CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.4 Xử lý dữ liệu:
Những thông tin và số liệu thu thập được sẽ được xử lý thông qua phần mềm SPSS.
3.4.1 Nhập liệu:
Nhập các thông tin dữ liệu để mã hóa: name, type, value,… Dùng lệnh Frequency để phát hiện lỗi, kiểm tra lại các thông tin và điều chỉnh.
3.4.2 Nghiên cứu dữ liệu:
Sử dụng phương pháp thống kê tần số, được sử dụng trong bài nghiên cứu này để thống kê các yếu tố như giới tính, độ tuổi, thu nhập,…
Phương pháp thống kê mô tả được phân tích đối tượng thông qua các trị số Mean, Min-Max và khoảng cách.
3.4.3 Kiểm định độ tin cậy của thang đo:
Được đánh giá thông qua hệ số Cronbach Alpha. Theo nguyên tắc như sau:
- < 0.6: không phù hợp
- 0.6 – 0.7: chấp nhận được với bài nghiên cứu mới - 0.7 – 0.8: chấp nhận được
- 0.8 – 0.95: tốt
- ≥ 0.95: chấp nhận được nhưng kết quả không khả quan, có biến quan sát có hiện tượng “ trùng biến”
Hệ số tương quan biến tổng cho biết mức độ “liên kết” giữa một biến quan sát trong nhân tố với các biến còn lại bằng cách lấy tương quan biến đo lường và xét
trị khái niệm của nhân số của một biến quan sát cụ thể. Hệ số tương quan biến – tổng > 0.3: chấp nhận Hệ số tương quan biến – tổng < 0.3: loại
3.4.4 Kiểm định giá trị thang đo:
Kiểm định giá trị thang đo là kiểm tra giá trị hội tụ và phân biệt của từng khái niệm và giữa các khái niệm thông qua phân tích EFA (Nguyễn Đình Thọ, 2013).
Hệ số KMO (Kaiser – Meyer – Olkin) trong EFA là chỉ số được dùng để xét sự phù hợp của nhân tố. theo Hoàng Trọng và Chu Mộng Ngọc (2008), được áp dụng như sau:
0.5 ≤ KMO ≤ 1: đủ điều kiện để phân tích nhân tố KMO < 0.5: nhân tố không phù hợp
Phép xoay Varimax và Hệ số tải nhân tố (Factor loadings): những hệ số tương quan giữa các biến và các nhân tố. Được thực hiện để đánh giá giá trị hội tụ và phân biệt thang đo.
Giá trị hội tụ: các biến có cùng thang đo thể hiện cùng khái niệm nghiên cứu. Hệ số tải nhân tố < 0.5 thì loại. Hệ số nhân tố > 0.5 thì thỏa điều kiện (Nguyễn Đình Thọ, 2013).
Giá trị phân biệt: các biến có cùng thang đo nhưng có sự phân biệt với các biến trong 1 thang đo khác, sự chênh lệch hệ số tải nhân tố giữ các biến phải tối thiểu 0.3 (Nguyễn Đình Thọ,2013) và ngược lại nên loại biến đó để tránh sự trùng lặp về khái niệm.
3.4.5 Phân tích hồi quy:
Là một phân tích thống kê để xác định các biến độc lập quy định các biến phụ thuộc như thế nào.
Giá trị R bình phương hiệu chỉnh (Adjust R Square) phản ánh mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Giá trị này phải từ 50% trở lên mới có thể sử dụng.
Durbin – Watson (DW) để kiểm định sự tương quan của các sai số liền nhau, giá trị biến thiên từ 0 đến 4.
Nếu phần sai số không có sự tương quan với nhau thì giá trị sẽ gần bằng 2 (1 đến 3).
Giá trị càng nhỏ, càng gần 0 thì sai số có tương quan thuận. Giá trị càng lớn, càng gần 4 thì sai số có tương quan nghịch.
Giá trị F trong bảng ANOVA chính là để xem xét mô hình hồi quy tuyến tính để có thể suy rộng và có thể áp dụng cho tổng thể. Giá trị Sig. của F < 0.05.
Hệ số VIF được dùng để kiểm tra hiện tượng đa cộng tính, F < 10 sẽ không có hiện tượng đa cộng tuyến. Tuy nhiên theo thực tế, bài nghiên cứu của nhiều tác giả khác thì giá trị F cần < 3 sẽ không có hiện tượng đó.
Hệ số hồi quy chuẩn hóa Beta, biến độc lập ano2 có Beta lớn nhất thì biến đó ảnh hưởng nhiều nhất đến sự thay đổi của biến phụ thuộc và ngược lại.
3.4.6 Kiểm định trung bình tổng thể của hai mẫu phụ thuộc hay phân phối từng cặp (Pair Sample T-test): từng cặp (Pair Sample T-test):
Sử dụng phương pháp so sánh từng cặp (Pair Sample T-test) để kiểm tra sự chênh lệch, là sự khác biệt giữa yêu cầu các khách hàng (mức độ quan trọng) với sự đáp ứng của hệ thống trong sự hài lòng về chất lượng dịch vụ.