CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.3 Phương pháp phân tích dữ liệu
3.3.1 Đánh giá sơ bộ:
Để đánh giá phân tích độ tin cậy của thang đo, chúng ta sử dụng phương pháp kiểm định thông qua hệ số Cronbach’s Alpha. “Sử dụng phương pháp hệ số tin
cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến khơng phù hợp vì các biến rác này có thể tạo ra các yếu tố giả” (Nguyễn Đình Thọ & Nguyễn
Thị Mai Trang, 2009). “Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường
có liên kết với nhau hay khơng; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính tốn hệ số tương quan giữa biến- tổng sẽ giúp loại ra những biến quan sát nào khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo” (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Theo nhiều nghiên cứu trước cũng đồng tình cho rằng với mức giá trị Alpha trên 0.8 là thang đo tốt, từ 0.6 trở lên là sử dụng được. Giá trị Alpha càng cao thì độ tin cậy càng cao, tuy nhiên nếu giá trị quá lớn (>0.95) sẽ làm xuất hiện tình trạng đa cộng tuyến, nhiều biến trong thang đo khơng khác biệt. Ngồi ra, các biến có hệ số tương quan biến-tổng nhỏ hơn 0.3 sẽ bị loại bỏ.
3.3.2. Phân tích nhân tố khám phá EFA:
Sau khi sử dụng phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo, chúng ta tiến hành phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) giúp đánh giá hai loại giá trị quan trọng là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là khơng có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau. Chúng ta sử dụng các chỉ số sau:
+ Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): dùng để xem xét giả thuyết các biến có tương quan với nhau khơng. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
+ Kiểm định KMO (Kaiser – Meyer - Olkin): dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng phần của chúng. Để sử dụng phân tích nhân tố EFA thì hệ số KMO phải lớn hơn 0.5, nếu KMO nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu đang nghiên cứu. Theo Kaiser (1974) đề nghị, KMO >= 0.9 rất tốt; 0.8 <= KMO < 0.9 tốt; 0.7 <= KMO <0. 8 được; 0.6 <= KMO <0.7 tạm được; 0.5 <= KMO <0.6 xấu; KMO <0.5 không chấp nhận.
+ Trị số Eigenvalue là một tiêu chí dùng để xác định số nhân tố giữ lại trong mơ hình phân tích EFA. Chỉ những nhân tố có Eigenvalue > 1 mới được giữ lại trong phân tích.
+ Tổng phương sai trích >50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
+ Hệ số tải nhân tố (Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA, giá trị này biểu thị mối quan hệ giữa biên quan sát với nhân tố với hệ số càng cao thì tương quan càng lớn và ngược lại. Hệ số tải nhân tố lớn hơn 0.3 được xem là đạt mức tối thiểu, lớn hơn 0.4 được xem là quan trọng và trên 0.5 được xem là có ý nghĩa thực tiễn. Tuy nhiên hệ số này còn phụ thuộc vào số lượng mẫu quan sát (kích thước mẫu), từng kích thước mẫu khác nhau sẽ có mức trọng số nhân tố khác nhau để biến quan sát có ý nghĩa thông kê. Trong nghiên cứu này, tác giả sử dụng dữ liệu có 150 mẫu quan sát nên sẽ chọn mức hệ số tải nhân tố là 0.5.
3.3.3. Phân tích ma trận tương quan (Pearson):
Sau khi tiến hành kiểm định phân tích EFA, bước tiếp theo chính là tạo biến đại diện cho mỗi nhóm nhân tố và tiến hành phân tích tương quan (correlation), hồi quy (regression).
Trước khi thực hiện kiểm tra hồi qui mơ hình thì cần tiến hành phân tích tương quan giữa các nhân tố độc lập với nhân tố phụ thuộc. Từ đó chúng ta sẽ chọn những nhân tố độc lập thực sự có tương quan với nhân tố phụ thuộc và đưa những nhân tố đó vào hồi quy.
Hệ số tương quan Pearson đo lường mức độ tương quan tuyến tính giữa hai biến. Về nguyên tắc, tương quan Pearson sẽ tìm ra một đường thẳng phù hợp nhất với mối quan hệ tuyến tính của 2 biến. Hệ số tương quan Pearson (r) sẽ nhận giá trị từ +1 đến -1. Điều kiện để tương quan có ý nghĩa là giá trị sig. <0.05
+ r < 0 cho biết một sự tương quan nghịch giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm giảm giá trị của biến kia.
+ r=0 cho thấy khơng có sự tương quan.
+ r > 0 cho biết một sự tương quan thuận giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm tăng giá trị của biến kia.
3.3.4. Hồi quy đa biến:
Trong sử dụng phần mềm SPSS, sau khi sử dụng các phân tích như hệ số tin cậy Cronbach’s Alpha, phân tích nhân tố EFA, phân tích ma trận tương quan để loại các biến khộng phù hợp và sắp xếp các biến độc lập thỏa mãn điều kiện hồi quy, chúng ta sẽ tiến hành hồi quy để xác định trọng số của các nhân tố độc lập tác động lên nhân tố phụ thuộc.
Kết quả của phương pháp hồi quy sẽ giúp chúng ta đưa ra được phương trình hồi quy của bài nghiên cứu, trong đó thể hiện được mức độ ảnh hưởng của từng nhân tố độc lập đến nhân tố phụ thuộc.
Trong hồi quy đa biến chúng ta cần chú ý đến các giá trị sau:
+ Hệ số xác định R2 và R2 điều chỉnh được dùng để đánh giá mức độ phù hợp của mơ hình, nó phản ánh mức độ biến độc lập được giải thích bởi biến phụ thuộc.
+ Giá trị sig của kiểm định F nhỏ hơn 0.05 là điều kiện để xác định mơ hình hồi quy phù hợp tập dữ liệu, có thể sử dụng.
+ Giá trị sig của kiểm định t của biến độc lập nhỏ hơn 0.05 thì biến đó có tác động đến biến phụ thuộc. Mỗi biến độc lập sẽ có giá trị kiểm định t riêng.
+ Hệ số phóng đại phương sai VIF được xem xét để đánh giá có hiện tượng đa cộng tuyến xảy ra không. Hệ số VIF lớn hơn 10 sẽ xảy ra hiện tượng đa cộng tuyến, tuy nhiên theo Nguyễn Đình Thọ (2011) thì VIF lớn hơn 2 thì khả năng có thể xảy ra đa cộng tuyến.
+ Sau khi xem xét các hệ số để đánh giá mơ hình, chúng ta sẽ dựa vào các hệ số tác động Coefficients để đưa ra phương trình hồi quy cũng như so sánh mức độ ảnh hưởng của các biến độc lập đến biến phụ thuộc.
Tóm tắt Chương 3:
Trong chương 3, tác giả trình bày về phương pháp nghiên cứu của luận văn gồm nghiên cứu định tính và nghiên cứu định lượng. Trong đó dựa vào các nghiên cứu trước cũng như phỏng vấn chuyên sâu để thiết kế thang đo cũng như điều chỉnh thang đo. Từ thang đo này tác giả lựa chọn khảo sát ngẫu nhiên với mẫu có kích thước là 150 đơn vị. Bên cạnh đó tác giả cũng trình bày về các phương pháp phân tích sẽ được sử dụng đối với dữ liệu khảo sát thông qua phần mềm SPSS 20.