2.3 Mô tảdữliệu
2.3.1 Phương pháp chọn mẫu
Mẫu trong nghiên cứu chính thức được chọn theo phương pháp thuận tiện. Đối tượng là sinh viên trường Đại học Ngoại Thương cơ sở II, được tiến hành bằng cách trả lời bảng hỏi online.
Kích thước mẫu phụ thuộc vào phương pháp ước lượng được sử dụng trong nghiên cứu, số tham số và phân phối chuẩn câu trả lời.
Đối với mô hình phân tích nhân tố khám phá (EFA), theo Hair và cộng sự (2006) cỡ mẫu được xác định được dựa vào: (i) mức tối thiểu và (ii) số lượng biến đưa vào phân tích của mô hình. Mức tối thiểu (min) = 50. Tỷ lệ của số quan sát so với 1 biến phân tích
(k) là : 5/1 hoặc 10/1. Trong bảng điều tra ban đầu có 30 biến quan sát nên tối thiểu cần có mẫu n=30*5=150.
Để đảm bảo trong quá trình khảo sát có thể loại bỏ những biến không đạt yêu cầu, sai số. Vậy nên nhóm đã thu thập được 198 người điền khảo sát.
2.3.2 Phương pháp xử lý sốliệu
2.3.2.1 Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là hệ số cho phép đánh giá xem nếu đưa các biến quan sát nào đó thuộc về một biến nghiên cứu (biến tiềm ẩn, nhân tố) thì nó có phù hợp không. Hair Et al (2006) đưa ra quy tắc đánh giá như sau:
• < 0.6: Thang đo nhân tố là không phù hợp (có thể trong môi trường nghiên cứu đối tượng không có cảm nhận về nhân tố đó)
• 0.6 – 07: Chấp nhận được với các nghiên cứu mới
• 0.7 – 0.8: Chấp nhận được
• 0.8 – 0.95: Tốt
• >= 0.95: Chấp nhận được nhưng không tốt, nên xét xét các biến quan sát có thể có hiện tượng “trùng biến”. Tức là có khả năng xuất hiện biến quan sát thừa ở trong thang đo. Nó tương tự như trường hợp đa cộng tuyến trong hồi quy, khi đó biến thừa nên được loại bỏ.
Hệ số tương quan biến tổng là hệ số cho biến mức độ “liên kết” giữa một biến quan sát trong nhân tố với các biến còn lại. Nó phản ánh mức độ đóng góp vào giá trị khái niệm của nhân tố của một biến quan sát cụ thể. Tiêu chuẩn để đánh giá một biến có thực sự đóng góp giá trị vào nhân tố hay không là hệ số tương quan biến tổng phảilớn hơn 0.3. Nếu biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 thì phải loại nó ra khỏi nhân tố đánh giá.
2.3.2.2 Phương pháp EFA
Khái niệm: Phân tích nhân tố khám phá (gọi tắt là EFA), dùng để rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn. Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau.
Ví dụ áp dụng: thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu 4 đặc điểm lớn, trong mỗi đặc điểm lớn này gồm 5 đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơncho người nghiên cứu.
• Hai mục tiêu chính của phân tích EFA:
(1)Phải xác định số lượng các nhân tố ảnh hướng đến một tập các biến đo lường.
(2)Phải xác định cường độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường.
• Các tiêu chí trong phân tích nhân tố khám phá EFA:
Hệ số Factor Loading: Được định nghĩa là trọng số nhân tố hay hệ số tải nhân tố. Là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Trong đó:
• Nếu 0.3 <=Factor loading <=0.4 được xem là biến quan sát có ý nghĩa thống kê đạt được mức tối thiểu
• Nếu Factor loading >= 0.5 được xem là biến quan sát có ý nghĩa thực tiễn
• Nếu Factor loading >= 0.7: Biến quan sát có ý nghĩa thống kê rất tốt
Hệ số KMO (Kaiser –Meyer - Olkin): Là chỉ số dùng để đánh giá sự thích hợp của phân tích nhân tố, cụ thể là so sánh độ lớn của hệ số tương quan giữa 2 biến với hệ số tương quan riêng phần của chúng. Trị số của KMO được đánh giá như sau:
• KMO <0. 50: Không đạt • 0.50 <= KMO <0. 60: Xấu • 0.60 <= KMO <0. 70: Tạm được • 0.70 <= KMO <0. 80: Đạt • 0.80 <= KMO < 0.90: Tốt • 0.90 >= KMO: Rất tốt
=> Để sử dụng EFA, thì KMO phải lớn hơn 0.50
Kiểm định Bartlett (Bartlett’s test of sphericity): Dùng để xem xét sự tương quan giữa các biến quan sát trong nhân tố. Nếu phép kiểm định Bartlett có ý nghĩa thống kê Sig Bartlett’s Test < 0.05 (p<5%), chứng tỏ các biến quan sát có tương quan với nhau. Chúng ta có thể từ chối giả thuyết Ho (ma trận tương quan là ma trận đơn vị).
Trị số Eigenvalue: Tiêu chí để xác định tổng số lượng nhân tố trong EFA. Chỉ những nhân tố nào có trị số Eigenvalue >= 1 mới được giữ lại trong mô hình phân tích nhân tố khám phá.
Total Variance Explained: Trị số này thể hiện các nhân tố cô đọng được bao nhiêu phần trăm và thất thoát bao nhiêu phần trăm biến quan sát dựa trên mức đánh giá 100%. Trị số này nên ở mức >= 50% thì mô hình EFA là phù hợp.
• Các bước để thực hiện EFA:
Theo Hoàng Trọng và Chu Mộng Ngọc(2010), có 6 bước để thực hiện EFA:
Hình2-2: Quy trình thực hiện phương pháp EFA
2.3.2.3 Phân tích tương quan – hồi quy
• Phân tích tương quan
Các thang đo được đánh giá đạt yêu cầu được đưa vào phân tích tương quan Pearson và phân tích hồi quy để kiểm định các giả thuyết. Phân tích tương quan Pearson được thực hiện giữa biến phụ thuộc và biến độc lập nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Giá trị tuyệt đối của Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ. Đồng thời cũng cần phân tích tương quan giữa các biến độc lập với nhau nhằm phát hiện những mối tương quan chặt chẽ giữa các
biến độc lập. Vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả phân tích hồi quy như gây ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
• Phân tích hồi quy bội
Sau khi kết luận các biến độc lập và biến phụ thuộc có mối quan hệ tuyến tính với nhau có thể mô hình hóa quan hệ nhân quả này bằng hồi quy tuyến tính (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Kiểm định sự phù hợp của mô hình thông qua kiểm định F và hệ số R2 hiệu chỉnh. Kiểm định giả thuyết về độ phù hợp của mô hình.
Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy từng thành phần.
Kiểm tra giả định về hiện tượng đa cộng tuyến thông qua giá trị của dung sai (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor). Nếu VIF > 10 thì có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). 2.3.2.4 Kiểm định sự khác biệt giữa các nhóm thống kê
Sử dụng kiểm định T- test và ANOVA một chiều để kiểm định có hay không sự khác nhau trong đánh giá về ý định khởi nghiệp của sinh viên đại học Ngoại Thương cơ sở II các nhóm thống kê bao gồm: giới tính, chuyên ngành học.
Tuy nhiên, trước khi thực hiện kiểm định One Way ANOVA cần phải kiểm định Levene's Test sự bằng nhau của các phương sai tổng thể để xem xét mức độ đồng đều của dữ liệu quan sát.
Nếu Sig. < 0,05: Phương sai giữa các nhóm đối tượng khác nhau là khác nhau hay không có phân phối chuẩn thì kiểm định Kruskal Wallis được sử dụng để kết luận cho trường hợp này.
Nếu Sig. > 0,05: Phương sai không khác nhau hay có phân phối chuẩn. Ta sẽ sử dụng kiểm định One Way ANOVA để kết luận.
CHƯƠNG 3:
N=198 GIới tính
Chuyên ngành
Đối tượng sinh viên