợp với mô hình hồi quy tuyến tính bội và có thể sử dụng được. Trong bảng ANOVA có chứa giá trị này.
Hình 48. Bảng ANOVA
Ta thấy giá trị sig của kiểm định F = 0,000 < 0,05 => Mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng.
4.9.3 Bảng Coefficients đánh giá ý nghĩa của hệ số hồi quy của mỗi biến độc lập trong mô hình. trong mô hình.
Để kiểm định ý nghĩa của hệ số hồi quy của mỗi biến độc lập, chúng ta sử dụng giá trị sig của kiểm định t trong bảng Coefficients. Nếu sig kiểm định t của hệ số hồi quy của 1 biến độc lập nhỏ hơn 0.05 thì biến độc lập đó có tác động đến biến phụ thuộc. Nếu sig kiểm định t của biến độc lập lớn hơn 0.05 thì biến độc lập đó không có sự tác động lên biến phụ thuộc, và biến đó không cần loại bỏ để chạy lại hồi quy lần tiếp theo.
Từ bảng trên ta có thể thấy:
Trong bảng, không có biến nào độc lập nào có hệ số sig lớn hơn 0,05 nên tất cả các biến độc lập đều có ý nghĩa giải thích cho biến phụ thuộc.
Kiểm tra hiện tượng đa cộng tuyến, chúng ta sử dụng Hệ số phóng đại phương sai VIF. Thông thường, nếu VIF của một biến độc lập lớn hơn 10 (nhưng trong nghiên cứu của nhóm sẽ lấy 2 làm tiêu chuẩn) nghĩa là biến độc lập đó đang có đa cộng tuyến xảy ra. Khi đó, biến độc lập này sẽ không có giá trị giải thích biến thiên của biến phụ thuộc. Từ kết quả của bảng Coefficients trên, không có giá trị VIF nào lớn hơn 2 nên không có hiện tượng đa cộng tuyến xảy ra.
Các hệ số hồi quy đều lớn hơn 0 nên các biến độc lập đưa vào phân tích hồi quy đều tác động cùng chiều tới biến phụ thuộc.
4.9.4. Kiểm định phần dư có phân phối chuẩn.
Hình 50. Biểu đồ Histogram
Từ biểu đồ trên ta có thấy được, biểu đồ tần số nằm sau một đường cong phân phối chuẩn. Đường cong này có dạng hình chuông, phù hợp với dạng đồ thị của phân phối chuẩn. Giá trị trung bình Mean = 2.45E - 16 gần bằng 0, độ lệch chuẩn là 0.993 gần bằng 1, từ đó có thể nói, phân phối phần dư xấp xỉ chuẩn. Do đó, có thể đưa ra kết luận rằng: Không vi phạm giả thiết phân phối chuẩn của phần dư.
Hình 51. Biểu đồ P-P Plot
Ngoài biểu đồ Histogram ta cũng có thể nhận diện sự vi phạm giả định phần dư chuẩn hóa bằng biểu đồ P-P Plot. Với đồ thị P-P Plot trên, các chấm tròn tập trung thành dạng một đường chéo sẽ không vi phạm giả định hồi quy về phân phối chuẩn phần dư. Cụ thể các điểm phân vị trong phân phối của phần dư tập trung thành một đường chéo cho thấy giả định phân phối chuẩn của phần dư không vi phạm. Biểu đồ Scatter Plot được sử dụng cho mục đích kiểm tra giả định liên hệ tuyến tính. Để biết được dữ liệu hiện tại có vi phạm giả định tuyến tính hay không ta dùng biểu đồ phân tán giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn.
4.9.5. Kiểm định liên hệ tuyến tính giữa biến phụ thuộc với biến độc lập
Hình 52. Biểu đồ Scatterplot
Theo đồ thị trên, ta thấy phần dư chuẩn hóa phân bổ ngẫu nhiên xung quanh của đường tung độ bằng 0 và hình dạng tạo thành đường thẳng. Qua đó không có sự vi phạm trong giả định quan hệ tuyến tính.
4.9.6. Kết quả của quá trình phân tích hồi quy đa biến
Trong bảng Coefficients, chúng ta có hai giá trị hồi quy là B (chưa chuẩn hóa) và Beta (đã chuẩn hóa). Mỗi hệ số hồi quy này sẽ có các vai trò khác nhau trong phương trình hồi quy thông qua các hàm quản trị.
B - Hệ số hồi quy chưa chuẩn hóa