CHƢƠNG 3 : PHƢƠNG PHÁP NGHIÊN CỨU
3.3.3Phân tích dữ liệu
3.3 Giới thiệu nghiên cứu định lượng
3.3.3Phân tích dữ liệu
Sau khi thu thập dữ liệu, tác giả sẽ tiến hành làm sạch dữ liệu, mã hoá và nhập liệu vào phần mềm SPSS để sử dụng cho các phân tích dữ liệu. Các bước phân tích dữ liệu được tiến hành như sau:
3.3.3.1 Thống kê mô tả dữ liệu
Sau khi dữ liệu đã được làm sạch và mã hoá, tác giả sẽ thực hiện thống kê mô tả nhằm mô tả những đặc tính cơ bản của dữ liệu, đồng thời cung cấp những tóm tắt đơn giản về mẫu nghiên cứu và các thước đo.
3.3.3.2 Kiểm định Cronbach’s Alpha (Kiểm định độ tin cậy của thang đo)
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha, sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA nhằm mục đích loại các biến không phù hợp vì các biến “rác” này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
Loại các biến có hệ số tương quan biến tổng nhỏ (nhỏ hơn 0.3), tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0.6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunally & Burnstein, 1994; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Các mức giá trị Alpha lớn hơn 0.8 là thang đo lường tốt, từ 0.7 đến 0.8 là sử dụng được, từ 0.6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Do đó, trong nghiên cứu này tác giả thực hiện đánh giá thang đo theo tiêu chí: Loại các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 (vì đây là những biến
không đóng góp nhiều cho sự mô tả khái niệm cần đo) và chọn thang đo có độ tin cậy Alpha lớn hơn 0.6.
3.3.3.3 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA ((Exploratory Factor Analysis) là phương pháp phân tích thống kê nhằm rút gọn một tập nhiều biến quan sát thành một nhóm biến quan sát để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hết các nội dung thông tin của biến ban đầu.
Các tác giả Mayer, L.S., Gamst, G., Guarino A.J. (2000) cho rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức sử dụng phổ biến nhất.
Theo Hair & ctg (1998), 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
Như vậy trong nghiên cứu này, điều kiện để phân tích nhân tố khám phá phải thoả mãn các yêu cầu sau:
Hệ số tải nhân tố (Factor loading) > 0.5.
Hệ số KMO là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố, hệ số KMO phải có giá trị trong khoảng từ 0.5 đến 1 thì phân tích mới thích hợp.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Kiểm định này có ý nghĩa thống kế (Sig. <0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Tổng phương sai trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là coi biến thiên là 100% thì giá trị này cho biết
3.3.3.4 Phân tích hồi quy
Phân tích hồi quy là nghiên cứu sự phụ thuộc của một biến (biến phụ thuộc) vào một hay nhiều biến khác (biến độc lập), nhằm mục đích ước lượng giá trị trung bình của biến phụ thuộc trên cơ sở các giá trị biết trước của các biến độc lập.
Khi sử dụng phương pháp này, các tham số thống kê cần quan tâm là:
Hệ số Beta chuẩn hoá (Standarlize Beta Coeficient): là hệ số hồi quy chuẩn hoá cho phép so sánh một cách trực tiếp về mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc.
Kiểm định mức ý nghĩa của hệ số Beta: Nếu mức ý nghĩa của kiểm định nhỏ hơn 0.05 có thể kết luận hệ số Beta có ý nghĩa về mặt thống kê.
Kiểm định độ phù hợp của mô hình với tập dữ liệu: Sử dụng kiểm định F để kiểm định mức ý nghĩa thống kê của mô hình. Giả thuyết H0 là các hệ số Beta trong mô hình đều bằng 0. Nếu mức ý nghĩa của kiểm định nhỏ hơn 0.05, có thể bác bỏ giả thuyết H0 hay mô hình phù hợp với dữ liệu khảo sát.
Trước khi thực hiện phân tích hồi quy, phân tích tương quan Pearson’s được thực hiện để xác định các mối quan hệ có ý nghĩa thống kê giữa các biến hay đo mức độ kết hợp tuyến tính giữa các biến trước khi tiến hành phân tích hồi quy tiếp theo.
Ngoài ra, tác giả còn thực hiện kiểm định các giả định của mô hình hồi quy: Giả định 1: Không có hiện tượng tương quan giữa các biến độc lập (hiện tượng đa cộng tuyến)
Giả định 2: Tính độc lập của sai số
Giả định 3: Phương sai của sai số không đổi (Kiểm định Speraman) Giả định 4: Phần dư có phân phối chuẩn
Và cuối cùng là kiểm định các giả thuyết và viết phương trình hồi quy tuyến tính:
HL = β0 + β1*TNH + β2*TNG + β3*HT + β4*CN + β5*CQ + β6*BKK
β0 là hằng số hồi quy βi là các trọng số hồi quy
TNH, TNG, HT, CN, CQ, BKK là các thành phần của yếu tố hình ảnh điểm đến
TÓM TẮT CHƢƠNG 3
Trong chương 3, luận văn đã thiết lập quy trình nghiên cứu bao gồm 2 bước là: (1) Nghiên cứu định tính; (2) Nghiên cứu định lượng. Nghiên cứu định tính được thực hiện trước khi tiến hành nghiên cứu định lượng. Các thang đo của hình ảnh điểm đến và sự hài lòng của khách du lịch được xây dựng trong quá trình nghiên cứu định tính, với tổng số 36 biến quan sát, trong đó 32 biến quan sát để đo lường các thành phần của hình ảnh điểm đến và 4 biến quan sát đo lường sự hài lòng của khách du lịch.
Trong chương này, tác giả cũng giới thiệu các phương pháp kiểm tra, phân tích đánh giá dữ liệu như kiểm định Cronbach’s Alpha (Kiểm định độ tin cậy của thang đo), phân tích nhân tố khám phá EFA, phân tích hồi quy tuyến tính bội và các kiểm định các Giả định liên quan đến mô hình hồi quy.