3.5.1 Phương pháp thống kê mô tả
Được định nghĩa như là phương pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán, các đặc trưng khác nhau để phản ánh một cách tổng quát đối tượng nghiên cứu. Thống kê mô tả được sử dụng với các giá trị trung bình để xem xét đo lường các yếu tố tác động đến sự hài lòng của học viên khi học tại trung tâm.
Là phân tích liên quan đến việc kiểm tra các đặc tính của các biến, cũng như so sánh để suy diễn thống kê về mối quan hệ giữa các biến.
Tần suất (Frequeney): là số lần xuất hiện của các giá trị, được thực hiện với tất cả các kiểu biến số (Định tính và định lượng).
Mô tả thống kê (Statistic): Thực hiện các thủ tục thống kê như tóm tắt dữ liệu, lập bảng tổng hợp về đối tượng thu thập như: nhân khẩu học, giá cả, sản phẩm, chiêu thị, vị trí, tâm lý xã hội.
Giá trị trung bình (Mean): Giá trị trung bình số học của một biến được tính bằng tổng các giá trị quan sát chia cho số quan sát. Đây là dạng công cụ thường được dùng cho thang đo khoảng cách và tỉ lệ.
3.5.2 Kiểm định độ tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời.
Phương pháp này cho phép người phân tích loại bỏ những biến không phù hợp và hạn chế biến rác trong mô hình nghiên cứu, vì nếu không chúng ta sẽ không thể biết chính xác độ biến thiên cũng như độ lỗi của biến, Nhiều nhà nghiên cứu đồng ý rằng hệ số Cronbach’s Alpha từ 0.8 đến gần 1.0 thì thang đo lường là tốt, từ 0.7 đến 0.8 là sử dụng được. Cũng có những nghiên cứu đề nghị rằng, hệ số Cronbach’s Alpha từ 0.6 trở lên là sử dụng được.
Theo Nunnally BernStein (1994), những biến quan sát có hệ số tương quan biến - tổng lớn hơn hoặc bằng 0.3 và hệ số Cronbach’s Alpha tổng lớn hơn hoặc bằng 0.6 sẽ được chấp nhận và tiếp tục đi vào những phân tích sau đó
Hệ số Cronbach’s Alpha sẽ kiểm tra độ tin cậy của các biến dùng để đo lường từng nhân tố của sự hài lòng. Những biến không đảm bảo độ tin cậy sẽ bị loại khỏi thang đo và sẽ không xuất hiện ở phần phân tích nhân tố
3.5.3 Phương pháp phân tích khám phá nhân tố (EFA)
Phân tích nhân tố là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu, rất có ích cho việc xác định các tập hợp nhóm biến. Theo Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2007), và các nhà nghiên cứu khác khi phân tích nhân tố khám phá, thường quan tâm đến một số tiêu chí sau:
Hệ số KMO (Kaiser-Meyer-Olkin): Là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Giá trị của KMO phải nằm trong khoảng 0.5 ≤ KMO ≥ 1 là điều kiện đủ để phân tích nhân tố là thích hợp, ngược lại giá trị nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
biến) bằng không và đường chéo (hệ số tương quan với chính nó) bằng 1. Nếu kiểm định Bartlett có Sig < 0.05, chúng ta từ chối giả thuyết Ho (ma trận tương quan là ma trận đơn vị) nghĩa là các biến quan sát có tương quan với nhau trong tổng thể.
Hệ số tải nhân tố (Factor loading) là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA ≥ 0.5.
Factor loading > 0.3 : Đạt mức tối thiểu. Factor loading > 0.4 : Xem là quan trọng.
Factor loading > 0.5 : Xem là có ý nghĩa thực tiễn.
Tổng phương sai trích (Total Variance Explained): Tổng này thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường. Tổng này phải đạt từ 50% trở lên và tiêu chí Eigenvalue ( đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) tối thiểu phải bằng 1 ( ≥ )thì nhân tố rút ra có nghĩa tóm tắt thông tin tốt nhất.
3.5.4 Phân tích tương quan (Person)
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, (2007), có đề cập đến mức độ tương quan tuyến tính khi phân tích hệ số Person như sau:
- | r | > 0.8: Tương quan tuyến tính rất mạnh. - | r | = 0.6 – 0.8: Tương quan tuyến tính mạnh. - | r | = 0.4 – 0.6: Có tương quan tuyến tính. - | r | = 0.2 – 0.4: Tương quan tuyến tính yếu.
- | r | < 0.2: Tương quan tuyến tính rất yếu hoặc không có.
3.5.5 Phương pháp phân tích hồi quy
Phân tích hồi quy sẽ xác định mối quan hệ giữa biến phụ thuộc (hài lòng với chất lượng dịch vụ đào tạo của trung tâm dạy vẽ móng) và các biến độc lập (độ tin cậy, sự đáp ứng, năng lực phục vụ, sự đồng cảm, phương tiên hữu hình, giá cả).
Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập.
Để xác định đo lường và đánh giá mức độ ảnh hưởng của các nhân tố đến sự hài lòng, ta sử dụng phương pháp hồi quy tuyến tính bội giữa các nhân tố ảnh hưởng thu được từ phân tích nhân tố EFA và Cronbach’s Alpha.
Mức ý nghĩa được xác lập cho các kiểm định và phân tích là 5% (độ tin cậy 95%). Các kết luận dựa trên hàm hồi quy tuyến tính thu được chỉ có ý nghĩa khi hàm hồi quy đó phù hợp với dữ liệu mẫu và các hệ số hồi quy khác 0 có ý nghĩa. Vì thế trước khi phân tích kết quả hồi quy ta thực hiện các kiểm định về độ phù hợp của hàm hồi quy, kiểm định ý nghĩa của các hệ số hồi quy và đặc biệt là kiểm định các giả định của hàm hồi quy
Tiêu chuẩn chấp nhận sự phù hợp của mô hình tương quan hồi quy là: - R2 là hệ số tương quan, thể hiện thực tế của mô hình.
- R2 đã điều chỉnh từ R2 được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi quy đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2. - Kiệm định F phải có giá trị sig𝛼 < 0.05
- Tiêu chuẩn chấp nhận các biến có giá trị Tolerance > 0,0001
- Đạt lượng chuẩn đoán hiện tượng đa cộng tuyến với hệ số phóng đại phương sai VIF (Variance Inflation Factor) < 10
- Hệ số Durbin – Watson dùng để kiểm định tương quan của các sai số kế nhau (hay còn gọi là tương quan chuỗi bậc nhất) có giá trị biến thiên trong khoảng từ 0 đến 4. Khi d lớn hơn dU và nhỏ hơn (4 – dU).
Kết luận: Không có hiện tượng tự tương quan trong phần dư của mô hình hồi quy tuyến tính. Trong đó: dU là trị số thống kê trên tra trong bảng Durbin – Watson.
- Phương pháp phân tích hồi quy cho phép rút ra phương trình hồi quy cuối cùng bao gồm các nhân tố tác động trực tiếp lên mức độ hài lòng.
- Mô hình hồi quy bội có dạng như sau:
Y = 𝜷𝟎 + 𝜷𝟏 ∗ 𝑿𝟏 + 𝜷𝟐 ∗ 𝑿𝟐 + 𝜷𝟑 ∗ 𝑿𝟑 + 𝜷𝟒 ∗ 𝑿𝟒 + ⋯ + 𝜷𝒊 ∗ 𝑿𝒊
Y : Biến phụ thuộc
Xi : Biến độc lập, 𝛽0: Hằng số
3.5.6 Phương pháp kiểm định ANOVA
Theo Hoàng Trọng và Chu Mộng Ngọc (2007). Phân tích phương sai một yếu tố được sử dụng để kiểm định sự khác biệt về giá trị trung bình của một số định lượng theo biến định tính có từ ba nhóm trở lên.
Với giả thuyết H0: Không có sự khác biệt về giá trị trung bình của biến định lượng giữa từng cặp thuộc tính của biến định tính với độ tin cậy 95%.
Nếu kiểm định phương sai (Test of Homoganeity of Variances) có Sig. 0.05 ta chấp nhận giả thuyết phương sai bằng nhau. Nếu Sig. < 0.05 thì bác bỏ giả thuyết, có sự khác nhau giữa các nhóm thuộc tính.
Trường hợp kiểm định phương sai (Test of Homoganeity of Variances) có Sig.
0.05 thì kết quả phân tích ANOVA có thể sử dụng được:
- Nếu Sig. trong phân tích ANOVA 0.05 thì chấp nhận giả thuyết H0
CHƯƠNG 4
PHÂN TÍCH VÀ DIỄN GIẢI KẾT QUẢ NGHIÊN CỨU