CHƢƠNG 1 : CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU
2.4. PHÂN TÍCH DỮ LIỆU
2.4.1. Kiểm định thang đo bằng hệ số Cronbach’s Alpha
Thang đo đƣợc đánh giá độ tin cậy thông qua công cụ kiểm định Cronbach’s Alpha. Hệ số α của Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ của các biến trong thang đo với nhau.
Thông thƣờng một hệ số α đƣợc đánh giá là tốt khi nó ở trong khoảng [0.7 – 0.8]. Tuy nhiên giá trị Cronbach’s Alpha ở mức 0.6 là có thể đảm bảo độ tin cậy và đƣợc chấp nhận. Hệ số Cronbach Alpha quá cao cũng không tốt vì nó cho thấy các biến đo lƣờng trong thang đo cùng làm một việc (Nguyễn Đình Thọ, 2011).
Bên cạnh việc xem xét giá trị Cronbach’s Alpha có đạt yêu cầu hay không, thì khi cân nhắc xem nên loại bỏ biến nào ta cần xem xét hệ số tƣơng quan biến (item – total correlation). Hệ số này cho thấy mức độ quan hệ chặt
chẽ giữa biến quan sát tƣơng ứng và biến tổng. Những biến quan sát nào có hệ số tƣơng quan biến tổng < 0.3 sẽ đƣợc cân nhắc loại bỏ. Đây là những dấu hiệu gợi ý cho nhà nghiên cứu về việc loại bỏ biến quan sát nhằm làm tăng mức độ chặt chẽ của thang đo.
2.4.2. Phân tích nhân tố khám phá EFA
Phƣơng pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối quan hệ giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Giá trị hội tụ và giá trị phân biệt cũng đƣợc đánh giá thông qua bƣớc phân tích EFA.
Trƣớc khi đi kiểm định giá trị của các thang đo bằng kiểm định EFA, tác giả kiểm tra xem dữ liệu có đầy đủ điều kiện để phân tích hay không bằng kiểm định KMO và kiểm định Barlett.
Hệ số (Kaiser – Meyer-Olklin) KMO là một chỉ số dùng để đánh giá sự phù hợp của phân tích nhân tố. Nó so sánh độ lớn của hệ số tƣơng quan giữa hai biến Xi và Xj với độ lớn của hệ số tƣơng quan riêng phần của chúng. Trị số KMO lớn (từ 0,5 đến 1) thì bộ dữ liệu sẽ phù hợp để phân tích nhân tố. Các giá trị của KMO và ý nghĩa: [0,9 – 1]: rất tốt, [0,8 – 0,9]: tốt, [0,7 – 0,8]: đƣợc, [0,6 – 0,7]: tạm đƣợc, [0,5 – 0,6]: xấu (Nguyễn Đình Thọ, 2011).
Kiểm định Barlett là kiểm định thống kê nhằm xem xét giả thuyết các biến không có tƣơng quan trong tổng thể. Điều kiện cần áp dụng phân tích nhân tố là các biến phải có tƣơng quan với nhau.
Phép trích Principal Component Analysis với phép quay Varimax đƣợc sử dụng trong phân tích nhân tố thang đo các biến độc lập. Các biến có hệ số tải (Factor loading) nhỏ hơn 0,4 sẽ bị loại, điểm dừng khi Eigenvalue (đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố) > 1 và tổng phƣơng sai trích lớn hơn 50% (Gerbing và Anderson, 1988).
2.4.3. Phân tích hồi quy tuyến tính
Phân tích hồi quy đƣợc thực hiện để xác định mối quan hệ nhân quả giữa biến phụ thuộc sự hài lòng công việc và các biến độc lập.
Mô hình hồi quy sẽ tìm ra các biến độc lập có hay không tác động tới biến phụ thuộc và hƣớng tác động là thuận chiều/dƣơng (+) hay ngƣợc chiều/âm (-). Đồng thời mô hình cũng mô tả mức độ tác động của biến độc lập cụ thể là nhƣ thế nào qua đó giúp ta dự đoán đƣợc giá trị của biến phụ thuộc khi biết trƣớc giá trị của các biến độc lập. Mô hình nghiên cứu của luận văn bao gồm một biến phụ thuộc và nhiều biến độc lập. Vì vậy tác giả sử dụng mô hình hồi quy tuyến tính bội (Nguyễn Đình Thọ, 2011).
Để đánh giá độ phù hợp của mô hình hồi quy, tác giả căn cứ vào hệ số xác định R2. Hệ số R2 cho biết % sự biến động của biến phụ thuộc (Y) đƣợc giải thích bởi các biến độc lập (Xi) trong mô hình. Giá trị R2 nằm trong khoảng từ 0 đến 1:
- Khi R2 = 0 ta kết luận biến phụ thuộc và các biến độc lập không có quan hệ với nhau.
- Khi R2 = 1 ta kết luận đƣờng hồi quy phù hợp hoàn hảo.
- Theo Hair và cộng sự (1998), sử dụng hệ số xác định R2 có nhƣợc điểm là giá trị R2 tăng khi số biến độc lập đƣa vào mô hình tăng mặc dù biến đƣa vào không có ý nghĩa. Vì vậy nên sử dụng giá trị R2 điều chỉnh (Adjusted R Square) để kết luận về % sự biến động của biến phụ thuộc đƣợc giải thích bởi các biến độc lập.
Để kiểm định độ phù hợp của mô hình, tác giả sử dụng kiểm định F. Đây là phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể nhằm xem xét biến phụ thuộc có liên hệ tuyến tính với toàn bộ các biến độc lập không. Mô hình đƣợc coi là phù hợp khi gi trị significant của kiểm định < 0.05.
Đánh giá mức độ tác động (mạnh hay yếu) giữa các biến tác động thông qua hệ số Beta.
Phân tích hồi quy còn cho biết tình trạng đa cộng tuyến có tồn tại không. Đa cộng tuyến là trạng thái trong đó các biến độc lập có tƣơng quan chặt chẽ với nhau. Để kiểm định hiện tƣợng đa cộng tuyến, tác giả sử dụng hệ số phóng đại phƣơng sai (VIF). Nếu giá trị hệ số này < 2 thì quan hệ đa cộng tuyến giữa các biến độc lập là không đáng kể.
2.4.4. Kiểm định T-test và phân tích phƣơng sai Anova
Dựa trên các yếu tố về nhân khẩu học (bao gồm giới tính, độ tuổi, thâm niên, trình độ chuyên môn, đối tƣợng công việc).
Đối với kiểm định sự khác biệt giữa 2 nhóm giới tính, nghiên cứu sử dụng phép kiểm định giả thuyết về trị trung bình của 2 tổng thể T-Test. Còn các yếu tố còn lại là độ tuổi, thâm niên, trình độ chuyên môn, đối tƣợng công việc có từ 3 nhóm mẫu trở lên thì áp dụng phƣơng pháp phân tích phƣơng sai ANOVA. Phƣơng pháp này phù hợp vì nó kiểm định tất cả các nhóm mẫu cùng một lúc với khả năng phạm sai lầm chỉ 5% (Nguyễn Đình Thọ, 2011).
TÓM TẮT CHƢƠNG 2
Từ những đặc điểm về vị trí địa lý, điều kiện khí hậu và cơ cấu tổ chức tại Chi cục Thuế thị xã An Nhơn hợp lý và thuận lợi đã mang lại nguồn thu ngân sách nhà nƣớc hàng năm ngày càng tăng. Bên cạnh đó Luận văn tập trung hệ thống hóa các lý thuyết về dịch vụ, dịch vụ công, chất lƣợng dịch vụ và lý thuyết về sự hài lòng. Từ đó phân tích mối quan hệ giữa chất lƣợng dịch vụ và sự hài lòng nhằm mang lại sự “Hài lòng của ngƣời nộp thuế” giúp cho việc phát triển của Doanh nghiệp cũng nhƣ mang lại sự phát triển kinh tế chung tại địa phƣơng.
CHƢƠNG 3:
PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU