CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.5. Phương pháp phân tích dữ liệu
3.5.1. Kiểm tra làm sạch dữ liệu
Sau khi hoàn chỉnh điều tra, tác giả tiến hành kiểm tra rà soát dữ liệu. Những bảng câu hỏi chưa được trả lời đầy đủ hoặc theo cảm tính sẽ bị loại bỏ để kết quả phân tích khơng bị sai lệch. Sau khi nhập dữ liệu thô vào phần mềm Excel và làm sạch giữ liệu. Phần mềm SPSS 20.0 được sử dụng để phân tích dữ liệu, sử dụng bảng tần số để phát hiện những ô trống hoặc những giá trị trả lời không nằm trong thang đo, khi đó, cần kiểm tra lại bảng câu hỏi và hiệu chỉnh cho phù hợp.
3.5.2. Đánh giá độ tin cậy của thang đo (Cronbach's Alpha)
Trong nghiên cứu định lượng, việc đo lường các nhân tố lớn sẽ rất khó khăn và phức tạp, khơng thể chỉ sử dụng những thang đo đơn giản (chỉ dùng 1 câu hỏi quan sát đo
lường) mà phải sử dụng các thang đo chi tiết hơn (dùng nhiều câu hỏi quan sát để đo lường nhân tố) để hiểu rõ được tính chất của nhân tố lớn. Do vậy, cần phải có một cơng cụ giúp kiểm tra xem biến quan sát nào phù hợp, biến quan sát nào không phù hợp để đưa vào thang đo.
Kiểm định độ tin cậy thang đo Cronbach's Alpha là công cụ cần thiết. Phép kiểm định này phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng 1 nhân tố. Nó cho biết trong các biến quan sát của một nhân tố, biến nào đã đóng góp vào việc đo lường khái niệm nhân tố, biến nào không.
Hệ số Cronbach’S Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Hệ số Cronbach’s Alpha phải có giá trị từ 0,6 đến gần 1 thì mới đảm bảo các biến trong cùng một nhân tố có tương quan với nhau (Hồng Trọng và Chu Nguyễn Mộng Ngọc - 2008). Trong mỗi thang đo, hệ số tương quan biến tổng (corrected Item - total Correlation) thể hiện sự tương quan giữa một biến quan sát với tất cả các biến khác trong thang đo. Do đó, hệ số này càng cao thì sự tương quan các biến quan sát này với các biến khác trong than đo càng cao. Theo Nunnally và Burnstein(1994) các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 được xem là biến rác và bị lọai khỏi thang đo để tăng độ tin cậy của thang đo.
3.5.3. Phân tích nhân tố khám phá (EFA)
Sau khi đánh giá độ tin cậy của hệ số Cronbach's Alpha để loại đi các biến không đảm bảo độ tin cậy. Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
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.
Phân tích nhân tố EFA nhằm rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn (nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 1998).
Phân tích nhân tố khám phá được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
- Theo Hair và cộng sự (1998), Factor loading là chỉ tiêu đảm bảo mức ý nghĩa của EFA. Factor loading lớn hơn 0,3 là tối thiểu, lớn hơn 0,4 được xem là quan trọng, lớn hơn 0,5 được xem là có ý nghĩa thiết thực. Factor loading lớn nhất của các biến quan sát phải lớn hơn hoặc bằng 0,5.
- Kaiser-Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của EFA: 0,5≤KMO ≤ 1 thì phân tích nhân tố là thích hợp.
- Jabnoun và Al-Tamimi (2003) tiêu chuẩn khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố.
- Phương sai trích (cumulative % of variance): phần trăm biến thiên của các biến quan sát (hay dữ liệu) được giải thích bởi các nhân tố phải đảm bảo ≥ 50%.
- Phương pháp trích hệ số được sử dụng là Principal Component Analysis với phép xoay Varimax để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, và các nhân tố khơng có sự tương quan lẫn nhau.
- Xác định số nhân tố bằng phương pháp dựa vào eigenvalue (Determination based on eigenvalue): chỉ giữ lại những nhân tố có eigenvalue lớn hơn 1 trong mơ hình phân tích.
Sau khi phân tích EFA, các giả thuyết nghiên cứu được điều chỉnh lại theo các nhân tố mới. Phương pháp phân tích hồi quy tuyến tính bội sẽ được ứng dụng trong việc đánh giá mức độ ảnh hưởng của các nhân tố đến sự chấp nhận chính phủ điện tử.
3.5.4. Phân tích tương quan
Phân tích tương quan Pearson là một trong các bước cần thực hiện trong bài nghiên cứu sử dụng phân tích định lượng SPSS. Mục đích chạy tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập, vì điều kiện để hồi quy là trước nhất phải tương quan.
Phân tích tương quan Pearson phản ánh mối quan hệ tuyến tính giữa các cặp biến. Cặp biến không thỏa điều kiện tương quan Pearson sẽ xảy ra 2 trường hợp. Hoặc là cặp biến đó hồn tồn khơng có tương quan. Hoặc là cặp biến đó có mối quan hệ phi tuyến, sai số trong đo lường các biến… Các vấn đề này có thể dẫn đến tương quan chuỗi trong sai số và tương quan này gây ra tác động sai lệch nghiêm trọng đến mơ hình hồi quy tuyến tính (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Vì thế phải kiểm định xem có sự tự tương quan giữa các phần dư này không.
Để biết được biến phụ thuộc có tương quan tuyến tính với các biến độc lập, cũng như giữa các biến độc lập với nhau. Người ta sử dụng một số thống kê có tên là hệ số tương quan Pearson, ký hiệu: r (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Giá trị r nằm trong đoạn [-1 ÷ 1], giá trị tuyệt đối của r càng gần 1 thì tương quan tuyến tính là chặt chẽ và khi r = 0 thì khơng có mối liên hệ tương quan tuyến tính giữa biến phụ thuộc và các biến độc lập. Mặc khác, nếu giữa các biến độc lập cũng có tương quan lớn với nhau thì đó cũng là dấu hiệu cho biết giữa chúng có thể xảy ra hiện tượng đa cộng tuyến trong mơ hình hồi quy tuyến tính.
3.5.5. Phân tích hồi quy tuyến tính đa biến
Phân tích hồi qui đa biến: là một phương pháp được sử dụng dùng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Phương trình hồi qui tuyến tính đa biến có dạng:
Yi = β0 + β1X1i + β2X2i + β3X3i + … + βkXki + µi Trong đó:
- Yi: biến phụthuộc - Xk: các biến độc lập - β0: hằng số
- βk: các hệ số hồi quy
Mục đích của việc phân tích hồi quy là dự đốn mức độ của các biến phụ thuộc khi biết trước giá trị của biến độc lập (Hoàng Trọng và Mộng Ngọc 2008).
Hệ số xác định R2 điều 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 qui tắc R2 càng gần 1 thì mơ hình xây dựng càng thích hợp, R2 càng gần 0 mơ hình càng kém phù hợp với tập dữ liệu mẫu. Tuy nhiên, R2 có 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 huốn này R2 điều 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.
Kiểm định F trong phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mơ hình tuyến tính tổng thể. Nếu giả thuyết Ho 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.
Kiểm định Independent-samples T-test, và kiểm định One way ANOVA được dùng để xem xét ảnh hưởng của các biến liên quan đến đặc điểm cá nhân người khảo sát đến mức độ chấp nhận chung của người dân và một số phân tích khác.
- Kiểm định Independent Sample T-Test được áp dụng kiểm định sự khác biệt trung bình với trường hợp biến định tính có 2 giá trị.
- Kiểm định One way ANOVA giúp so sánh sự khác biệt trung bình với trường hợp biến định tính có 3 giá trị trở lên.
Tóm tắt dữ liệu được trình bày dưới dạng các tỷ lệ phần trăm, bảng hồi quy và số liệu để phác thảo các phát hiện liên quan đến ba câu hỏi nghiên cứu. Cuối cùng kết luận đã được rút ra và khuyến nghị thực hiện với hy vọng rằng cải thiện việc chấp nhận Chính phủ điện tử tại tỉnh.