7. Kết cấu của luận văn
2.3. Các phương pháp phân tích dữ liệu
Các phương pháp phân tích số liệu sử dụng trong nghiên cứu này được trình bày trong bảng 2.1.
Bảng 2.1. Các phương pháp phân tích số liệu
STT Phương pháp Nội dung
1. Cronbach alpha Mục đích:
- Đánh giá độ tin cậy của thang đo, độ giá trị hội tụ
- Loại bỏ biến rác có thể gây ra ảnh hưởng không tốt đến kết quả phân tích nhân tố khám phá (EFA) ở bước tiếp theo.
Yêu cầu:
- Hệ số Cronbach tối thiểu phải có giá trị lớn hơn 0.6, trên 0.8 là thang đo lường tốt (nếu lớn hơn 0.95 không tốt vì các biến đo lường hầu như là một).
- Hệ số tương quan với biến tổng phải lớn hơn 0.3 (nếu nhỏ hơn 0.3 được xem là biến rác, cần loại bỏ ra khỏi thang đo) (Nguyễn Đình Thọ, 2007).
2. Phân tích nhân tố khám phá (EFA)
Mục đích:
- Rút gọn nhân tố
- Điều chỉnh lại mô hình lý thuyết
Yêu cầu:
- Loại các biến có hệ số tải nhân tố nhỏ (Factor loading > 0.3 được xem đạt mức tối thiểu, > 0.4 được xem là quan trọng, ≥ 0.5 được xem là có ý nghĩa thực tiễn, độ lớn của hệ số này còn phù hợp với kích thước mẫu)
- Chênh lệch hệ số tải của một biến ở các nhân tố phải lớn hơn 0.3.
(có nghĩa các biến có tương quan khác 0)
- Hệ số KMO: phải lớn hơn 0.5 (có nghĩa việc sử dụng phân tích nhân tố là phù hợp)
- Phương sai trích được phải lớn hơn 0.5
- Nên dùng phương pháp quay Promax để đạt cấu trúc dữ liệu chính xác hơn. (Barbara M. Byrne).
3. Phân tích tương quan Mục đích:
- Xác định mối quan hệ phụ thuộc giữa các biến số và mức độ phụ thuộc của quan hệ đó ra sao
- Dự đoán hiện tượng đa cộng tuyến.
Yêu cầu:
- Hệ số tương quan r lớn. Nếu r nằm trong khoảng từ 0.75 – 1.00: Quan hệ dương rất mạnh; 0.50 – 0.74: Quan hệ dương mạnh; 0.25 – 0.49: Quan hệ dương trung bình; 0.00 – 0.24: Quan hệ dương yếu; 0.00 – -0.24: Quan hệ âm yếu; -0.25 – -0.49: Quan hệ âm trung bình; - 0.50 – -0.74: Quan hệ âm mạnh và
-0.75 – -1.00: Quan hệ âm rất mạnh.
- Hệ số tương quan r phải khác không có ý nghĩa thống kê ở mức 5% (sig.t < 0.05).
4. Phân tích hồi qui đa biến Mục đích:
- Sử dụng để mô tả đặc điểm quan hệ giữa các biến số độc lập với biến phụ thuộc
- Xác định các biến số ảnh hưởng và mức độ ảnh hưởng của các biến số độc lập lên biến số phụ thuộc.
Yêu cầu:
- Kiểm tra R2, kiểm định ANOVA, kiểm tra hệ số hồi qui, kết quả kiểm định
- Kiểm tra giả thuyết của phân tích hồi qui: + Đa cộng tuyến (hệ số VIF): nhỏ hơn 2
+ Tự tương quan trong phần dư: đại lượng thống kê DW.
+ Phần dư có phân phối chuẩn: kiểm tra biểu đồ phân phối phần dư, biểu đồ P-P plot.
+ Phương sai không đổi: vẽ mối liên hệ giữa biến phụ thuộc và phần dư, thực hiện phân tích hồi qui biến dự báo và phần dư (Hoàng Trọng & ctg, 2008).
5. Phân tích ANOVA Mục đích:
- Kiểm định ảnh hưởng của của các biến số nhân khẩu học (biến độc lập) đối với sự thỏa mãn công việc (biến phụ thuộc).
Yêu cầu:
- Kiểm tra điều kiện tiến hành phân tích nhân tố: 1) Mẫu độc lập; 2) Cỡ mẫu đủ lớn; 3) phương sai của các nhóm phải đồng nhất (không thay đổi).
Nguồn: Tổng hợp của tác giả.