Phương pháp phân tích dữ liệu

2.2.5 .Nghiên cứu chính thức

2.2.6. Phương pháp phân tích dữ liệu

2.2.6.1 Phương pháp phân tích số liệu

Phương pháp phân tích so sánh

Phƣơng pháp so sánh đƣợc sử dụng để xác định xu hƣớng, mức độ biến động của các chỉ tiêu phân tích. Khi sử dụng các phƣơng pháp này ít cần chú ý:

- Cần tồn tại hai đại lƣợng hoặc chỉ tiêu.

- Các đại lƣợng, chỉ tiêu phải thống nhất về nội dung và phƣơng pháp tính toán, thống nhất về thời gian và đơn vị đo lƣờng.

- Để xác định xu hƣớng cũng nhƣ tốc độ phát triển, cần tiến hành so sánh giữa số liệu thực tế kỳ này với thực tế kỳ trƣớc.

- Để xác đi ̣nh vi ̣ thế của ngân hàng: tiến hành so sánh giƣ̃a số liê ̣u của ngân hàng này với các ngân hàng khác trong cùng khu vực.

- So sánh về số tuyê ̣t đối : là việc xác định chênh lệch giữa trị số của chỉ tiêu kỳ phân tích với tri ̣ số của chỉ tiêu kỳ gốc . Kết quả so sánh cho thấy sƣ̣ biến đô ̣ng về số tuyê ̣t đối của hiê ̣n tƣợng đang nghiên cƣ́u.

- So sánh bằng số tƣơng đối : là xác định số % tăng giảm giƣ̃a thƣ̣c tế so với kỳ gốc của chỉ tiêu phân tích.

- So sánh theo chiều ngang: là việc so sánh, đối chiếu tình hình biến động cả về số tuyệt đối và số tƣơng đối trên từng chỉ tiêu, trên từng báo cáo tài chính.

Sau khi thu thập xong dữ liệu từ khách hàng, tiến hành kiểm tra và loại đi những bảng hỏi không đạt yêu cầu. Tiếp theo là mã hóa dữ liệu, nhập dữ liệu, làm sạch dữ liệu.

Sau đó tiến hành phân tích dữ liệu với phần mềm SPSS 20.0 với các phƣơng pháp sau:

Phân tích thống kê mô tả (Descriptive Statistics)

Sử dụng để xử lý các dữ liệu và thông tin thu thập đƣợc nhằm đảm bảo tính chính xác và từ đó, có thể đƣa ra các kết luận có tính khoa học và độ tin cậy cao về vấn đề nghiên cứu.

Đánh giá độ tin cậy của thang đo các nhân tố

Chúng ta cần tính toán Cronbach Alpha xem câu hỏi có đóng góp vào việc

đo lƣờng khái niệm lý thuyết mà ta đang nghiên cứu. Hệ số Cronbach Alpha là một phép kiểm định thông kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tƣơng quan với nhau. Hệ số Cronbach Alpha phải có giá trị từ 0,6 đến gần 1 thì mới đảm bảo các biến trong cùng một nhân tố có tương quan với nhau (theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Trong mỗi thang đo, hệ số tƣơng quan biến tổng (corrected Item – total Correlation) thể hiện sự tƣơng quan giữa một biến quan sát với tất cả các biến khác trong thang đo. Do đó, hệ số này càng cao thì sự tƣơng quan các biến quan sát này với các biến khác trong than đo càng cao. Theo Nunnally và Burnstein (1994) các biến có hệ số tƣơng quan biến tổng nhỏ hơn 0,3

Phân tích nhân tố khám phá (EFA)

Phân tích nhân tố nhằm rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn (nhân tố) để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 1998). Phân tích nhân tố khám phá đƣợc cho là phù hợp khi các tiêu chuẩn sau đây đƣợc thỏa điều kiện: Tiêu chuẩn quan trọng đối với Factor Loading lớn nhất cần đƣợc quan tâm theo lý thuyết của Theo Hair và cộng sự (1998, 111), Multivariate Data Analysis, Prentice-Hall International, Inc, Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading > 0,3 đƣợc xem là đạt đƣợc mức tối thiểu, Factor loading > 0,4 đƣợc xem

là quan trọng, > 0,5 đƣợc xem là có ý nghĩa thực tiễn. Hair và công sự (1998) nếu chọn tiêu chuẩn factor loading > 0,3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0,55, nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải > 0,75.

- Kaiser-Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của

EFA: 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp.

- Kiểm định Bartlett‟s test sphericity xem xét giả thuyết H0: độ tƣơng quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể và bác bỏ giả thuyết H0.

- Phƣơng sai trích (cumulative % of variance): phần trăm biến thiên của các biến quan sát (hay dữ liệu) đƣợc giải thích bởi các nhân tố phải đảm bảo ≥ 50%.

- Phƣơng pháp trích hệ số đƣợc sử dụng là Principal Component Analysis với phép xoay Varimax để tối thiểu hóa số lƣợng biến có hệ số lớn tại cùng một nhân tố, và các nhân tố không có sự tƣơng quan lẫn nhau.

- Xác định số nhân tố bằng phƣơng pháp dựa vào eigenvalue (Determination based on eigenvalue): chỉ giữ lại những nhân tố có eigenvalue lớn hơn 1 trong mô hình phân tích.

Sau khi phân tích EFA, các giả thuyết nghiên cứu đƣợc điều chỉnh lại theo các nhân tố mới. Phƣơng pháp phân tích hồi quy tuyến tính bội sẽ đƣợc ứng dụng trong việc đánh giá mức độ ảnh hƣởng của các nhân tố đến sự hài lòng của ngƣời dân.

Phân tích hồi quy tuyến tính đa biến

Phân tích hồi qui đa biến: là một phƣơng pháp đƣợc sử dụng dùng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Phƣơng trình hồi quy tuyến tính đa biến có dạng:

Yi= β0 + β1X1i + β2 X2i + ... + βp Xpi + ei

Mục đích của việc phân tích hồi qui đa biến là dự đóan mức độ của biến phụ thuộc (với độ chính xác trong phạm vi giới hạn) khi biết trƣớc giá trị của biến độc lập. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) các tham số quan trọng trong phân tích hồi quy đa biến bao gồm:

Hệ số hồi quy riêng phần Bk: là hệ số đo lƣờng sự thay đổi trong giá trị trung

bình Y khi Xk thay đổi một đơn vị, giữa các biến độc lập còn lại không đổi.

Hệ số xác định R2 điều chỉnh: Hệ số xác định tỉ lệ biến thiên của biến phụ

thuộc đƣợc giải thích bởi biến độc lập trong mô hình hồi quy. Đó cũng là thông số đo lƣờng độ thích hợp của đƣờng hồi quy theo quy tắc R2 càng gần 1 thì mô hình xây dựng càng thích hợp, R2 càng gần 0 mô hình càng kém phù hợp với tập dữ liệu mẫu. Tuy nhiên, R2 có khuynh hƣớng là một ƣớc lƣợng lạc quan của thƣớc đo sự phù hợp của mô hình đối với dữ liệu trong trƣờng hợp có hơn 1 biến giải thích trong mô hình. Trong tình huống này R2 điều chỉnh (Adjusted R square) đƣợc sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2.

Kiểm định F trong phân tích phƣơng sai là một phép kiểm định giả thuyết về

độ phù hợp của mô hình tuyến tính tổng thể. Nếu giả thuyết Ho của kiểm định F bị bác bỏ thì có thể kết luận mô hình hồi qui tuyến tính đa biến phù hợp với tập dữ liệu và có thể sử dụng đƣợc.

Kiểm định Independent-samples T-test, và kiểm định One way ANOVA đƣợc

dùng để xem xét ảnh hƣởng của các biến liên quan đến đặc điểm cá nhân ngƣời khảo sát đến mức độ hài lòng chung của ngƣời dân và một số phân tích khác.

Các kiểm định các giả thuyết của mô hình

Các nhân tố quyết định CVTD đƣợc đánh giá thông qua giá trị trung bình, phƣơng sai, độ lệch chuẩn. Kiểm định One Sample T- Test đƣợc sử dụng để kiểm định về mức độ thỏa mãn trung bình của các thành phần, của tổng thể và kiểm định Independent Sample T -Test, One Way Anova về sự khác nhau về mức độ thỏa mãn giữa các nhóm giới tính, thu nhập, nghề nghiệp trong tổng thể…

H0: Không có sự khác biệt về các yếu tố đánh giá của các nhóm đối tƣợng khác nhau.

H1: Có sự khác nhau về các yếu tố đánh giá của các nhóm đối tƣợng khác nhau.

Với mức ý nghĩa 95%,

- Nếu giá trị Sig. < 0,05: Có đủ cơ sở thống kê bác bỏ giả thiết H0, chấp nhận giả thiết H1.

CHƢƠNG 3: PHÂN TÍCH CÁC NHÂN TỐ QUYẾT ĐI ̣NH TỚI CHO VAY TIÊU DÙNG TẠI AGRIBANK HÒA LẠC