Phần 4 Kết quả nghiên cứu và thảo luận
4.3. Phân tích các yếu tố ảnh hưởng tới quyết định tiêu dùng thịt lợn sạch của
4.3.2. Phân tích các nhân tố ảnh hưởng tới quyết định tiêu dùng thịt lợn sạch
a. Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Thang đo của các nhân tố được rút ra qua phép phân tích nhân tố được đánh giá thông qua hệ số Cronbach’ alpha. Hệ số cronbach Alpha được sử dụng để loại bỏ các biến “rác”.
Các tiêu chuẩn kiểm định:
- Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item – Total Correlation ≥ 0,3 thì biến đó đạt yêu cầu.
- Mức giá trị hệ số Cronbach’s Alpha:
Từ 0,8 đến gần bằng 1: thang đo lường rất tốt.
Từ 0,7 đến gần bằng 0,8: thang đo lường sử dụng tốt. Từ 0,6 trở lên: thang đo lường đủ điều kiện.
Cần chú ý đến giá trị của cột Cronbach's Alpha if Item Deleted, cột này biểu diễn hệ số Cronbach's Alpha nếu loại biến đang xem xét. Thông thường chúng ta sẽ đánh giá cùng với hệ số tương quan biến tổng Corrected Item – Total Correlation, nếu giá trị Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha và Corrected Item – Total Correlation nhỏ hơn 0,3 thì sẽ loại biến quan sát đang xem xét để tăng độ tin cậy của thang đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kết quả kiểm định thang đo được trình bày tại phụ lục 02
Kết quả từ các bảng kết quả cho thấy thang đo đều có Cronbach’ Alpha > 0,7 và hệ số tương quan biến tổng > 0,3 đồng thời không có giá trị nào trong cột Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha. Như vậy, đây là các thang đo sử dụng được.
Sau kiểm định Cronbach’s Alpha ta có bảng thống kê kết quả tổng hợp của từng nhóm biến như sau:
Bảng 4.10. Kết quả sau khi kiểm định độ tin cậy các biến
STT Nhân tố sát ban đầu Biến quan Biến quan sát còn lại Cronbach’s Alpha Biến bị loại
1 Giá bán 3 3 0,884 2 Lợi ích sức khỏe 3 3 0,859 3 Tính sẵn có và thuận tiện 3 3 0,838 4 Mức độ nhận biết 4 4 0,890 5 Thu nhập 3 3 0,820 6 Uy tín người bán 3 3 0,773
7 Thói quen tiêu dùng 3 3 0,816
8 Quyết định tiêu dùng 3 3 0,871
Nguồn: Tổng hợp kết quả phân tích (2017) b. Phân tích nhân tố khám phá EFA bằng SPSS
Khi kiểm định một lý thuyết khoa học, chúng ta cần đánh giá độ tin cậy của thang đo (Cronbach’s Alpha) và giá trị của thang đo (EFA). Sau khi đánh giá xong độ tin cậy của thang đo bước tiếp theo là đánh giá giá trị của nó. Hai giá trị quan trọng được xem xét đó là giá trị hội tụ và giá trị phân biệt (Nguyễn Đình Thọ, 2008). Hiểu một cách đơn giản:
Thỏa mãn "Giá trị hội tụ": Các biến quan sát hội tụ về cùng một nhân tố. Đảm bảo "Giá trị phân biệt": Các biến quan sát thuộc về nhân tố này và phải phân biệt với nhân tố khác.
- Phân tích nhân tố khám phá, gọi tắt là EFA, dùng để rút gọn một tập hợp k biến quan sát hành 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. Thay vì đi nghiên cứu các đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu đặc điểm lớn, trong mỗi đặc điểm lớn này gồm các đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người nghiên cứu.
- Các tiêu chí trong phân tích EFA :
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0,5 trở lên (0,5 ≤
KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Chúng ta cần lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0,05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố (Nguyễn Đình Thọ, 2009).
Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là 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) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
Lần lượt thực hiện phân tích nhân tố khám phá cho biến độc lập và biến phụ thuộc. Chúng ta cần phân tích EFA riêng cho từng nhóm biến: độc lập riêng, phụ thuộc riêng. Việc cho biến phụ thuộc vào cùng phân tích EFA có thể gây ra sự sai lệch kết quả vì các biến quan sát của biến phụ thuộc có thể sẽ nhảy vào các nhóm biến độc lập một cách bất hợp lý.
Sau khi phân nhân tố khám phá cho các biến độc lập ta có kết quả ma trận xoay (phụ lục 02): 25 biến quan sát được gom thành 7 nhân tố, tất cả các biến quan sát đều có hệ số tải lớn hơn 0,5. Như vậy, sự tương quan giữa các biến quan sát với nhân tố tương đối lớn.
Sau khi phân tích khám phá cho biến phụ thuộc (phụ lục 02) ta thấy: Bảng đầu tiên là KMO and Barlett’s Test. 0,5 ≤ KMO = 0,797 ≤ 1, phân tích nhân tố được chấp nhận với tập dữ liệu nghiên cứu.
Sig Barlett’s Test = 0,000 < 0,05, phân tích nhân tố là phù hợp
Giá trị Eigenvalue = 1,123 ≥ 1 và trích được 7 nhân tố mang ý nghĩa tóm tắt thông tin tốt nhất.
Tổng phương sai trích = 76,492 ≥ 50% cho thấy mô hình EFA là phù hợp. Như vậy, 7 nhân tố được trích cô đọng được 76,492% biến thiên các biến quan sát
Kết quả ma trận xoay cho thấy, 22 biến quan sát được gom thành 6 nhân tố, tất cả các biến quan sát đều có hệ số tải nhân tố Factor Loading lớn hơn 0,5 (phụ lục 02).
Sau khi phân tích khám phá cho biến độc lập (phụ lục 02), các nhân tố được tóm tắt lại như sau:
Bảng 4.11. Kết quả sau khi phân tích khám phá EFA các biến
STT Nhân tố Các biến quan sát
1 GB Giá bán GB1, GB2, GB3 ( 3 biến)
2 LI Lợi ích sức khỏe LI1, LI2, LI3 ( 3 biến)
3 TT Tính sẵn có và tính thuận tiện TT1, TT2, TT3 ( 3 biến)
4 NB Mức độ nhận biết NB1, NB2, NB3, NB4 ( 4 biến)
5 TN Thu nhập TN1, TN2, TN3 ( 3 biến)
6 UT Uy tín người bán UT1, UT2, UT3 ( 3 biến )
7 TQ Thói quen tiêu dùng TQ1, TQ2, TQ3 ( 3 biến)
8 QD Quyết định tiêu dùng QD1, QD2, QD3 ( 3 biến)
Tổng số lượng biến quan sát độc lập: 22 Tổng số lượng biến quan sát phụ thuộc: 3
Nguồn: Tổng hợp kết quả phân tích (2017)
Sau khi định nghĩa lại nhân tố, chúng ta sẽ tiến hành tạo biến đại diện theo bảng nhân tố được định nghĩa lại ở trên. Việc tạo biến đại diện sẽ giúp chúng ta có được các nhân tố phục vụ cho bước chạy tương quan Pearson và hồi quy đa biến về sau.
Giả sử chúng ta không tạo biến đại diện mà đưa trực tiếp 24 biến quan sát độc lập tiến hành chạy hồi quy cho lần lượt từng biến quan sát phụ thuộc, chúng ta sẽ phải thực hiện 3 phương trình hồi quy và mỗi phương trình hồi quy cực kỳ dài với 22 biến độc lập. Thay vì chạy hồi quy với 22 biến độc lập, trong đó một số biến có cùng tính chất với nhau vậy chúng ta sẽ gom các biến cùng tính chất ấy lại và tạo cho chúng 1 biến đại diện? Thứ nhất, phương trình hồi quy gọn gàng, thẩm mỹ hơn. Thứ hai, chúng ta dễ thao tác, dễ đọc kết quả kết quả xuất ra, dễ nhận xét hơn. Thứ ba, đúng mục đích nghiên cứu ban đầu của chúng ta là nghiên cứu các nhân tố độc lập tác động thế nào đến nhân tố phụ thuộc, chứ không phải đi xem một danh sách 22 biến quan sát độc lập tác động thế nào đến biến phụ thuộc.
c. Phân tích tương quan giữa các nhân tố
Phân tích tương quan nhằm xem xét sự tương quan thuận hay nghịch, mạnh hay yếu giữa hai biến đồng thời kiểm định xem mối tương quan giữa hai biến là có ý nghĩa hay không (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Một số chỉ tiêu trong tương quan Pearson bằng SPSS: Tương quan Pearson r có giá trị dao động từ -1 đến 1:
Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về1 là tương quan dương, tiến về -1 là tương quan âm.
Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
Nếu r = 1: tương quan tuyến tính tuyệt đối, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến.
Trong bảng kết quả tương quan Pearson :
Hàng Pearson Correlation là giá trị r để xem xét sự tương thuận hay nghịch, mạnh hay yếu giữa 2 biến.
Hàng Sig. (2-tailed) là sig kiểm định xem mối tương quan giữa 2 biến là có ý nghĩa hay không. Sig < 0,05, tương quan có ý nghĩa; sig ≥ 0,05, tương quan không có ý nghĩa.
Sau khi phân tích tương quan ta có bảng (phụ lục 02):
Sig tương quan Pearson các biến độc lập GB, LI, NB, TT, UT,TN với biến phụ thuộc QD nhỏ hơn 0,05. Như vậy, có mối liên hệ tuyến tính giữa các biến độc lập này với biến QD.
Riêng sig tương quan của biến độc lập TQ với biến phụ thuộc QD lớn hơn 0.05 do vậy không có mối tương quan tuyến tính giữa 2 biến này nên biến TQ bị loại ra khỏi phân tích hồi quy tuyến tính.
Mối tương quan giữa các biến độc lập với biến phụ thuộc được tóm tắt lại như sau:
Bảng 4.12. Kết quả sau khi phân tích tương quan Person
STT Nhân tố Các biến quan sát Biến bị loại
1 GB Giá bán GB1, GB2, GB3 ( 3 biến)
2 LI Lợi ích sức khỏe LI1, LI2, LI3 ( 3 biến) 3 TT Tính sẵn có và tính
thuận tiện
TT1, TT2, TT3 ( 3 biến)
4 NB Mức độ nhận biết NB1, NB2, NB3, NB4 ( 4 biến) 5 TN Thu nhập TN1, TN2, TN3 ( 3 biến) 6 UT Uy tín người bán UT1, UT2, UT3 ( 3 biến )
7 TQ Thói quen tiêu dùng TQ1, TQ2, TQ3 ( 3 biến) Loại 8 QD Quyết định tiêu
dùng
QD1, QD2, QD3 ( 3 biến) Tổng số lượng biến quan sát độc lập còn lại : 19
Tổng số lượng biến quan sát phụ thuộc: 3
Nguồn: Tổng hợp kết quả phân tích (2017) d. Phân tích hồi quy đa biến
Khác với tương quan, trong hồi quy các biến không có tính chất đối xứng như phân tích tương quan. Vai trò giữa biến độc lập và biến phụ thuộc là khác nhau. X và Y hay Y và X có tương quan với nhau đều mang cùng một ý nghĩa, trong khi đó với hồi quy, ta chỉ có thể nhận xét: X tác động lên Y hoặc Y chịu tác động bởi X.
- Đối với phân tích hồi quy tuyến tính bội, chúng ta giả định các biến độc lập X1, X2, X3 sẽ tác động đến biến phụ thuộc Y. Ngoài X1, X2, X3… còn có rất nhiều những nhân tố khác ngoài mô hình hồi quy tác động đến Y mà chúng ta không liệt kê được (Nguyễn Đình Thọ, 2009).
Các tiêu chí trong phân tích hồi quy đa biến:
Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square) phản ánh mức độ giải thích biến phụ thuộc của các biến độc lập trong mô hình hồi quy. R2 hiệu chỉnh phản ánh sát hơn so với R2.
Giá trị sig của kiểm định F được sử dụng để kiểm định độ phù hợp của mô hình hồi quy. Nếu sig nhỏ hơn 0,05, ta kết luận mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử đụng được. Giá trị này thường nằm trong bảng ANOVA.
Trị số Durbin – Watson (DW) dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất (kiểm định tương quan của các sai số kề nhau). DW có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2, nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch.
Giá trị sig của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu sig kiểm định t của hệ số hồi quy của một biến độc lập nhỏ hơn 0.05, ta kết luận biến độc lập đó có tác động đến biến phụ thuộc. Mỗi biến độc lập tương ứng với một hệ số hồi quy riêng, do vậy mà ta cũng có từng kiểm định t riêng. Giá trị này thường nằm trong bảng Coefficients.
Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng đa cộng tuyến. Thông thường, nếu VIF của một biến độc lập lớn hơn 10 nghĩa là đang có đa cộng tuyến xảy ra với biến độc lập đó. Khi đó, biến này sẽ không có giá trị giải thích biến thiên của biến phụ thuộc trong mô hình hồi quy. Tuy nhiên, trên thực tế, nếu hệ số VIF > 2 thì khả năng rất cao đang xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Giá trị này thường nằm trong bảng Coefficients.
Sau khi phân tích hồi quy đa biến ta có kết quả (phụ lục 02):
Giá trị R2 hiệu chỉnh bằng 0,648 cho thấy biến độc lập đưa vào chạy hồi quy ảnh hưởng 64,8% sự thay đổi của biến phụ thuộc, còn lại 35,2% là do các biến ngoài mô hình và sai số ngẫu nhiên.
Sig kiểm định hệ số hồi quy của các biến độc lập đều nhỏ hơn 0,05, do đó các biến độc lập này đều có ý nghĩa giải thích cho biến phụ thuộc, không biến nào bị loại khỏi mô hình.
Hệ số Durbin – Watson = 2,095, nằm trong khoảng 1,5 đến 2,5 nên không có hiện tượng tự tương quan chuỗi bậc nhất xảy ra.
Hệ số VIF của các biến độc lập đều nhỏ hơn 2 do vậy không có đa cộng tuyến xảy ra. Các hệ số hồi quy đều lớn hơn 0. Như vậy, tất cả các biến độc lập đưa vào phân tích hồi quy đều tác động cùng chiều tới biến phụ thuộc riêng biến giá bán là tác động ngược chiều. Dựa vào độ lớn của hệ số hồi quy chuẩn hóa Beta, thứ tự mức độ tác động từ mạnh nhất tới yếu nhất của các biến độc lập tới biến phụ thuộc QD là:
TN (0,282) > TT (0,224) > NB (0,205) > LI (0,153) > UT (0,146)> GB (0,138) Tương ứng với:
Biến thu nhập có tác động mạnh nhất tới quyết định tiêu dùng thịt lợn sạch; Biến sự thuận tiện tác động mạnh thứ 2 tới quyết định tiêu dùng thịt lợn sạch; Biến mức độ nhận biết tác động mạnh thứ 3 tới quyết định tiêu dùng thịt lợn sạch;
Biến lợi ích đối với sức khỏe tác động mạnh thứ 4 tới quyết định tiêu dùng thịt lợn sạch;
Biến uy tín của người bán tác động mạnh thứ 5 tới quyết định tiêu dùng thịt lợn sạch;
Biến giá bán tác động yếu nhất tới quyết định tiêu dùng thịt lợn sạch; Vậy phương trình hồi quy chuẩn hóa sẽ là: (phụ lục 02)
QD = 0,454- 0,138*GB + 0,282*TN + 0,224TT + 0,153*LI + 0,205*NB + 0,146*UT
Trong đó ý nghĩa của các hệ số như sau: