CHƯƠNG 2 : CƠ SỞ LÝ LUẬN
3.5 Phương pháp phân tích dữ liệu
3.5.1 Kiểm định Cronbach’s Alpha
Hệ số Cronbach’s Alpha được sử dụng để kiểm định độ tin cậy thang đo theo dữ liệu của từng nhóm nhân tố nghiên cứu đã được khảo sát với mục đích kiểm tra mức độ chặt chẽ giữa các biến quan sát trong cùng một nhân tố, nhân tố nào không đủ độ tin cậy sẽ bị loại.
Theo Nunnally & Bernstein (1994) đề nghị Các tiêu chuẩn đánh giá sau:
Hệ số Cronbach’s Alpha ≥ 0.6 nhân tố nghiên cứu được chấp nhận nhưng không sát định biến quan sát nào phù hợp.
Hệ số tương quan tổng của biến quan sát trong cùng một nhân tố (item-total correlation) ≥ 0.3 sẽ được chấp nhận và đưa vào phân tích tiếp theo.
3.5.2 Phân tích các nhân tố khám phá EFA
Phân tích các nhân tố khám phá EFA là phân tích các nhân tố trong biến độc lập lẫn nhau và không có biến phụ thuộc và phân tích riêng các biến trong nhân tố phụ thuộc nhằm hình thành các nhân tố đại diện từ việc tóm tắt các dữ liệu, rất có ích cho việc xác định các tập hợp nhóm biến, nhưng vẫn mang đầy đủ nội dung thông tin của tập biến ban đầu.
Tiêu chuẩn áp dụng phân tích nhân tố EFA:
+ Các biến quan sát sẽ được kiểm định sự thích hợp của phân tích nhân tố đối với các dữ liệu ban đầu bằng hệ số KMO với tiêu chuẩn 0,5 < KMO <1 và kiểm định Barlett’s với mức ý nghĩa quan sát nhỏ Sig < 0,05.
+ Tiêu chuẩn rút trích nhân tố gồm chỉ số Engenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) phải > 1 vì những nhân tố này sẽ có tác dụng tóm tắt thông tin tốt hơn các nhân tố có Engenvalue < 1. Và các nhân tố được chấp nhận khi tổng phương sai trích (Total Variance Explained) ≥ 50% (Gerbing & Anderson, 1988) điều đó chứng tỏ mô hình và dữ liệu phân tích phù hợp với nhau.
+ Tiêu chuẩn hệ số tải nhân tố (Factor loadings) dùng để đánh giá mức ý nghĩa của EFA, biểu thị tương quan đơn giữa các biến với các nhân tố. Theo Hair và ctg (2009) Factor Loading >=0,3 sẽ đạt mức tối thiểu; Factor Loading >=0,4 được xem là quan trọng; Factor Loading >=0,5 được xem là có ý nghĩa thực tế. Trong bài nghiên cứu này mỗi nhân tố thì những biến quan sát có hệ số Factor loading bé hơn 0,5 sẽ tiếp tục bị loại để đảm bảo sự hội tụ giữa các biến trong một nhân tố.
3.5.3 Phân tích tương quan hồi quy
Phân tích tương quan person Với mục đích kiểm định giả thuyết xem mức độ tác động của các biến độc lập lên biến phụ thuộc. Sau đó, kiểm tra mối quan hệ tuyến tính có mối quan hệ chặt chẽ với nhau hay không?
Điều kiện để phân tích hồi quy khi hệ số tương quan giữa biến độc lập và phụ thuộc < 0.85 thì có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tương quan > 0.85 thì cần xem xét vai trò của các biến độc lập, vì có thể xảy ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tương quan giữa biến độc lập và biến phụ thuộc > 0 thì tương quan thuận. Ngược lại nếu Hệ số tương quan < 0 thì tương quan nghịch.
Để kiểm định hệ số tương quan nếu mức ý nghĩa kiểm định có giá trị Sig ≤ 0,05 thì tồn tại mối tương quan giữa 2 biến.
Phân tích hồi quy tuyến tính nhằm mô tả hình thức mối liên quan giữa biến độc lập và biến phụ thuộc từ đó thông qua gía trị của biến độc lập dự đoán mức độ của chúng đến biến phụ thuộc.
- Mô hình hồi quy đa biến cho dạng: Yi = β0 + β1X1i + β2X2i + …. + βpXpi + ei Trong đó:
Yi: biến phụ thuộc.
βiXi: biểu hiện giá trị của biến độc lập thứ i. βi: hệ số hồi quy riêng phần.
ei: một biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phương sai không đổi.
- Các tiêu chuẩn chấp nhận sự phù hợp của mô hình hồi quy tuyến tính:
+ Kiểm định mức độ phù hợp của mô hình bằng kiểm định F và R Square (R2 hiệu chỉnh). + Phân tích phương sai ANOVA của mô hình. Để mô hình phù hợp với dữ liệu thực tế thì giá trị Sig < 0,05.
+ Kiểm định hiện tượng đa cộng tuyến (Multiple Collinearity). Các biến không xảy ra hiện tượng đa cộng tuyến khi VIF > 10 (Nguyễn Minh Tuấn và cộng sự, 2015).
+ Kiểm định hiện tượng tự tương quan (Durbin- Watson) để kiểm định tương quan của các sai số kề nhau.
3.5.4 Phân tích ANOVA
Phương pháp kiểm định ANOVA
Phân tích kiểm định ANOVA được sử dụng để so sánh từ ba nhóm trở lên, là một công cụ nhằm kiểm định sự khác biệt giữa nhân tố phụ thuộc với đặc điểm nhóm khách hàng.
Trong bài nghiên cứu này tác giả sử dụng phương pháp phân tích kiểm định ANOVA một chiều (One-way ANOVA).
Các bước kiểm định phân tích ANOVA:
- Levene có giá trị Sig > 0,05 ta có thể nhận xét có sự khác nhau các phương sai dẫn đến kết quả phân tích ANOVA có thể sử dụng.
- ANOVA có mức giá trị < 0,05 thì có sự khác biệt. Nếu mức giá trị > 0,05 thì kết luận dữ liệu chưa đủ điều kiện để khẳng định có sự khác biệt.
Phân tích kiểm định T’test được sử dụng để so sánh hai nhóm. Là một công cụ kiểm định giả thuyết về trung bình tổng thể dựa trên 2 mẫu độc lập rút từ 2 tổng thể này.
Tiêu chuẩn kiểm định T’test:
- Nếu Levene có giá trị Sig < 0,05 thì phương sai giữa 2 nhóm đối tượng là khác nhau, lúc này ta sẽ sử dụng kết quả kiểm định t ở phần Equal variances not assumed.
- Nếu Levene có giá trị Sig >= 0,05 thì phương sai giữa 2 nhóm đối tượng là không khác nhau, lúc này ta sẽ sử dụng kết quả kiểm định t ở phần Equal variances assumed.
So sánh giá trị Sig của kiểm định t với xác suất 0,05: - Nếu Sig >= 0,05 thì ta chấp nhận giả thuyết Ho. - Nếu Sig < 0,05 thì ta bác bỏ giả thuyết Ho.
TÓM TẮT CHƯƠNG 3
Trong chương 3, tác giả đưa ra quy trình nghiên cứu trong quá trình làm đề tài. Tiếp theo tác giả trình bày các phương pháp thực hiện nghiên cứu theo hướng định tính và định lượng. Từ quá trình tham khảo ý kiến giảng viên tác giả đã khảo sát sơ bộ 30 mẫu để phân tích sơ bộ nhằm đưa ra bản câu hỏi chính thức với các biến phù hợp với mô hình. Ngoài ra trong chương này còn đề cập và giới thiệu đến phương pháp phân tích số liệu trong phần mềm SPSS.
CHƯƠNG 4 PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU