2.2.1 Phương pháp thu thập dữ liệu. 2.2.1.1 Phương pháp tổng hợp kế thừa 2.2.1.1 Phương pháp tổng hợp kế thừa
Trong nghiên cứu này, phương pháp tổng hợp kế thừa được sử dụng nhằm hệ thống hóa các cơ sở lý luận liên quan đến dịch vụ, dịch vụ y tế, các nhân tố ảnh hưởng đến việc lựa chọn bệnh viện để KCB .
Phương pháp này được thực hiện qua sử dụng tài liệu thứ cấp, bao gồm các nghiên cứu công bố trong các tài liệu quốc tế và trong nước.
2.2.1.2 Phương pháp điều tra bảng hỏi
Mục đích: Nhằm thu thập thông tin cần nghiên cứu trên địa bàn thành phố Hà Nội về thực trạng quyết định lựa chọn BV của bệnh nhân trong các bệnh viện tư nhân tại TP. Hà Nội, các yếu tố ảnh hưởng đến quyết định lựa chọn dịch vụ, tiêu chí để đánh giá chất lượng dịch vụ, mức độ đáp ứng .v.v.
Nguyên tắc điều tra: Mỗi khách thể tham gia hoàn thành bảng hỏi và trả lời các câu hỏi một cách độc lập, theo suy nghĩ của mình, cá nhân có thể hỏi điều tra viên những mệnh đề mà họ không hiểu.
Nội dung điều tra bảng hỏi: Thông qua điều tra bảng hỏi đối với bệnh nhân đã và đang điều trị tại những bệnh viện đa khoa tư nhân trên địa bàn thành phố Hà Nội
làm sáng tỏ thực trạng về quyết định lựa chọn BV của bệnh nhân, các yếu tố ảnh hưởng đến quyết định lựa chọn dịch vụ KCB, mức độ đáp ứng của dịch vụ KCB tại BV đối với bệnh nhân.
Các mẫu phiếu được cấu tạo theo hệ thống câu hỏi dành cho bệnh nhân đã và đang điều trị tại những bệnh viện đa khoa tư nhân trên địa bàn thành phố Hà Nội. Các tư liệu thu được từ nguồn hệ thống câu hỏi này sẽ giúp luận văn xác định được thực trạng về quyết định đối với dịch vụ KCB thông qua sự đánh giá của họ.
Theo Hair (2006) cho rằng kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỉ lệ quan sát/ biến đo lường 5/1, nghĩa là một biến đo lường cần tối thiểu là 5 biến quan sát. Bên cạnh đó, Tabachnick và Fidell (1996) cho rằng kích thước mẫu cần phải đảm bảo theo công thức: n>= 8m + 50 (Trong đó: n là cỡ mẫu, m: số biến cố độc lập của mô hình). Vậy theo công thức trên số mẫu cần phải thu thập là: n = (8x4) +50 =82 mẫu. Mẫu nghiên cứu được chọn bằng phương pháp chọn mẫu theo phương pháp lấy mẫu thuận tiện.
Tiến hành: Để tiến hành điều tra bằng bảng hỏi đạt hiệu quả, tác giả thực hiện theo các bước sau:
- Bước 1: Xây dựng Bảng hỏi.
- Bước 2: Phát phiếu điều tra, thu thập phiếu điều tra.
- Bước 3: Tập hợp, phân tích các phiếu điều tra và xử lý số liệu. - Bước 4: Viết kết quả nghiên cứu
2.2.2 Phương pháp phân tích dữ liệu 2.2.2.1 Phương pháp thống kê mô tả 2.2.2.1 Phương pháp thống kê mô tả
Mục đích: Xử lý các thông tin định tính, định lượng của đề tài làm cơ sở đánh giá kết quả nghiên cứu. Sử dụng các công thức toán thống kê mô tả và phương pháp phân tích nhân tố để xử lý kết quả nghiên cứu nhằm rút ra các nhận xét khoa học.
Nội dung: Đề tài xử lý các thông tin ở nội dung sau:
Thông tin từ các trắc nghiệm đánh giá về chất lượng dịch vụ, yếu tố ảnh hưởng đến quyết định lựa chọn dịch vụ KCB trong các bệnh viện tư nhân trên địa bàn
thành phố Hà Nội.
Các phần mềm sử dụng trong đề tài: Phần mềm Excel, phần mềm SPSS 16.0. 2.2.2.2 Phương pháp phân tích các nhân tố
Nhằm phân tích dữ liệu, kết quả thu được từ bảng hỏi chính thức sẽ được tiến hành phân tích sử dụng mô hình cấu trúc tuyến tính gồm 3 bước đó là:
- Bước 1: Tiến hành kiểm định độ tin cậy cronbach’s alpha
Việc đánh giá sơ bộ độ tin cậy và giá trị của thang đo được thực hiện bằng phương pháp hệ số tin cậy Cronbach alpha thông qua phần mềm xử lý 20.0 để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác). Cronbach alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) trong thang đo thông qua hệ số Cronbach alpha. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr. 257-258) cùng nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach alpha có giá trị từ 0.8 trở lên gần 1,0 là thang đo tốt; từ 0,7 dến gần 0,8 là sử dụng được. Tuy nhiên, theo Nunally và Burnstein 1994) đề nghị hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong truờng hợp khái niệm đang nghiên cứu là mới hoặc mới đối với nguời trả lời trong bối cảnh nghiên cứu. Hệ số Cronbach alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại.
- Bước 2: Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (EFA) là tên chung của một nhóm thủ tục được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một nhân tố nhất định đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
+ Tiêu chuẩn Barlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi 0.5 ≤ KMO ≤ 1 và Sig < 0,05.
Truờng hợp KMO <0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005, tr. 262).
+ Tiêu chuẩn trích nhân tố gồm chỉ số Engenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1998), các nhân tố có Engenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đó trước khi EFA). Vì thế, các nhân tố chỉ được rút trích lại tại Engenvalue ≥ 1 và được chấp nhận khi tổng phuong sai trích ≥ 50%.
+ Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và các các cộng sự, Factor loading > 0,3 được xem là mức tối thiểu; Factor loading > 0,4 được xem là quan trọng; Factor loading > 0,5 được xem là có ý nghĩa thực tiễn. Nếu tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất là 350; nếu cỡ mẫu khoảng 100 thì tiêu chuẩn Factor loading > 0,55; cỡ mẫu khoảng 50 thì Factor loading > 0.75 (Nguyễn Khánh Duy, 2009, tr.14)
+ Ngoài ra, tác giả sử dụng phương pháp trích Principal componet với phép xoay Varimax loại bỏ các biến quan sát có trị số Factor loading = 0,4.
- Bước 3: Phân tích hồi quy
Hồi quy (Binary Logistic) sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được. Khi biến phụ thuộc ở dạng nhị phân (hai biểu hiện 0 và 1) thì không thể phân tích với dạng hồi quy thông thuờng mà phải sử dụng hồi quy Binary Logistic.
Phương pháp đưa biến vào (Method) tương tự như hồi quy tuyến tính thông thường. Tuy nhiên điều kiện căn cứ trên số thống kê likelihood-ratio (tỷ lệ thích hợp) hay số thống kê Wald.
Khác với hồi quy tuyến tính thông thường hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ tiêu -2LL (-2 log likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có độ phù hợp hoàn hảo. Ðộ phù hợp tổng quát có mức ý nghĩa quan sát sig. = 0,000 nên ta bác bỏ H0. Nghĩa là tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình có ý nghĩa trong việc giải thích cho biến phụ thuộc.
Kết quả của kiểm định Wald (kiểm dịnh giả thuyết hồi quy khác không). Nếu hệ số hồi quy B0 và B1 đều bằng 0 thì tỷ lệ chênh lệch giữa các xác suất sẽ bằng 1, tức xác suất để sự kiện xảy ra hay không xảy ra như nhau, lúc đó mô hình hồi quy không có tác dụng dự đoán.
Ðối với hồi quy tuyến tính sử dụng kiểm định t để kiểm định giả thuyết H0:
k=0. Còn đối với hồi quy Binary Logistic, đại lượng Wald Chi Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể.
CHƢƠNG 3: THỰC TRẠNG HỆ THỐNG BỆNH VIỆN TƢ NHÂN VÀ CÁC NHÂN TỐ ẢNH HƢỞNG ĐẾN SỰ LỰA CHỌN KHÁM CHỮA BỆNH CỦA BỆNH NHÂN TẠI CÁC BỆNH VIỆN