Chương 4 Phương pháp nghiên cứu
4.3. Nghiên cứu chính thức
4.3.3. Phương pháp phân tích dữ liệu
4.3.3.1. Thống kê mẫu nghiên cứu
Sau khi có được dữ liệu thu thập từ khảo sát qua bảng hỏi, nhóm đã tổng hợp, tóm tắt, phân tích theo từng nhóm đặc trưng bao gồm giới tính, năm đại học. Đồng thời, tiến hành loại bỏ bảng trả lời thiếu logic có thể phát hiện bằng mắt thường. Các bảng trả lời phù hợp sẽ được tiếp tục được mã hóa và phân tích bằng phần mềm SPSS 28.0.
4.3.3.2. Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Nhóm nghiên cứu đo lường độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha giúp loại bỏ các biến quan sát, những thang đo không có giá trị nghiên cứu sâu. Cụ thể, hệ số này kiểm định thống định thống kê về mức độ chặt chẽ các biến quan sát trong thang đo tương quan với nhau dựa trên sự tính toán phương sai của từng biến quan sát và tính tương quan điểm của từng biến quan sát với điểm của tổng các biến quan sát còn lại của phép đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Biến quan sát đạt yêu cầu về độ tin cậy bảo đảm khi có hệ số tương quan biến tổng (Corrected Item - Total Correlation) lớn hơn hoặc bằng 0.3. Điều này đồng nghĩa, các biến có hệ số tương quan nhỏ hơn 0.3 sẽ bị loại ra khỏi thang đo.
Về mức giá trị hệ số Cronbach’s Alpha, nhiều nhà nghiên cứu đồng ý rằng thang đo lường rất tốt từ 0.8 trở lên đến gần 1, từ 0.7 đến gần 0.8 là thang đo sử dụng tốt. Trong đó, hệ số Alpha từ 0.6 trở lên là chứng tỏ thang đo lường đủ điều kiện có thể sử dụng (Peterson, 1994 và Slater, 1995). Chính vì vậy, hệ số Alpha từ 0.6 trở lên là chấp nhận sử dụng được trong bài nghiên cứu này.
4.3.3.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là phương pháp được sử dụng để thu nhỏ và tóm tắt các dữ liệu thành một tập nhỏ hơn các nhân tố có ý nghĩa hơn. Cụ thể, dưới đây là các tiêu chí trong phân tích nhân tố khám phá EFA:
Hệ số KMO (Kaiser-Meyer-Olkin measure of sampling adequacy): Đây là chỉ số
dùng
để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt tối thiểu từ 0.5 trở 21
lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là thích hợp. Phân tích nhân tố có khả năng không thích hợp với tập dữ liệu đang nghiên cứu nếu chỉ số KMO nhỏ hơn 0.5.
Kiểm định Bartlett (Barlett’s test of sphericity): Dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Nếu Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0.05), thì các biến quan sát có tương quan với nhau trong tổng thể.
Trị số Eigenvalue: Hệ số Eigenvalue là tiêu chí được sử dụng để xác định số lượng
nhân tố trong phân tích EFA. Cụ thể, những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.
Tổng phương sai trích (Total Variance Explained): Thang đo được chấp nhận khi
tổng phương sai trích lớn hơn 50%. Thỏa điều kiện này, chúng ta kết luận mô hình EFA phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
Hệ số tải nhân tố (Factor loading): Giá trị này biểu thị mối quan hệ tương quan
giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao thì tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Thực tế áp dụng, hệ số tải 0.45 hoặc 0.5 được sử dụng làm mức tiêu chuẩn với cỡ mẫu trong khoảng (120;350) . Nhóm khảo sát có 200 mẫu nên chọn hệ số tải bằng 0.5.
4.3.3.4. Phân tích tương quan Pearson
Hệ số tương quan Pearson được sử dụng để lượng hoá mức độ chặt của mối liên hệ tuyến tính giữa hai biến định lượng vì điều kiện để phân tích hồi quy thì biến độc lập và biến phụ thuộc phải tương quan với nhau. Tuy nhiên, tương quan Pearson chỉ xét mối liên hệ tuyến tính, không đánh giá các mối liên hệ phi tuyến. Đồng thời, không có sự phân biệt vai trò giữa hai biến, tương quan giữa biến độc lập với biến phụ thuộc cũng như tương quan giữa hai biến độc lập với nhau.
Trước khi xem xét tới giá trị tương quan Pearson, cần đánh giá sig có đạt yêu cầu nhỏ hơn 0.05 trước để xác định mối tương quan giữa hai biến là có ý nghĩa. Sau đó mới đánh giá tương quan Pearson, cụ thể, tương quan Pearson dao động trong khoảng (-1;1), trong đó tiến về 1 và -1 thì tương quan tuyến tính càng mạnh, càng chặt chẽ. Tương quan Pearson bằng 1 sẽ có tương quan tuyến tính tuyệt đối. Trong khi đó tương quan tuyến tính càng yếu nếu pearson càng tiến về 0 và cuối cùng pearson bằng 0 thể hiện không có mối quan hệ tuyến tính.
22
4.3.3.5. Phân tích hồi quy đa biến
Phân tích tương quan Pearson được thực hiện giữa biến phụ thuộc và các biến độc lập nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, nhóm nghiên cứu tiến hành mô hình hoá mối quan hệ này bằng phương pháp phân tích hồi quy đa biến. Cụ thể, xem xét các biến độc lập tương quan có ý nghĩa với biến phụ thuộc được xét riêng cho từng biến độc lập. Khi mức ý nghĩa của hệ số hồi quy nhỏ hơn 0,05 (Sig.<0,05), có nghĩa độ tin cậy là 95%, được kết luận tương quan có ý nghĩa thống kê giữa biến độc lập và biến phụ thuộc.
Phân tích hồi quy đa biến để đánh giá mức độ phù hợp của mô hình, phương pháp được sử dụng là phương pháp đưa vào lần lượt “Enter” để đánh giá các tiêu chí trong phân tích hồi quy đa biến như sau:
Các nhà nghiên cứu thường sử dụng hệ số R2 (R Square) để đánh giá mức độ phù hợp của mô hình nghiên cứu.
Kiểm định F trong bảng phân tích phương sai sẽ cho biết biến phụ thuộc có mối liên hệ với toàn bộ biến độc lập hay không (nếu Sig. < 0.05, mô hình xây dựng phù hợp với tập dữ liệu nghiên cứu và có thể sử dụng được).
Phân tích, ANOVA nhằm đánh giá sự khác biệt giữa các nhân tố, phân tích ANOVA cho thấy trị số F có mức ý nghĩa Sig. Nếu Sig. <0.05 thì mô hình hồi quy phù hợp với dữ liệu thu thập được và các biến đưa vào đều có ý nghĩa thống kê với độ tin cậy 95%.
Trị số Durbin-Watson dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất với biến thiên nằm trong khoảng (0;4). Trong đó, nếu giá trị càng nhỏ, cần về 0 thì sai số có tương quan thuận, và ngược lại càng gần về 4 thì phần sai số có tương quan nghịch. Giá trị sig của kiểm định t để kiểm định ý nghĩa của hệ số hồi quy. Trong đó, sig kiểm định t của hệ số hồi quy của biến độc lập có giá trị nhỏ hơn 0.05, ta xác định được biến độc lập có tác động đến biến phụ thuộc.
Hệ số phóng đại phương sai VIF giúp kiểm tra hiện tượng đa cộng tuyến, cụ thể nếu VIF của một biến độc lập lớp hơn 10 tức có hiện tượng đa cộng tuyến xảy ra. Tuy nhiên trong thực tế, nếu VIF lớn hơn 2 thì rất có khả năng có xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Trong trường hợp này cần tìm cách khắc phục để mô hình có ý nghĩa.
Sơ kết Chương 4
Từ mô hình đề xuất trong chương 2, nhóm tiến hành thiết kế nghiên cứu lần lượt từ xây dựng thang đo sơ bộ, thiết kế bảng hỏi, tiến hành nghiên cứu. Trong đó, nhóm nghiên cứu thiết lập được
23
thang đo chính thức gồm 5 nhân tố độc lập là Vị trí, sản phẩm, Không gian, Xã hội, Dịch vụ và 1 nhân tố quyết định được dùng làm biến phụ thuộc (quyết định chọn quán cà phê để học bài của khách hàng). Chính thức thu thập dữ liệu với với 200 mẫu khảo sát có ý nghĩa thống kê tạo cơ sở cho phương pháp nghiên cứu định lượng, được tiến hành và phân tích ở chương 4.
Chương 5. Kết quả nghiên cứu5.1. Thống kê mô tả 5.1. Thống kê mô tả
Mẫu thu thập theo phương pháp chọn phi xác suất với hình thức chọn với mẫu thuận tiện. Kích cỡ mẫu đã được phân tích định lượng trên phần mềm SPSS 28.0 là 200 mẫu.
Bảng 5.1: Thống kê nhân khẩu của các biến quan sátĐặc điểm Đặc điểm
Giới tính
Đã từng đi quán cà phê để học bài
(Nguồn: Nhóm nghiên cứu tổng hợp)
Theo bảng thống kê nhân khẩu học ở trên cho thấy, mẫu được lấy từ các đối tượng khảo sát chủ yếu từ đối tượng ở lứa tuổi sinh viên và đã từng sử dụng dịch vụ quán cà phê ở thành phố Hồ Chí Minh để học tập, ngoài ra bảng còn thể hiện rõ tỷ lệ nhóm đối tượng sinh viên năm 2 lớn hơn hẳn tỷ lệ các nhóm đối tượng còn lại, suy ra do nhóm đối tượng này đã có một khoảng thời gian làm quen với môi trường học tập mới và có cuộc sống chủ yếu xoay quanh nhiệm vụ học tập nên
ở lứa tuổi sinh viên năm 2 có xu hướng lựa chọn quán cà phê để học tập nhiều hơn.
Phần lớn người 24
được khảo sát chọn sẵn sàng chi trả từ 15 đến 50 nghìn đồng trên một lần ra quán để học bài. Điều này phù hợp với mục đích và phạm vi nghiên cứu mà nhóm nghiên cứu kỳ vọng.
Để có cái nhìn tổng quan hơn về các biến đã được sử dụng trong mô hình nghiên cứu, nhóm nghiên cứu đã tiến hành trình bày thống kê mô tả các biến từ mẫu dữ liệu đã thu thập được vào bảng bên dưới.
Bảng 5.2: Thống kê mô tả biến quan sátTên biến Tên biến VT1 VT2 VT3 VT4 SP1 SP2 SP3 SP4 KG1 KG2 KG3 KG4 KG5 XH1 XH2 XH3 XH4 DV1
DV2 DV3 DV4 QĐ1 QĐ2 QĐ3
(Nguồn: Nhóm nghiên cứu phân tích)
Qua bảng thống kê mô tả ở trên ta có thể thấy, các kết quả nhận được theo từng biến đều có giá trị nhỏ nhất là 1 và lớn nhất là 5 theo thang đo Likert. Ngoài ra khi nhìn vào cột trung bình của biến, hầu hết có giá trị thuộc khoảng 3 – 4, cho thấy rằng số lượng người được khảo sát đang rất đồng tình với quan điểm của các biến quan sát đưa ra. Còn về độ lệch chuẩn có giá trị tương đối cao, rơi vào khoảng tầm 0.9 đến 1.3, cho thấy được rằng đối tượng khảo sát có nhận định khá khác biệt đối với các biến đó, do đó ảnh hưởng đến sự chênh lệch nhiều của mức điểm mà người được khảo sát đưa ra.
5.2. Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Bảng 5.3: Tóm tắt kiểm định độ tin cậy Cronbach’s Alpha
Biến độc lập
Vị trí
Sản phẩm
Không gian Xã hội Dịch vụ Quyết định
(Nguồn: Nhóm nghiên cứu phân tích)
Từ bảng kết quả kiểm định Cronbach’s Alpha cho thấy các hệ số tương quan biến tổng phù hợp (đều > 0,3), đồng thời hệ số Cronbach’s Alpha của các biến “Vị trí”, “Sản phẩm”, “Không gian”, “Xã hội”, “Dịch vụ” đều lớn hơn 0.6 do đó đạt yêu cầu về độ tin cậy. Suy ra, không có biến quan sát nào bị loại và tiếp tục được sử dụng để kiểm định nhân tố Khám phá EFA.
27
5.3. Phân tích nhân tố khám phá EFA
Để thực hiện phân tích nhân tố khám phá EFA chính xác và tránh gây sai lệch về kết quả, nhóm tác giả tiến hành phân chia nhóm biến độc lập và nhóm biến phụ thuộc, sau đó thực hiện phân tích nhân tố khám phá EFA cho từng nhóm riêng.
5.3.1. Phân tích nhân tố khám phá EFA của biến độc lập
Khám phá dựa theo kết quả của bảng “KMO and Bartlett’s Test” để xem xét sự phù hợp của phân tích nhân tố qua hệ số KMO (Kaiser – Meyer – Olkin) và đánh giá các biến quan sát trong nhân tố đó có tương quan với nhau qua kiểm định Bartlett.
Bảng 5.4: Hệ số KMO và kiểm định BartlettHệ số KMO Hệ số KMO
Kiểm định Bartlett
(Nguồn: Nhóm nghiên cứu phân tích)
Từ bảng trên ta thấy được rằng hệ số KMO có giá trị 0.5 ≤ KMO = 0.823 ≤ 1, và kiểm định Bartlett có Sig < 0.001 < 0.05 cho thấy phân tích nhân tố được chấp nhận và phù hợp với tập dữ liệu nghiên cứu.
Các thang đo phù hợp sau khi đánh giá độ tin cậy được tiếp tục sử dụng trong phân tích nhân tố khám phá EFA với phương pháp trích nhân tố Principal Component, phép quay Varimax và có điểm dừng khi trích xuất nhân tố Eigenvalue ≥ 1.
Cụ thể, giá trị Eigenvalue = 1.371 và trích được 5 nhân tố mang ý nghĩa là VT, SP, KG, XH, DV (Vị trí, sản phẩm, không gian, xã hội, dịch vụ) để giữ lại trong mô hình. Đồng thời có tổng phương sai trích = 64.535 ≥ 50% cho thấy mô hình EFA là phù hợp với các nhân tố trích cô đọng được 64.535% biến thiên các biến quan sát và thất thoát 35.465% các biến quan sát.
28
Bảng 5.5: Kết quả phân tích nhân tố khám phá EFA biến độc lậpBiến quan sát Biến quan sát KG1 KG2 KG3 KG4 KG5 SP1 SP2 SP4 SP3 VT4 VT1 VT2 VT3 XH2 XH4 XH3 XH1 DV3 DV4 DV2 DV1
(Nguồn: Nhóm nghiên cứu phân tích)
29
Bảng trên cho thấy 21 biến quan sát được gom thành 5 nhân tố từ kết quả ma trận xoay và tất cả các biến quan sát đều có hệ số tải nhân tố Factor Loading lớn hơn 0.5. Như vậy, 21 biến quan sát này đều đảm bảo tiêu chuẩn phân tích khám phá nhân tố EFA và không cần phải loại bất kỳ thêm biến quan sát nào.
5.3.2. Phân tích nhân tố khám phá EFA cho biến phụ thuộc
Bảng 5.6: Hệ số KMO và kiểm định Bartlett của biến phụ thuộc
Hệ số KMO 0.703
Chi bình phương 231.834
Kiểm định Bartlett Df 3
Sig. <0.001
(Nguồn: Nhóm nghiên cứu phân tích)
Tương tự như phân tích các biến độc lập, tiến hành phân tích nhân tố khám phá EFA cho các biến phụ thuộc. Cụ thể ta có một số kết quả để phân tích như sau:
Hệ số KMO = 0.703 với kiểm định Bartlett có Sig. < 0.001 (< 0.05) cho thấy phân tích EFA là thích hợp;
Eigenvalue = 2.237 > 1 đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố thì nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt nhất
Tổng phương sai trích = 74.579% cho thấy có 74.579% biến thiên của dữ liệu được giải thích bởi 1 nhân tố được rút ra;
Ba biến phụ thuộc được đưa vào phân tích EFA được trích thành 1 nhân tố và tất cả các biến liên quan đều có hệ số tải nhân tố > 0.5.
Bảng 5.7: Kết quả phân tích nhân tố khám phá EFA biến phụ thuộcNhân tố Nhân tố
Quyết định chọn quán cà phê để học bài
0.761
30
QD1
QD2 QD3
(Nguồn: Nhóm nghiên cứu phân tích)
5.4. Phân tích tương quan Pearson
Nhóm nghiên cứu dựa vào phân tích tương quan Pearson để lượng hoá mức độ chặt chẽ của mối liên hệ tuyến tính giữa các biến độc lập với biến phụ thuộc sau khi đã có được mô hình hiệu chỉnh cuối cùng.
Bảng 5.8: Phân tích tương quan Pearson
QD VT SP KG XH DV
**. Tương quan với mức ý nghĩa bằng 0.01 (hai bên)
Bảng phân tích cho thấy sig tương quan Pearson của các biến độc lập với các biến phụ thuộc đều nhỏ hơn 0.05. Chứng tỏ có mối liên hệ tuyến tính giữa 5 biến độc lập là VT, SP, KG, XH, DV với biến phụ thuộc QD để được tiếp tục đưa vào phân tích hồi quy. Trong đó, giữa biến VT và QD có mối tương quan mạnh nhất với hệ số r là 0.733 và tương quan yếu nhất là giữa biến XH với biến QD với hệ số r đạt 0.321.
31