CHƢƠNG 3 : THIẾT KẾ NGHIÊN CỨU
3.4. NGHIÊN CỨU CHÍNH THỨC
3.4.3. Phƣơng pháp phân tích dữ liệu
3.4.3.1. Đánh giá sơ bộ thang đo
Bao gồm đánh giá độ tin cậy và giá trị các thang đo bằng phƣơng pháp hệ số tin cậy Cronbach‟s alpha và phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) thông qua phần mềm xử lý SPSS 20.0 để sàng lọc, lo i bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác). Trong đ :
Cronbach‟s 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 thông qua hệ số Cronbach‟s alpha. Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005, tr. 257, 258) cùng nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach‟s alpha c giá trị từ 0,8 trở l n đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng đƣợc. Song, cũng c nhiều nhà nghiên cứu (ví dụ: Nunally 1978, Peterson 1994, Slater 1995) đề nghị hệ số Cronbach‟s alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang nghi n cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu4.
3 Nếu các chỉ số này hầu hết đƣợc phân bố trong khoảng [-1, +1], chứng tỏ các biến đo lƣờng có phân phối xấp xỉ phân phối chuẩn.
Tuy nhiên, theo Nunnally & ctg (1994), hệ số Cronbach‟s alpha không cho biết biến nào nên lo i bỏ và biến nào nên giữ l i. Bởi vậy, bên c nh hệ số Cronbach‟s alpha, ngƣời ta còn sử dụng hệ số tƣơng quan biến tổng (iterm - total correlation) và những biến nào c tƣơng quan biến tổng < 0,3 sẽ bị lo i bỏ. Song, theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang (2011, tr. 353, 354), việc lo i bỏ hay không một biến quan sát khơng chỉ đơn thuần nhìn vào con số thống kê mà còn phải xem xét giá trị nội dung của khái niệm. Theo đ , trong trƣờng hợp thang đo đáp ứng tiêu chuẩn Cronbach‟s alpha và nếu lo i bỏ biến c tƣơng quan biến tổng < 0,3 dẫn đến vi ph m giá trị nội dung (các biến quan sát còn l i khơng cịn bao phủ đầy đủ nội hàm của khái niệm) thì khơng nên lo i biến đ .
Phân tích nhân tố khám phá (EFA) là thuộc nh m phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không c biến phụ thuộc và biến độc lập mà dựa vào mối tƣơng quan giữa các biến, đƣợc sử dụng phổ biến để đánh giá giá trị thang đo tính đơn hƣớng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố đƣợc ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lƣờng các thuộc tính của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
- Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đ , giả thuyết H0 (các biến không c tƣơng quan với nhau trong tổng thể) bị bác bỏ và do đ EFA đƣợc gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0,05. Trƣờng hợp KMO < 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2005, tr. 262).
- Tiêu chuẩn rút trích nhân tố gồm chỉ số Engenvalue đ i diện cho lƣợng biến thi n đƣợc giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phƣơng sai trích cho biết phân tích nhân tố giải thích đƣợc bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing & Anderson (1988), các nhân tố có Engenvalue < 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trƣớc khi EFA). Vì thế, các nhân tố chỉ đƣợc rút trích t i Engenvalue > 1 và đƣợc
chấp nhận khi tổng phƣơng sai trích ≥ 50%. Tuy nhi n, trị số Engenvalue và phƣơng sai trích là bao nhi u cịn phụ thuộc vào phƣơng pháp trích và phép xoay nhân tố. Theo Gerbing & Anderson 1988), phƣơng pháp trích Principal Axis Factoring với phép xoay Promax Oblique) c phƣơng sai trích bé hơn, song sẽ phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp trích Principal components với phép xoay Varimax. Ngoài ra, trƣờng hợp các biến có trọng số tải nhân tố (Factor loading) đƣợc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thƣờng không chấp nhận < 0,3), tức không t o nên sự khác biệt để đ i diện cho một nhân tố, thì biến đ cũng bị lo i và các biến cịn l i sẽ đƣợc nhóm vào nhân tố tƣơng ứng đã đƣợc rút trích trên ma trận mẫu (Pattern Matrix).
Tuy nhi n, cũng nhƣ trong phân tích Cronbach‟s alpha, việc lo i bỏ hay không một biến quan sát không chỉ dựa vào trọng số tải nhân tố mà còn phải xem xét giá trị nội dung của biến đ . Trƣờng hợp biến có trọng số tải nhân tố thấp hoặc đƣợc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ, nhƣng c đ ng g p quan trọng vào giá trị nội dung của khái niệm mà n đo lƣờng thì khơng nhất thiết lo i bỏ biến đ Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011, tr. 402, 403).
Trong nghiên cứu này, tác giả sử dụng phƣơng pháp trích Principal Axis Factoring với phép xoay Promax; lo i bỏ các biến quan sát có trị số Factor loading ≤ 0,5 hoặc trích vào các nhân tố khác mà chênh lệch trọng số Factor loading giữa các nhân tố ≤ 0,3 theo ti u chuẩn của Gerbing & Anderson (1988).
3.4.3.2. Phân tích hồi qui
Q trình phân tích hồi qui đƣợc thực hiện qua các bƣớc:
Bước 1: Kiểm tra tƣơng quan giữa biến các biến độc lập với nhau và với biến
phụ thuộc thông qua ma trận hệ số tƣơng quan. Theo đ , điều kiện để phân tích hồi qui là phải c tƣơng quan giữa các biến độc lập với nhau và với biến phụ thuộc. Tuy nhiên, theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005, tr. 258), khi hệ số tƣơng quan < 0,85 thì c khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tƣơng quan > 0,85 thì cần xem xét vai trị của các biến độc lập, vì có thể
xảy ra hiện tƣợng đa cộng tuyến (một biến độc lập này c đƣợc giải thích bằng một biến khác).
Bước 2: Kiểm định mơ hình hồi qui và các giả thuyết nghiên cứu
Y = β1X1+β2X2+ β3X3+ β4X4+...+ βkXk Đƣợc thực hiện thông qua các thủ tục:
- Lựa chọn các biến đƣa vào mơ hình hồi qui (tác giả sử dụng phƣơng pháp Enter - SPSS xử lý tất cả các biến đƣa vào cùng một lƣợt).
- Đánh giá độ phù hợp của mơ hình bằng hệ số xác định R2 (R Square). Tuy nhiên, R2 c đặc điểm càng tăng khi đƣa th m các biến độc lập vào mơ hình, mặc dù khơng phải mơ hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế, R2 điều chỉnh Adjusted R Square) c đặc điểm không phụ thuộc vào số lƣợng biến đƣa th m vào mơ hình đƣợc sử dụng thay thế R2 để đánh giá mức độ phù hợp của mơ hình hồi qui bội.
- Kiểm định độ phù hợp của mơ hình để lựa chọn mơ hình tối ƣu bằng cách sử dụng phƣơng pháp phân tích ANOVA để kiểm định giả thuyết H0: (khơng có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập β1=β2=β3=βK= 0).
Nếu trị thống kê F có Sig rất nhỏ (< 0,05), thì giả thuyết H0 bị bác bỏ, khi đ chúng ta kết luận tập hợp của các biến độc lập trong mơ hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mơ hình đƣợc xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng đƣợc.
- Xác định các hệ số của phƣơng trình hồi qui, đ là các hệ số hồi qui riêng phần βk: đo lƣờng sự thay đổi trung bình của biến phụ thuộc khi biến độc lập Xk thay đổi một đơn vị, trong khi các biến độc lập khác đƣợc giữ nguyên. Tuy nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lƣờng của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không c ý nghĩa. Do đ , để có thể so sánh các hệ số hồi qui với nhau, từ đ xác định tầm quan trong (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, ngƣời ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lƣờng độ lệnh chuẩn beta.
Bước 3: Kiểm tra vi phạm các giả định hồi qui
Mơ hình hồi qui đƣợc xem là phù hợp với tổng thể nghiên cứu khi không vi ph m các giả định. Vì thế, sau khi xây dựng đƣợc phƣơng trình hồi qui, cần phải kiểm tra các vi ph m giả định cần thiết sau đây:
- Có liên hệ tuyến tính gữa các biến độc lập với biến phụ thuộc - Phần dƣ của biến phụ thuộc có phân phối chuẩn
- Phƣơng sai của sai số không đổi
- Không c tƣơng quan giữa các phần dƣ tính độc lập của các sai số)
- Khơng c tƣơng quan giữa các biến độc lập (khơng có hiện tƣợng đa cộng tuyến).
Trong đó:
- Cơng cụ để kiểm tra giả định liên hệ tuyến tính là đồ thị phân tán phần dƣ chuẩn hóa (Scatter) biểu thị tƣơng quan giữa giá trị phần dƣ chuẩn hóa (Standardized Residual) và giá trị dự đốn chuẩn hóa (Standardized Pridicted Value).
- Công cụ để kiểm tra giả định phần dƣ c phân phối chuẩn là đồ thị tần số Histogram, hoặc đồ thị tần số P-P plot.
- Công cụ để kiểm tra giả định sai số của biến phụ thuộc c phƣơng sai không đổi là đồ thị phân tán của phần dƣ và giá trị dự đoán hoặc kiểm định Spearman‟s rho.
- Công cụ đƣợc sử dụng để kiểm tra giả định không c tƣơng quan giữa các phần dƣ là đ i lƣợng thống kê d (Durbin - Watson), hoặc đồ thị phân tán phần dƣ chuẩn hóa (Scatter).
- Cơng cụ đƣợc sử dụng để phát hiện tồn t i hiện tƣợng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số ph ng đ i phƣơng sai Variance inflation factor - VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr.217, 218), qui tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến; trong khi đ , theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2011, tr.497), khi VIF > 2 cần phải cẩn trọng hiện tƣợng đa cộng tuyến.
Tóm tắt chương 3
Chƣơng này trình bày phƣơng pháp nghi n cứu đƣợc thực hiện qua 2 giai đo n là nghiên cứu sơ bộ và chính thức. Kết quả nghiên cứu sơ bộ là một nghiên cứu định tính khẳng định mơ hình lý thuyết đề xuất trong chƣơng 2 phản ánh các thành phần chính của hình ảnh điểm đến tác động đến lòng trung thành khách du lịch - áp dụng cho trƣờng hợp TP. HCM, đồng thời phát triển thang đo các thành phần này và lòng trung thành của du khách gồm 38 biến. Nghiên cứu chính thức là một nghiên cứu định lƣợng, mẫu nghiên cứu đƣợc chọn bằng phƣơng pháp lấy mẫu thuận tiện. Kích thƣớc mẫu dự kiến là 360 đƣợc thu thập bằng hình thức phỏng vấn bằng bảng câu hỏi, hoặc email. Q trình phân tích dữ liệu gồm các giai đo n:
- Đánh sơ bộ các thang đo bằng Cronbach alpha và phân tích nhân tố khám phá (EFA).
- Phân tích hồi qui tuyến tính bội đƣợc sử dụng để kiểm định mơ hình nghiên cứu và các giả thuyết nghiên cứu.
Toàn bộ quá trình phân tích dữ liệu sử dụng phần mềm SPSS 20.0. Kết quả phân tích dữ liệu nghiên cứu sẽ đƣợc trình bày trong chƣơng 4 tiếp theo.