CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Thiết kế nghiên cứu
3.5.2 Phương pháp phân tích dữ liệu
Các dữ liệu sau khi thu thập được tác giả gạn lọc, mã hóa và sử lý thông qua phần mềm SPSS 20. Các phương pháp thống kê được áp dụng cho việc phân tích số liệu gồm phân tích thống kê mô tả, kiểm định độ tin cậy thang đo (Cronbach’s Alpha) giá trị hội tụ và giá trị phân biệt của thang đo qua phân tích khám phá yếu tố (EFA), phân tích hồi quy tuyến tính. Bên cạnh đó phân tích đa nhóm và ANOVA, kiểm định giá trị trung bình của hai tổng thể độc lập Independent Sample T-test, phân tích hồi quy tuyến tính sẽ được thực hiện nhằm kiểm chứng các giả thuyết nghiên cứu.
3.5.2.1 Phương pháp thống kê mô tả (Descriptive Statistics)
Thực hiện thống kê mô tả nhằm mục đích thống kê được tần suất, phần trăm các thông tin cá nhân của khách hàng đánh giá để đánh giá được đặc điểm của người trả lời khảo sát và kiểm định sự khác biệt trong mức độ đánh giá của các nhóm. Ngoài ra, thống kê mô tả thể
hiện ý nghĩa của từng giá trị trung bình đối với thang đo khoảng cách được trình bày theo tiêu chuẩn như sau:
Từ 1 – < 1.5: Rất thấp Từ 1.5 – < 2.5: Thấp Từ 2.5 – < 3.5: Trung bình Từ 3.5 – < 4.5: Cao
Từ 4.5 – 5: Rất cao
Các thuộc tính của mẫu nghiên cứu: thông tin cá nhân của đối tượng được khảo sát như giới tính, thu nhập, năm học, số lần sử dụng mì ăn liền trên một tuần,…
3.5.2.2 Phương pháp kiểm định độ tin cậy của các thang đo (Cronbach’s Alpha)
Để đánh giá thang đo các khái niệm trong nghiên cứu cần kiểm tra độ tin cậy, độ giá trị của thang đo. Hệ số Cronbach’s Alpha dùng để kiểm định thống kê về mức độ chặt chẽ của các mục hỏi trong thang đo có sự tin cậy và tương quan trong giữa các biến quan sát trong thang đo. Nó cho biết sự chặt chẽ và thống nhất trong các câu trả lời nhằm đảm bảo người được hỏi đã hiểu cùng một khái niệm. Dựa vào hệ số Cronbach’s Alpha if Item Deleted để giúp đánh giá loại bỏ bớt biến quan sát nhằm nâng cao hệ số tin cậy Cronbach’s cho khái niệm cần đo. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích yếu tố EFA nhằm loại ra các biến không phù hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007). Tiêu chuẩn lựa chọn Cronbach’s Alpha ở mức từ 0.6 trở lên vì bộ phận thang đo đó đạt yêu cầu trong sử dụng. Hệ số tương quan biến tổng (Corrected Item – Total Correlation) nhỏ hơn 0.3 được xem là biến rác và sẽ loại khỏi mô hình nghiên cứu. Quy tắc đánh giá thang đo: Cronbach’s Alpha từ 0.6 đến 0.7: chấp nhận được với các nghiên cứu mới; Cronbach’s Alpha từ 0.7 đến 0.8: chấp nhận được; Cronbach’s Alpha từ 0.8 đến 0.95: tốt; Cronbach’s Alpha ≥ 0.95: Chấp nhận được nhưng không tốt, nên xem xét các biến quan sát có thể có hiện tượng trùng biến (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Ngoài ra hệ số tương quan biến - tổng dùng để kiểm tra mối tương quan chặt chẽ giữa các biến cùng đo lường một khái niệm nghiên cứu. Nếu một biến có hệ số tương quan biến – tổng ≥ 0.3 thì biến đó đạt yêu cầu
(Hair et al, 1998). Do đó căn cứ vào các tiêu chuẩn trên tác giả kiểm định thang đo bằng phần mềm SPSS 20 chỉ giữ lại biến có hệ số Cronbach’s Alpha từ 0.6 và tương quan biến – tổng ≥0.3 được xem là chấp nhận và thích hợp đưa vào phân tích những bước tiếp theo.
3.5.2.3 Phân tích yếu tố khám phá EFA
Sau khi các yếu tố được kiểm định độ tin cậy bằng Cronbach’s Alpha sẽ được tiếp tục phân tích yếu tố khám phá (EFA – Exploratory Factor Analysis). Phân tích yếu tố khám phá (EFA) là kỹ thuật được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu. Phân tích yếu tố khám phá phát huy tính hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng như rất cần thiết trong việc tìm mối quan hệ giữa các biến với nhau. Phân tích EFA thường được dùng trong quá trình xây dựng các thang đo của các khái niệm nghiên cứu và dùng để kiểm tra tính đơn hướng của thang đo bằng việc rút trích các yếu tố trong toàn bộ các biến quan sát. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008)
Khi phân tích yếu tố, có các tiêu chuẩn cần quan tâm là: Hệ số KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) thể hiện phân tích yếu tố phù hợp. Kiểm định Bartlett (Bartlett’s test) có ý nghĩa thống kê (sig. ≤0.05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể. Hệ số tải yếu tố (Factor Loading) được đưa ra ở mức 0.5 là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA. Tổng phương sai trích (Total Varicance Explained) phải đạt giá trị từ 50% trở lên (Hair et al, 1998). Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi yếu tố) > 1 thì yếu tố rút ra có ý nghĩa tóm tắt thông tin tốt nhất, với những yếu tố có Eigenvalue < 1 sẽ bị loại khỏi mô hình nghiên cứu (Hair et al, 1998). Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên 100% thì giá trị này cho biết phân tích yếu tố giải thích được bao nhiêu %.
Sau phân tích khám phá yếu tố dựa trên dữ liệu thực tế tác giả tiến hành đặt lại tên cho các yếu tố hình thành, điều chỉnh mô hình và giả thuyết nghiên cứu ban đầu cho phù hợp với dữ liệu thực tế.
3.5.2.4 Phân tích tương quan Pearson
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. (Tách hồi
quy và peason ra mục riêng ).Mục đích 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 Sig. 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.
3.5.2.5 Phân tích hồi quy tuyến tính
Tác giả sử dụng hồi quy đa biến để phân tích mối quan hệ của nhiều biến độc lập với một biến phụ thuộc. Khi sử dụng hồi quy đa biến các tham số cần được chú ý:
Hệ số R2 hiệu chỉnh (Adjustted coefficient of determination): Dùng để đo lường phần phương sai của biến phụ thuộc, được giải thích bởi các biến độc lập có tính đến số lượng biến phụ thuộc và cỡ mẫu.
Kiểm định độ phù hợp của mô hình: Sử dụng thống kê F (Fishter) để kiểm định mức ý nghĩa thống kê của mô hình. Đặt giả thuyết H0 “các hệ số β trong mô hình đều bằng 0”. Nếu mức kiểm định nhỏ hơn 0.05 thì ta có thể bác bỏ giả thuyết H0, nghĩa là mô hình phù hợp với dữ liệu đang khảo sát.
Hệ số hồi quy chuẩn hóa: Hệ số β (Standardized eta Conficent) giúp cho việc so sánh một cách trực tiếp về mức độ tác động của các biến độc lập lên biến phụ thuộc.
Kiểm định mức ý nghĩa của hệ số β: Sử dụng thống kê T để kiểm định mức ý nghĩa của hệ số β. Nếu mức ý nghĩa của kiểm định nhỏ hơn 0.05 thì ta có thể kết luận rằng hệ số β có ý nghĩa về mặt thống kê.
Kiểm định đa cộng tuyến: một mô hình hồi quy tuyến tính có phù hợp với tập dữ liệu hay không có ý nghĩa là mô hình đó có hay không có hiện tượng đa cộng tuyến. Hiện tượng đa cộng tuyến là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và có quan hệ gần như tuyến tính, nghĩa là nó sẽ cung cấp cho chương trình những thông tin trùng lắp về sự ảnh hưởng của biến độc lập đến biến phụ thuộc. Có hai phương pháp để đo lường đa cộng tuyến như sau:
Tính độ chấp nhận của biến (Tolerance): Độ chấp nhận của biến càng nhỏ thì dấu hiệu có đa cộng tuyến càng sâu.
Hệ số phóng đại phương sai (VIF): Khi hệ số VIF lớn hơn hoặc bằng 10 nghĩa là có hiện tượng đa cộng tuyến. Kiểm định giả định hồi quy của mô hình: giúp xác định giả thuyết phân phối chuẩn có bị vi phạm hay không. Nếu giá trị trung bình Mean = 0 và giá trị Std.dev sấp xỉ bằng 1 thì mô hình không bị vi phạm phân phối chuẩn. Đồng thời xem xét đồ thị phân tán phần dư để xác định có yếu tố tiềm ẩn ảnh hưởng đến biến phụ thuộc hay không.
3.5.2.6 Kiểm đinh trung bình (ANOVA, T-test)
ANOVA là tên gọi tắt của các phương pháp phân tích phương sai được sử dụng để so sánh trung bình từ ba đám đông trở lên. Mô hình ANOVA sử dụng phổ biến để so sánh các đám đông với dữ liệu khảo sát đặc biệt là dữ liệu thử nghiệm. Ở kiểm định này nhằm kiểm định sự khác biệt giữa các biến định tính với biến định lượng, ví dụ như có sự khác biệt về ý định lựa chọn mì ăn liền giữa các đối tượng (giới tính, năm học, mặt hàng…) hay không. Nếu như biến định tính chỉ có hai giá trị thì chúng ta dùng T-test để kiểm tra, có ba giá trị trở lên thì dùng ANOVA. Các điều kiện khi phân tích ANOVA:
Kiểm định Levene: dùng kiểm định phương sai bằng nhau hay không giữa các nhóm. Đặt giả thuyết H0: “Phương sai bằng nhau”. Nếu Sig. ≤ 0.05: bác bỏ H0. Ngược lại Sig. > 0.05: chấp nhận H0. Đủ điều kiện để phân tích tiếp ANOVA
Kiểm định ANOVA: Nếu Sig. > 0.05 thì chưa đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm. Nếu Sig. ≤ 0.05 đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm. Kiểm định sự khác biệt hay không khác biệt giữa giới tính và quyết định mua. Bằng việc đặt ra giả thuyết và thực hiện kiểm định. Sau đó ta xem giá trị Sig để đưa ra kết luận về giả thuyết đã đặt ra.