Hình thức thu thập dữ liệu Số lượng phát hành Số lượng phản hồi Tỷ lệ phản hồi
Mẫu còn lại sau khi làm sạch dữ liệu theo điều
kiện gạn lọc Tỷ lệ mẫu được làm sạch so với mẫu thu thập In và gửi Phiếu khảo sát trực tiếp 150 123 82% 55 44,7% Gửi thư điện tử-
Email (Google Forms) 252 166 66% 124 74,7% Khảo sát online (Google Forms) trên mạng xã hội Facebook Không giới hạn số lượng 29 - 21 72,4% Tổng cộng >402 318 79% 200 62,8%
Nguồn: Thống kê và tổng hợp của tác giả Dữ liệu được thu thập từ 02 cách thức là trực tiếp và gián tiếp. Với cách gửi phiếu khảo sát trực tiếp thì tỷ lệ phản hồi khá cao (82%) do tác giả lấy mẫu theo phương pháp thuận tiện và có sự tương tác trực tiếp với nhóm đối tượng được khảo sát là các học viên cao học Trường Đại học Kinh tế TP. Hồ Chí Minh, tuy nhiên, số lượng phiếu có câu trả lời bị thiếu sót chiếm một phần, phần khác là đa số các học viên được khảo sát làm việc tại các doanh nghiệp thuộc lĩnh vực thương mại và dịch vụ, vì vậy, số lượng mẫu bị loại bỏ tương đối nhiều sau khi làm sạch dữ liệu theo điều kiện gạn lọc của tác giả. Với cách gửi phiếu khảo sát gián tiếp trực tuyến qua
mạng xã hội Facebook (phương pháp phát triển mầm)) thì khả năng nhận được phản hồi thấp hơn so với cách gửi trực tiếp, một trong những lý do điển hình cho việc các đối tượng khảo sát khơng phản hồi là sự tham gia khảo sát khơng phù hợp với chính sách bảo mật của công ty họ hoặc là họ quá bận rộn cho những nhiệm vụ ưu tiên khác. Điều bất ngờ tác giả thống kê được là số lượng mẫu bị loại bỏ khá thấp, nghĩa là với cách thức gửi Email trực tiếp đến gần đúng đối tượng mà tác giả mong đợi thì chất lượng dữ liệu là khá cao, việc thu thập dữ liệu được thực hiện tự động và khơng có trường hợp phiếu trống do tác giả cài đặt các trường thông tin bắt buộc, hơn nữa, những người phản hồi qua Email và chủ động thực hiện khảo sát trên mạng xã hội là các đối tượng thực sự quan tâm đến vấn đề nghiên cứu của tác giả, khi đó họ sẵn sàng dành nhiều thời gian hơn cho việc trả lời các câu hỏi. Kết quả cho tỷ lệ mẫu còn lại sau làm sạch so với mẫu thu thập được khá cao (> 70%).
Dữ liệu 200 mẫu còn lại cuối cùng (Phụ lục 5) sau khi được làm sạch dữ liệu theo điều kiện gạn lọc sẽ được tác giả mã hóa, nhập liệu vào Excel và xử lý, phân tích bằng cơng cụ phần mềm SPSS 22.
3.3.4 Giới thiệu các kỹ thuật kiểm định, định lượng và tiêu chuẩn kỹ thuật trong kiểm định, định lượng trong kiểm định, định lượng
3.3.4.1 Giới thiệu về phân tích thống kê mơ tả
Kỹ thuật thống kê mô tả được sử dụng để mơ tả những đặc tính cơ bản của dữ liệu thu thập được từ khảo sát như về chức vụ của người trả lời, số năm hoạt động, loại hình doanh nghiệp, quy mơ doanh nghiệp và lĩnh vực hoạt động chính của doanh nghiệp khảo sát. Đồng thời, kết quả phân tích thể hiện được các giá trị trung bình, giá trị lớn nhất, giá trị nhỏ nhất và độ lệch chuẩn của các biến quan sát.
3.3.4.2 Giới thiệu về kiểm định và đánh giá thang đo
Thang đo là một tập hợp các biến quan sát để đo lường khái niệm nghiên cứu. Thang đo có giá trị khi nó đo lường được theo mục đích tác giả đặt ra. Tính chất quan trọng của một thang đo là độ tin cậy và giá trị, được đo lường qua hai phương pháp phân tích phổ biến là hệ số Cronbach’s alpha và nhân tố khám phá EFA (Exploratory Analysis).
❖ Đánh giá độ tin cậy của thang đo qua hệ số Cronbach’s alpha:
Theo Nguyễn Đình Thọ (2013), Cronbach’s alpha là hệ số được ứng dụng phổ biến nhất khi đánh giá độ tin cậy của những thang đo đa biến (bao gồm từ 3 biến quan sát trở lên), nó đo lường tính nhất qn của các biến quan sát trong cùng một thang đo để đo lường cùng một khái niệm, qua đó các biến quan sát khơng phù hợp sẽ bị loại bỏ. Theo Nunnally và Bernstein (1994) trích trong Nguyễn Đình Thọ (2013), kiểm định Cronbach’s alpha: thang đo được đánh giá là sử dụng được và tốt đòi hỏi thỏa mãn đồng thời điều kiện:
[1] Hệ số Cronbach’s alpha của tổng thể α ≥ 0,6. Cụ thể:
✓ α > 0,8 thì độ tin cậy của thang đo là tốt (tuy nhiên hệ số α ≥ 0,95 cho thấy có nhiều biến trong thang đo khơng có khác biệt gì với nhau);
✓ Từ 0,7 đến 0,8 là sử dụng được;
✓ Từ 0,6 đến gần 0,7 là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu.
[2] Hệ số tương quan biến - tổng hiệu chỉnh (corrected item - total correlation) r ≥ 0,3. Bởi vì hệ số Cronbach’s alpha chỉ đo lường độ tin cậy của thang đo chứ khơng tính được độ tin cậy của từng biến quan sát hay cho biết biến đo lường nào cần được bỏ đi hay giữ lại. Vì vậy mà cần xem xét đến hệ số tương quan biến - tổng. Đây là là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Hệ số này càng cao thì sự tương quan giữa biến với các biến khác trong nhóm càng cao. Những biến quan sát có hệ số tương quan biến tổng < 0,3 sẽ được coi là biến rác và cần loại bỏ ra khỏi mơ hình do khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo.
[3] Hệ số Cronbach’s alpha khi loại biến quan sát phải nhỏ hơn hệ số Cronbach’s alpha của tổng thể.
❖ Đánh giá giá trị của thang đo qua phân tích nhân tố khám phá EFA (Exploratory Factor Analysis):
Đây là một trong những phương pháp phân tích thống kê nhằm mục đích kiểm tra và xác định lại các nhóm biến trong mơ hình nghiên cứu. Phân tích 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, trên cơ sở đó rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa nhưng vẫn chứa đựng hầu hết thông tin của tập biến ban đầu. Do vậy phải đưa tất cả biến quan sát đo lường các khái niệm vào phân tích EFA cùng một lúc. Theo Nguyễn Đình Thọ (2013), điều kiện để phân tích EFA là:
[1] Kiểm định KMO (Kaiser-Meyer-Olkin): Trị số KMO là chỉ số để so sánh
độ lớn của hệ số tương quan giữa hai biến đo lường với độ lớn của hệ số tương quan từng phần của chúng. Để sử dụng EFA, điều kiện 0,5 ≤ KMO < 1 thì phân tích nhân tố là thích hợp với dữ liệu thực tế.
[2] Kiểm định Bartlett: Đại lượng Bartlett để xem xét tính tương quan giữa
các biến quan sát trong một thang đo. Xét giả thuyết Ho: mức tương quan giữa các biến quan sát bằng 0. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05), nghĩa là độ tin cậy ≥ 95% thì các biến quan sát có tương quan trong mỗi nhân tố, chúng ta bác bỏ giả thuyết Ho.
Sau khi kiểm định mối tương quan giữa các biến đo lường, tác giả xem xét đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt bằng EFA, bao gồm:
[3] Số lượng nhân tố trích: Nghiên cứu sử dụng phép trích nhân tố là
Principal Component Analsyis (PCA) với phép quay vng góc Varimax và điểm dừng (dừng ở nhân tố thứ mấy) khi trích các nhân tố có Eigenvalue ≥ 1.
[4] Tổng phương sai trích TVE của các nhân tố: Thể hiện các nhân tố trích
được bao nhiêu phần trăm của các biến đo lường. Tiêu chuẩn được chấp nhận là TVE > 50%. Thỏa điều kiện này, mơ hình EFA là phù hợp.
[5] Hệ số tải nhân tố (Factor loading): Đây là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải > 0.3 được xem là đạt mức tối thiểu; > 0,4 được xem là quan trọng; ≥ 0,5 được xem là có ý nghĩa thực tiễn. Nghiên cứu này tác giả sẽ loại dần các biến có hệ số tải < 0.5 vì nó thực sự khơng đo lường được khái niệm cần đo lường. Thỏa điều kiện này, thang đo đạt giá trị hội tụ. Tuy nhiên, vấn đề loại
bỏ biến cần chú ý đến giá trị nội dung của biến đó đóng góp vào giá trị nội dung của khái niệm nó đo lường. Đồng thời, sự khác biệt giữa hệ số tải nhân tố của một biến lên các nhân tố phải > 0.3 để đảm bảo giá trị phân biệt.
Các biến quan sát đảm bảo thỏa bốn điều kiện: Kiểm định Cronbach’s alpha, kiểm định KMO, kiểm định Bartlett, phương sai trích của các nhân tố sẽ được chấp nhận. Nếu các biến quan sát nào không thỏa mãn các điều kiện kiểm định sẽ bị loại ra, mơ hình tiếp tục thực hiện quy trình kiểm định các biến quan sát cịn lại. Bước cuối cùng chỉ còn lại các biến quan sát thỏa điều kiện kiểm định.
3.3.4.3 Giới thiệu phân tích hồi quy bội
Sau khi đánh giá và loại đi các biến không đảm bảo độ tin cậy của thang đo thông qua hệ số Cronbach’s alpha và rút trích được các nhân tố từ phân tích EFA, tác giả tiến hành phân tích hồi quy bội nhằm chỉ ra mối quan hệ tuyến tính giữa các biến cũng như xác định mối quan hệ giữa các biến độc lập và biến phụ thuộc. Kết quả hồi quy dùng để dự báo giá trị của biến phụ thuộc theo giá trị của biến độc lập.
❖ Phân tích tương quan Pearson:
Đầu tiên, phân tích tương quan được sử dụng để kiểm định mối tương quan tuyến tính giữa các biến trong mơ hình (giữa biến phụ thuộc với từng biến độc lập; và giữa các biến độc lập với nhau). Hệ số tương quan Pearson được tính tốn để biết hướng tương quan (thuận hay nghịch) cũng như độ lớn của tương quan tuyến tính giữa hai biến, giá trị tuyệt đối của hệ số càng gần 1 thì tương quan giữa hai biến càng chặt chẽ, nếu nhỏ hơn 0,3 thì mối quan hệ lỏng lẻo.
❖ Kiểm định các giả định của mơ hình hồi quy:
Các kết luận dựa trên hàm hồi quy tuyến tính thu được chỉ có ý nghĩa khi hàm hồi quy đó phù hợp với dữ liệu mẫu và các hệ số hồi quy khác 0 có ý nghĩa, đồng thời, các giả định của hàm hồi quy tuyến tính cổ điển về phương sai, tính độc lập của phần dư... được đảm bảo. Sự chấp nhận và diễn dịch kết quả hồi quy không thể tách rời các giả định cần thiết của mơ hình hồi quy. Nếu các giả định bị vi phạm, thì các kết quả ước lượng khơng đáng tin cậy nữa (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Vì vậy, trước khi phân tích kết quả hồi quy, tác giả thực hiện
kiểm định các giả định của hàm hồi quy tuyến tính cổ điển, gồm các giả định sau:
✓ Khơng có hiện tượng đa cộng tuyến.
✓ Phương sai của phần dư không đổi.
✓ Các phần dư ước lượng có phân phối chuẩn.
[1] Giả định khơng có hiện tượng đa cộng tuyến: Đa cộng tuyến là hiện tượng các biến độc lập trong mơ hình hồi quy bội có mối quan hệ tuyến tính với nhau, tức là chúng phụ thuộc lẫn nhau và được biểu hiện dưới dạng hàm số. Hiện tượng đa cộng tuyến sẽ làm cho các ước lượng khơng cịn chính xác vì giá trị kiểm định “t” khơng có ý nghĩa, dấu của các hệ số hồi quy có thể sai, sai số chuẩn của các hệ số lớn, chỉ cần thay đổi nhỏ trong mẫu dữ liệu sẽ kéo theo sự thay đổi lớn của các hệ số ước lượng (do các biến độc lập tương quan mạnh với nhau). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), dấu hiệu nhận dạng hiện tượng đa cộng tuyến thông qua:
- Dung sai của biến (Tolerance) nhỏ.
- Hệ số phóng đại phương sai VIF (Variance inflation factor) ≥ 10 (Hair et al., 2006 trích trong Nguyễn Đình Thọ, 2013). Thực tế, VIF là nghịch đảo của độ chấp nhận, độ chấp nhận nhỏ thì VIF lớn.
[2] Giả định phương sai của phần dư không đổi: Kiểm tra giả định liên hệ
tuyến tính giữa các biến độc lập với biến phụ thuộc thông qua đồ thị phân tán Scatterplot cho phần dư chuẩn hóa (Standardized residual) và giá trị dự đốn chuẩn hóa (Standardized predicted value).
[3] Giả định các phần dư ước lượng có phân phối chuẩn: Phần dư có thể
khơng tn theo phân phối chuẩn vì nhiều lý do: sử dụng sai mơ hình, phương sai biến đổi, số lượng phần dư không đủ lớn để phân tích… (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Vì vậy, sử dụng nhiều cách kiểm định khác nhau để đảm bảo tính xác đáng của kiểm định. Các kiểm định phân phối chuẩn của phần dư như biểu đồ tần số của phần dư chuẩn hoá -Histogram, biểu đồ tần số Q-Q, biểu đồ P-P Plot, kiểm định Kolmogrow 1 mẫu. Điều kiện để kết luận phần dư ước lượng có phân phối chuẩn: giá trị trung bình Mean gần bằng 0, độ lệch chuẩn gần bằng 1.
❖ Kiểm định độ phù hợp và ý nghĩa hệ số hồi quy của mơ hình hồi quy:
Nghiên cứu thực hiện hồi quy đa biến theo phương pháp Enter, tức là đưa tất cả biến vào một lượt và xem xét kết quả thống kê liên quan đến các biến được đưa vào mơ hình.
[1] Kiểm định sự phù hợp của mơ hình hồi quy với dữ liệu mẫu thơng qua hệ số xác định R2 hiệu chỉnh (Adjusted coefficient of determination): Hầu như khơng có hàm hồi quy nào phù hợp hồn tồn với tập dữ liệu, vẫn ln có sai lệch giữa các giá trị dự báo và các giá trị thực tế (thể hiện qua phần dư). R2 hiệu chỉnh được dùng để đo lường phương sai của biến phụ thuộc được giải thích bởi biến độc lập có tính đến số lượng biến độc lập và cỡ mẫu. Hệ số càng cao, độ chính xác của mơ hình càng lớn và khả năng dự báo của các biến độc lập càng chính xác.
[2] Kiểm định sự phù hợp của mơ hình hồi quy tổng thể qua kiểm định F trong phân tích phương sai ANOVA: Mục tiêu của kiểm định F là kiểm định giả
thuyết Ho: tất cả các biến độc lập khơng có mối tương quan tuyến tính với biến phụ thuộc (hệ số hồi quy Beta của các biến độc lập đều bằng 0). Điều kiện bác bỏ Ho là giá trị “Sig.” của trị thống kê F nhỏ hơn 5%. Khi đó, mơ hình hồi quy phù hợp với tập dữ liệu khảo sát để mô tả mối quan hệ giữa biến độc lập và biến phụ thuộc trong tổng thể.
[3] Kiểm định ý nghĩa của các hệ số hồi quy và tầm quan trọng của các biến trong mơ hình: Hệ số hồi quy riêng B phản ánh mức độ thay đổi của biến phụ
thuộc khi biến độc lập tương ứng thay đổi một đơn vị, trong điều kiện các biến độc lập khác không thay đổi. Mức phù hợp của hệ số hồi quy riêng được kiểm định thông qua kiểm định t với giả thuyết Ho: hệ số hồi quy riêng bằng 0. Giá trị “Sig.” trong kiểm định t nhỏ hơn 5% chứng tỏ hệ số hồi quy riêng của biến độc lập có ý nghĩa thống kê, nghĩa là trên tổng thể, sự thay đổi của biến độc lập có ảnh hưởng đến biến phụ thuộc.
Hệ số Beta (Standarlized Beta Coefficient) thu được trong phương trình hồi quy tuyến tính sẽ đại diện cho mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc. Biến độc lập nào có hệ số Beta càng lớn thì càng có ảnh hưởng mạnh
đến biến phụ thuộc so với các biến độc lập khác.
KẾT LUẬN CHƯƠNG 3
Chương 3 đã trình bày các phương pháp thực hiện nghiên cứu. Mở đầu bằng việc xây dựng khung nghiên cứu và sơ đồ hóa tồn bộ quy trình nghiên cứu của luận văn. Mơ hình nghiên cứu cũng đã được xây dựng với 8 giả thuyết nghiên cứu lớn. Như đã trình bày, nghiên cứu được thực hiện thơng qua 02 giai đoạn: sơ bộ và chính thức. Nghiên cứu định tính sơ bộ bằng hình thức thảo luận xin ý kiến chuyên gia về nội dung được chuẩn bị trước dựa trên thang đo gốc có sẵn. Nội dung thảo