Chọn mẫu và làm sạch dữ liệu

4. Giảng viên hướng dẫn đề xuất cho điểm đánh giá về tinh thần thái độ của

3.3.2 Chọn mẫu và làm sạch dữ liệu

Kích thước mẫu là một vấn đề đáng quan tâm đối với bất cứ cuộc khảo sát nào. Theo Tabachnick & Fidell (1991) để phân tích hồi quy đạt kết quả tốt nhất thì kích cỡ mẫu phải thỏa mãn công thức

n >= 8p + 50 = 8*23+50 = 234

Trong đó:

 n là kích cỡ mẫu

 p số biến độc lập của mô hình

Ngoài ra,i theoi quyi tắci kinhi nghiệmi củai NguyễniĐìnhi Thọi (2011)i thìi sối quani

sáti lớni hơni(íti nhất)i5i lầni sối biến,i tốti nhấti gấpi 10i lần.i Nhưi vậy,i vớii 24i biếni quani

sát,i nghiêni cứui cầni khảoi sáti íti nhấti 230i mẫui đểi đạti kíchi thướci mẫui cầni choi phâni

tíchi EFA.iPhươngiphápi thui thậpi dữi liệui bằngi bảngi câui hỏi,i táci giải pháti 260i phiếui

khảoi sáti trựci tiếpi đếni kháchi hàngi vài thui lạii ngayi saui khii trải lời

Quai quái trìnhi thui thậpi thôngi tini đượci tiếni hành,i saui khii sàngi lọci cáci bảngi hỏii

khôngi phùi hợp,i nghiêni cứui tiếni hànhi nhậpi liệui vàoi phầni mềmi vài phâni tíchi dữi liệui

khảoi sáti đểi kếti luậni cáci giải thuyếti vài môi hìnhi nghiênicứu.i Kếti quải cuốiicùngi từi

SPSSi sẽi đượci phâni tích,i giảii thíchi vài trìnhi bàyi thànhi bảni báoi cáoi nghiêni cứu.

3.4 Phƣơng pháp xử lí dữ liệu

3.4.1 Kiểm tra độ tin cậy của thang đo bằng kiểm định Cronbach's Alpha

Là kiểm định cho phép đánh giá mức độ tin cậy của việc thiết lập một biến tổng hợp trên cơ sở nhiều biến đơn.

Công thức của hệ số Cronbach’s alpha là:

α = Np/[1 + p(N – 1)]

Trong đói pilài hệi sối tươngi quani trungi bìnhi giữai cáci mụci hỏi.i Kýi tựi pi trongi

côngi thứci tượngi trưng choi i tươngi quani trungi bìnhi giữai tấti cải cáci c pi mụci hỏii đượci

kiểmi tra.i Theoi quyi ướci thìi mộti tậpi hợpi cáci mụci hỏii dùngi đểi đoi lườngi đượci đánhi

M ci dùi vậy,i nếuicói mộti danhi mụci quáinhiềui cáci mụci hỏii(Ni lài sốimụci hỏi)i

thìi sẽi cói nhiềui cơi hộii đểi cói hệi sối αi cao.i Nhiềui nhài nghiêni cứui đồngi ýi rằngi

Cronbach’siAlphai từi 0,8i trởilêni đếni gầni thìi thangi đoi lườngi lài tốt,i từi 0,7i đếnigầni

0,8i lài sửi dụngi được.i Theoi táci giải Nunallyi vài Burnsteini (1994)i điềui kiệni

Cronbach’si Alphai phảii từi 0,6i trởi lêni lài sửi dụngi được.i

Bêni cạnhi đói cầni loạii bỏi cáci biếni quani sáti cói mứci đội tươngi quani thấpi vớii cáci

mụci câui hỏii còni lạii trongi nhóm,i cụi thểi Correctedi Itemi –i Totali correlationi (hệi sối

tươngi quani vớii biếni tổng)i <i 0,3i thìi biếni sẽi bịi loạii rai khỏii nhómi nhâni tố.

Vìi vậy,i đốii vớii nghiêni cứui nàyi thìi Cronbach’si Alphai từi 0,6i trởi lêni lài chấpi

nhậni được.i Tínhi toáni Cronbach’si alphai giúpi ngườii phâni tíchi loạii bỏi cáci biếni

khôngi phùi hợpi vài hạni chếi cáci biếni ráci trongi quái trìnhi nghiêni cứu.

3.4.2 Phân tích nhân tố khám phá EFA

Được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm. Các biến có hệ số tương quan đơn giữa biến và các nhân tố (factor loading) nhỏ hơn 0,5 sẽ bị loại. Phương pháp trích nhân tố được sử dụng là Principal Axis Factoring được sử dụng kèm với phép quay không vuông gốc Promax2. Điểm dừng trích khi các yếu tố có “Initial Eigenvalues” > 1.

Phân tíchinhâni tối khámi phái (EFA)i lài kỹi thuậti chủiyếui đểi thui nhỏivài tómitắti

dữi liệu.i Phâni tíchi nhâni tối khámi phái pháti huyi tínhi hữui íchitrongi việci xáciđịnhi cáci

tậpi biếni cầni thiếti choi vấni đềi nghiêni cứui cũngi nhưi rấti cầni thiếti trongiviệci tìmi mốii

quani hệi giữai cáci biếni vớii nhau.i Mứci đội thíchi hợpi củai tươngi quani nộii tạii giữaicáci

biếni quani sáti trongi cáci kháii niệmi nghiêni cứui đượci thểi hiệni bằngi hệi sối Kaiser- Myer-i Olkini (KMO)i đoi lườngi sựi thíchi hợpi củai mẫui vài mứci ýi nghĩai đángi kểi củai

kiểmi địnhi Barlett.i KMOi cói giái trịi thíchi hợpi trongi khoảngi [0,5;1]

Sựi rúti tríchicáci nhâni tối đạii diệni bằngi cáci biếni quani sáti đượci thựcihiệni bằngi

phâni tíchi nhâni tối chínhi vớii phépi quayi (Promax).i Cáci thànhi phầni vớii giái trịi

Eigenvaluei lớni hơni 1i (Gerbingi vài Anderson,i 1998)i vài tổngi phươngi saii tríchi bằngi

Cuốii cùng,i đểi phâni tíchi nhâni tối cói ýi nghĩa,i tấti cải cáci hệi sối tảii nhâni tối (factori

loading)i phảii lớni hơni hệi sối quyi ướci 0,5i đểi cáci kháii niệmi nghiêni cứui đạti giái trịi hộii

tụi (Hairi &i ctg,i 2006).i Bêni cạnhi đó,i khácibiệti hệi sối tảii nhâni tối củai mộti biếni quani

sáti giữai cáci nhâni tối phảii lớni hơni ho ci bằngi 0,3i đểi tạoi giái trịi phâni biệti giữai cáci

nhâni tối (Jabnouni vài Al-Tamimi,i 2003).i Kỹi thuậti phâni tíchi nhâni tối (factori analysis)i

đãi đượci sửi dụngi trongi nghiêni cứui nàyi nhằmi rúti gọni vài gomi cáciyếui tối thuộci tínhi

đói lạii thànhi mộti nhâni tối cói ýi nghĩai hơn,i íti hơni vềi sối lượng

Chúngi taicói thểi chọni cáci quyềni sối hayi trọngi sốinhâni tối saoi choi nhâni tối thứi

nhấti giảii thíchi đượci phầni biếni thiêni nhiềui nhấti trongi toànibội biếnithiên.i Sauiđói tai

chọni tậpi hợpi cáci quyềni sối thứi haii saoi choi nhâni tối thứi haii giảii thíchi đượci phầni lớni

biếni thiêni còni lại,i vài khôngi cói tươngi quani vớii nhâni tối thứi nhất.

3.4.3 Phân tích tƣơng quan Pearson

Hệ số tương quan Pearson (Pearson correlation coefficient, ký hiệu r) là số liệu thống kê kiểm tra đo lường mối quan hệ thống kê ho c liên kết giữa các biến phụ thuộc với các biến liên tục

Tương quani pearsoni đượci biếti đếni nhưi lài phươngi phápi tốtinhấti đểi đoi lườngi

mốii liêni hệi giữaicáci biếni quani tâmi bởiivìinói dựai trêni phươngi phápi hiệpi phươngi

sai.i Nói cungi cấpi thôngi tini vềi mứci đội quani trọngicủai mốii liêni hệ,i ho ci mốii tươngi

quan,icũngi nhưi hướngi củai mốii quani hệ.i Ngoàii ra,i việci kiểmi trai hệi sối tươngi quani

pearsoni còni giúpi chúngi tai sớmi nhậni diễni đượci sựi xảyi rai củai vấni đềi đai cộngi tuyếni

khii cáci biếni độci lậpi cói sựi tươngi quani mạnhi vớii nhau

Ýinghĩaihệisốitƣơngiquanipearson

Hệi sối tươngi quani Pearsoni(r)i cói giái trịi giaoi độngi trongi khoảngi liêni tụci từi -1i

đếni +1:

 ri =i 0:i Haii biếni khôngi cói tươngi quani tuyếni tính

 ri =i 1;i ri =i -1:i Haii biếni cói mốii tươngi quani tuyếni tínhi tuyệti đối.i

 ri <i 0:i Hệi sối tươngi quani âm.i Nghĩai lài giái trịi biếni xi tăngi thìi giái trịi biếni yi

 ri >i 0:i Hệi sối tươngi quani dương.i Nghĩai lài giái trịi biếni xi tăng thìi i giái trịi biếni yi

tăngi vài ngượci lại,i giái trịi biếni yi tăngi thìi giái trịi biếni xi cũngi tăng.i Lưui ý:

 Hệi sối tươngi quan pearsoni i (r)i chỉi cói ýi nghĩai khii vài chỉi khii mứci ýi nghĩai quani

sáti (sig.)i nhỏi hơni mứci ýi nghĩai αi =i 5%.

 Nếui ri nằmi trongi khoảngi từi 0,50i đếni ±i 1,i thìi nói đượci choi lài tươngi quani

mạnh.

 Nếui ri nằmi trongi khoảngi từi 0,30i đếni ±i 0,49,i thìi nói đượci gọii lài tươngi quani

trungi bình.

Nếui ri nằmi dướii ±ii .29,i thìi nói đượci gọii lài mộti mốii tươngi quani yếu.

3.4.4 Phân tích hồi quy và kiểm định mô hình

Hồi quy đa biến là một phần mở rộng của hồi quy tuyến tính đơn giản. Nó được sử dụng khi chúng ta muốn dự đoán giá trị của một biến dựa trên giá trị của hai ho c nhiều biến khác. Biến chúng ta muốn dự đoán được gọi là biến phụ thuộc (ho c đôi khi, biến kết quả, mục tiêu ho c biến tiêu chí). Các biến chúng ta đang sử dụng để dự đoán giá trị của biến phụ thuộc được gọi là biến độc lập. Hồii quyi đai

biếni cũngi choi phépi bạni xáci địnhi mứci đội đóngi gópi nhiều,i ít,i khôngi đóngi góp...i củai

từngi nhâni tối vàoi sựi thayi đổii củai biếni phụi thuộc.

Ýinghĩaichỉisốitrongihồiiquyiđaibiến

 Giái trịi Adjustedi Ri Squarei (Ri bìnhi phươngi hiệui chỉnh)i vài R2i (Ri Square)i i

phảni ánhi mứci độiảnhi hưởngi củai cáci biếni độci lậpi lêni biếni phụithuộc.i Mứci

biếni thiêni củai 2i giái trịi nàyi lài từi 0i -i 1.i Nếui càngi tiếni vềi 1i thìi môihìnhi càngi

cói ýi nghĩa.i Ngượci lại,i càngi tiếni vềi 0itứci làiýi nghĩai môi hìnhicàngi yếu.i Cụi

thểi hơn,i nếui nằmi trongi khoảngi từi 0.5i -i 1 thìi i lài môi hìnhi tốt, <i i 0.5i lài môi hìnhi

chưai tốt.i

 Trịi sối Durbini –i Watsoni(DW):i Cói chứci năngi kiểmi trai hiệni tượngitựi tươngi

quani chuỗii bậci nhất.i Giái trịi củai DWi biếni thiêni trongi khoảngi từi 0i đếni 4.i Nếui

giái trịi gầni vềi 4i tứci lài cáci phầni saii sối cói tươngi quani nghịch,i gầni vềi 0i thìi cáci

phầni saii sối cói tươngi quani thuận.iTrongi trườngihợpi DWi <i 1i vài DWi>i 3i thìi

khải năngi rấti caoi xảyi rai hiệni tượngi tựi tươngi quani chuỗii bậci nhất.

 Giái trịi Sig.i củai kiểmi địnhi Fi cói táci dụngi kiểmi địnhi đội phùi hợpi củai môi hìnhi

hồii quy.i Ởi bảng ANOVA,i i nếui giái trịi Sig.i <i 0.05i =>i Môi hìnhi hồii quyi tuyếni

tínhi bộii vài tậpi dữi liệui phùi hợpi (vài ngượci lại).

 Giái trịi Sig.i củai kiểmi địnhi ti đượci sửi dụngi đểi kiểmi địnhi ýi nghĩai củai hệi sối hồii

quy.i Nếui Sig.i <0.1i =>i Biếni độci lậpi cói táci độngi đếni biếni phụi thuộc.

 Hệi sối phóngi đạii phươngi saii VIFi (Variancei inflationi factor):iKiểmi trai hiệni

tượngi đai cộngi tuyến.iNếui VIFi >i 10i thìi cóihiệni tượngiđai cộngi tuyếni (Theoi

Hoàngi Trọngi &i Chui Nguyễni Mộngi Ngọc,i 2005).i Tuyi nhiên,i trêni thựci tếi

thựci hành,i chúngi tai thườngi soi sánhi giái trịi VIFi vớii 2.i Nếui VIFi <i 2i khôngi cói

hiệni tượngi đai cộngi tuyếni giữa cáci i biếni độci lậpi (vài ngượci lại).

Mứci đội đánhi giái sựi hàii lòngi củai kháchihàngi thôngi quai giái trịi trungi bình,i đội