TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH
3.4 Phương pháp phân tích dữ liệu
Sau khi thu thập, toàn bộ dữ liệu khảo sát sẽ được nhập vào dưới dạng tập tin Excel và phần mềm xử lý số liệu SPSS 23.0 được sử dụng để xử lý và phân tích số
liệu thơng qua các phân tích sau: thống kê mơ tả, đánh giá độ tin cậy của các thang đo, phân tích nhân tố khám phá và phân tích hồi qui. Cụ thể gồm các bước sau:
(1). Lập bảng tần số để mơ tả mẫu thu thập theo các thuộc tính.
Nội dung bảng tần số bao gồm giới tính, tuổi và khối lớp học của học sinh tham gia khảo sát.
(2). Đánh giá thang đo
Việc đánh giá sơ bộ độ tin cậy với giá trị của thang đo được thực hiện bằng phương pháp hệ số tin cậy Cronbach Alpha và phân tích nhân tố khám phá EFA thông qua phần mềm xử lý SPSS 23.0 để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác).
▪ Cronbach Alpha:
Cronbach Alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) trong thang đo thơng qua hệ số Cronbach Alpha. Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008), nhiều nhà nghiên cứu đồng ý rằng hệ số Cronbach Alpha có giá trị từ 0,8 trở lên đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng được. Cũng có nhiều nhà nghiên cứu (ví dụ: Nunally, 1978; Peterson, 1994; Slater, 1995) đề nghị hệ số Cronbach Alpha từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu. Tuy nhiên, Cronbach Alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Vì vậy, bên cạnh hệ số Cronbach Alpha, người ta còn sử dụng hệ số tương quan biến tổng (item –total correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ (Nunnally and Burnstein, 1994 trích trong Nguyễn Đình Thọ, 2011). Với nghiên cứu này, tác giả sẽ giữ lại thang đo có trị số Cronbach Alpha 0,6 và loại các biến quan sát có tương quan biến tổng < 0,3.
▪ Phân tích nhân tố khám phá EFA:
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là khơng có biến phụ thuộc và biến độc lập mà nó dựa vào mối
tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F< k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát.
Phân tích nhân tố sẽ được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm bằng Độ giá trị hội tụ (convergence validity) đồng thời đo lường độ giá trị phân biệt giúp đảm bảo sự khác biệt, khơng có mối quan hệ tương quan gữa các yếu tố sử dụng để đo lường các nhân tố bằng Độ giá trị phân biệt (discriminant validity). Hệ số tải nhân tố phải ≥ 0,5 mới đạt giá trị hội tụ, nhưng theo J. F. Hair và cộng sự (1998) với mẫu lớn hơn 350 hệ số tải (factor loading) lớn hơn hoặc bằng 0,3 là đạt giá trị hội tụ và hệ số tải của nhân tố này lớn hơn hệ số tải của nhân tố khác cho thấy tính đảm bảo độ giá trị phân biệt. Phương pháp trích “Principal Component Analysis” được sử dụng kèm với phép quay “Varimax”. Điểm dừng trích khi các yếu tố có “Initial Eigenvalues”>1. Trong nghiên cứu của mình, tác giả tuân thủ các nguyên tắc: hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0,5 và mức ý nghĩa kiểm định Barlett ≤ 0,05; hệ số tải nhân tố (factor loading) ≥ 0,5; thang đo chỉ đươc chấp nhận khi tổng phương sai trích ≥ 50% và hệ số eigenvalue ≥ 1. Sự khác biệt của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố.
(3) Thống kê mô tả
Dùng để mơ tả giá trị trung bình, sai số chuẩn, kích cỡ mẫu của các biến đo lường các nhân tố.
(4) Xây dựng mơ hình hồi quy tuyến tính
Mơ hình hồi qui đa biến được sử dụng dùng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Ở nghiên cứu này tác giả sẽ thực hiện: Kiểm định các giả định của mơ hình hồi qui và Phân tích hồi qui.
▪ Kiểm định các giả thiết của mơ hình hồi qui:
Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008), sự chấp nhận và diễn dịch kết quả hồi qui không thể tách rời các giả định cần thiết và sự chẩn đoán về sự
vi phạm các giả định. Nếu các giả định bị vi phạm, thì các kết quả ước lượng được khơng đáng tin cậy nữa. Vì thế, để đảm bảo sự diễn dịch từ kết quả hồi qui của mẫu cho tổng thể có giá trị, ta sẽ tiến hành kiểm định các giả định của hàm hồi qui, bao gồm: Liên hệ tuyến tính; Phương sai của sai số không đổi; Phân phối chuẩn của phần dư; Tính độc lập của sai số; Khơng có hiện tượng đa cộng tuyến.
Đánh giá độ phù hợp của mơ hình hồi qui tuyến tính bằng hệ số xác định R2điều chỉnh: Hệ số xác định tỉ lệ biến thiên của biến phụ thuộc được giải thích bởi biến độc lập trong mơ hình hồi qui. Đó cũng là thơng số đo lường độ thích hợp của đường hồi qui theo nguyên tắc R2càng gần 1 thì mơ hình xây dựng càng thích hợp. R2càng gần 0 mơ hình càng kém phù hợp với tập dữ liệu mẫu. Tuy nhiên, R2có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mơ hình đối với dữ liệu trong trường hợp có hơn 1 biến giải thích trong mơ hình. Trong tình huống này R2điều chỉnh (Adjusted R square) được sử dụng để phản ánh sát hơn mức độ phù hợp của mơ hình tuyến tính đa biến vì nó khơng phụ thuộc vào độ lệch phóng đại của R2 (Nguyễn Đình Thọ, 2011).
Kiểm định độ phù hợp của mơ hình: Kiểm định F trong phân tích phương sai là một phép kiểm định giả thiết về độ phù hợp của mơ hình tuyến tính tổng thể. Nếu giả thiết H0 của kiểm định F bị bác bỏ thì có thể kết luận mơ hình hồi qui tuyến tính đa biến phù hợp với tập dữ liệu và có thể sử dụng được (Nguyễn Đình Thọ, 2011).