CHƢƠNG 2 : PHƢƠNG PHÁP NGHIÊN CỨU
2.5. Các phƣơng pháp phân tích dữ liệu và kiểm định
2.5.1. Phân tích các thông tin nhân khẩu học
Phần đầu tiên của bản câu hỏi khảo sát bao gồm các thông tin cá nhân nhƣ giới tính, tuổi tác, nghề nghiệp, quốc tịch, số lần đến Hà Nội, loại hình du lịch, mục đích của chuyến du lịch, hay địa điểm du lịch di sản văn hóa đầu tiên tới thăm ở Hà Nôi. Sau đó, các dữ liệu thu thập đƣợc sẽ đƣợc phân tích bằng phần mềm SPSS để chỉ ra một số đặc điểm nhân khẩu học của du khách cũng nhƣ kiểm định giả thuyết mối liên hệ giữa sự khác biệt trong đặc điểm nhân khẩu của du khách và ý định hành vi của họ.
2.5.2. Đánh giá độ tin cậy của thang đo
Độ tin cậy của thang đo đƣợc đánh giá thông qua phân tích hệ số Crombach Alpha. Hệ số Cronbach Alpha là một phép kiểm định thống 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 tƣơng quan với nhau (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 thang đo càng cao. Theo Nunnally & Burnstein (1994) các biến có hệ số tƣơng quan biến tổng nhỏ hơn 0,3 đƣợc xem là biến rác và bị loại khỏi thang đo.
2.5.3. 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 mãn điều kiện:
Tiêu chuẩn quan trọng đối với Factor Loading lớn nhất cần đƣợc quan tâm: Theo Hair và cộng sự (1998), Factor loading là chỉ tiêu đảm bảo mức ý nghĩa của EFA và ngƣỡng chấp nhâ ̣n là 0,4.
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.
Theo Jabnoun & Al-Tamimi (2003), tiêu chuẩn khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố.
Kiểm định Bartlett‟s test sphericity xem xét giả thuyết Ho: độ tƣơng quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (mƣ́ c ý nghĩa < 0,05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể và bác bỏ giả thuyết Ho.
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 h ệ s ố E igenvalue (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 thiết nghiên cứu đƣợc điều chỉnh lại theo các nhân tố mới. Phƣơng pháp phân tích nhân tố khám phá (CFA) sẽ đƣợc sử dụng để kiểm định sự phù hợp của cấu trúc của mô hình nghiên cứu.
2.5.4. Phân tích nhân tố khẳng định (CFA – Confirmatory Factor Analysis)
Phân tích yếu tố khẳng định (CFA) là mô hình hay gặp trong phân tích SEM (Structural Equation Analysis). CFA khác với phân tích yếu tố khám phá (Exploratory Factor Analysis: EFA) về phƣơng pháp cũng nhƣ các giả định.
CFA là phƣơng pháp nhằm xác định sự phù hợp của số liệu nghiên cứu với mô hình lý thuyết. Trong phân tích EFA, nhà nghiên cứu dựa vào số liệu nghiên cứu để tìm ra các yếu tố cấu thành, trong khi CFA nhằm khẳng định mô hình các yếu tố cấu thành đã có sẵn qua nghiên cứu trƣớc đó hoặc đã đƣợc xác định từ trƣớc. Cấu trúc đạt đƣợc trong EFA bao gồm những biến quan sát có hệ số tải lớn lên một yếu tố và các hệ số tải nhỏ lên các yếu tố khác (ví dụ: loading < 0,4)
Với CFA, các nhà nghiên cứu phải biết trƣớc có bao nhiêu yếu tố, có bao nhiêu biến trong từng yếu tố. Trong trƣờng hợp này, CFA làm nhiệm vụ xem xét sự phù hợp của mô hình đã có sẵn với số liệu nghiên cứu. Nói cách khác, CFA tìm sự khẳng định phù hợp của mô hình nghiên cứu (Hair và Rex, 2011).
2.5.5. Phân tích mô hình cấu trúc tuyến tính SEM
SEM là viết tắt của Sructural Equation Modeling (phân tích mô hình cấu trúc tuyến tính) đƣợc sử dụng để kiểm định mô hình lý thuyết cùng với các giả thuyết. Thông thƣờng, phƣơng pháp SEM đƣợc thực hiện trên phần mềm AMOS kết hợp SPSS.
Nghiên cứu sử dụng phềm mềm AMOS để phân tích. AMOS đƣợc viết tắt từ Analysis of Moment Structures (Phân tích cấu trúc mô măng). Phần mềm này dùng để thực hiện một phƣơng pháp chung trong phân tích dữ liệu là Structural Equation Modeling (SEM_ mô hình cấu trúc tuyến tính). SEM cũng có những tên gọi khác nhƣ Analysis of Covariance Structures (Phân tích cấu trúc hiệp phƣơng sai), hay Causal Modeling (mô hình nhân quả).
2.5.6. Kiểm định T-Test và ANOVA
Kiểm định Independent-samples T-test và kiểm định One way ANOVA đƣợc dùng để xem xét ảnh hƣởng của các biến liên quan về đặc điểm cá nhân của khách du lịch. Các dữ liệu thu thập đƣợc sẽ đƣợc kiểm định T-Test và ANOVA bằng phần mềm SPSS sẽ giúp chỉ ra một số đặc điểm nhân khẩu học của du khách cũng nhƣ kiểm định giả thuyết mối liên hệ giữa sự khác biệt trong đặc điểm nhân khẩu của du khách và ý định hành vi của họ.