5. Kết cấu đề tài
1.2.3.4 Xử lý phân tích số liệu
Dữ liệu sau khi được khảo sát thì tiến hành mã hóa và xử lý thông qua phần mềm SPSS 22.0 bao gồm các kỹ thuật sử lý được đứa vào như sau:
- Phân tích thống kê mô tả: được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thực khách nhau. Mục đích nhằm xác định ảnh hưởng của những khác biệt giữa các nhóm khách hàng (giới tính, độ tuổi, thời gian sử dụng dịch vụ,) liên quan đến sự hài lòng.
- Kiểm định độ tin cậy Cronbach’s Alpha của thang đo:
Hệ số Alpha của Cronbach là một đại lượng có thể được sử dụng trước hết để đo lường độ tin cậy của các nhân tố và để loại ra các biến quan sát không đảm bảo độ tin cậy của các nhân tố và để loại ra các biến quan sát không đảm bảo độ tin cậy trong thang đo.
Điều kiện tiêu chuẩn chấp nhận các biến gồm có 2 điều kiện:
Thứ nhất, những biến có hệ số tương quan biến tổng phù hợp (Corrected Item – Total Correlation) > 0,3 trở lên.
Thứ hai, các hệ số Cronbach’c Alpha của các biến phải từ 0,6 trở lên và >= Cronbach’s Alpha if Item Deleted.
Thỏa mãn 2 điều kiện trên thì các biến phân tích được xem là chấp nhận và thích hơp đưa vào phân tích những bước tiếp theo
(Nguồn: Nunnally và BernStein, 1994, dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009)
- Phân tích nhân tố khám phá (EFA):
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)giúp chúng ta đánh giá hai loại giá trịquan trọng của thang đo là giá trịhộ
tụ và giá trị phân biệt.
Phương pháp phân tích nhân tốEFA thuộc nhóm phân tích đa biến phụthuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tốcó ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Các tác giảMayers, L.S., Gamst,
G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổbiến nhất.
Theo Hair & ctg (1998,111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của 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 tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu sau:(Factor loading) > 0,5
- Hệsốtải nhân tố(Factor loading) > 0,5, 0.5≤ KMO ≤ 1: HệsốKMO (Kaiser - Meyer-Olkin) là chỉsố được dùng đểxem xét sựthích hợp của phân tích nhân tố. TrịsốKMO lớn có ý nghĩa phân tích nhân tốlà thích hợp.
- Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng đểxem xét giảthuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
- Phần trăm phương sai toàn bộ(Percentage of variance) > 50%: Thểhiện 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 tốgiải thích được bao nhiêu %.
(Nguồn: Nhóm MBA Bách Khoa (20/08/2015), tổng quan phân tích nhân tố khám phá EFA)
- Phân tích tương quan:
Dùng để kiểm tra mối quan hệgiữa các biến độc lập với nhau và mối quan hệgiữa biến độc lập và biến phụthuộc và là căn cứ đểphân tích hồi quy.
Nếu các biến độc lập có mối quan hệ tương quan với nhau (sig < 0,05) thì có nguy cơ xảy ra hiện tượng đa cộng tuyến trong mô hình hồi quy vad muốn kiểm định có đa công tuyến không thì phải kiểm tra hệsố phóng đại VIF ở phần hồi quy. Nếu biến độc lập và biến phụthuộc không có mối quan hệ tương quan (sig > 0,05) thì cần loại bỏ và không đưa biến độc lập này vào phân tích hồi quy.
- Phân tích hồi quy:
Phân tích hồi quy (regression analysis) là kỹ thuật thống kê dùng để ước lượng phương trình phù hợp nhất với các tập hợp kết quả quan sát của biến phụ thuộc và biến độc lập. Nó cho phép đạt được kết quả ước lượng tốt nhất về mối quan hệchân thực giữa các biến số. Từ phươngtrình ước lượng được này, người ta có thể dự báo vềbiến phụ thuộc (chưa biết) dựa vào giá trị cho trước của biến độc lập (đã biết).
Đánh giá độphù hợp của mô hình
Hệsố xác định R2và R2hiệu chỉnh được dùng để đánh giá độphù hợp của mô hình. Vì R2sẽ tăng khi thêm biến độc lập vào mô hình nên dùng R2hiệu chỉnh sẽan toàn hơn khi đánh giá độ phù hợp của mô hình R2hiệu chỉnh càng lớn thì thể hiện độ phù hợp của mô hình càng cao. Để kiểm định xem có thểsuy diễn mô hình cho tổng thểthực hay không ta phải kiểm định độphù hợp của mô hình.
Kiểm định độphù hợp của mô hình:
Đểkiểm định độphù hợp của mô hình hồi quy tuyến tính đa bội ta dùng giá trị Fởbảng phân tích ANOVA. Nếu giá trị sig của giá trịF < mức ý nghĩa thì ta bác bỏ hệ số R2của tống thể là 0 và kết luận là mô hình phù hợp với tập dữ liệu và có thể suy rộng ra cho tổng thể. Giá trị sig trong bảng Coefficients cho biết các tham số hồi quy có ý nghĩa hay không (với độtin cậy 95% thì sig < 5% có ý nghĩa)