3.2.1. Phƣơng pháp thống kê mô tả
Thống kê mơ tả là q trình thu thập, tổng hợp và sử lý dữ liệu để biến đổi dữ liệu thành thông tin . Thống kê mô tả được sử dụng để mơ tả những đặc tính cơ bản của dữ liệu hu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mơ tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các phương pháp cơ bản của mô tả dữ liệu (Sternstein, Martin 1996). Có rất nhiều kỹ thuật hay được sử dụng. Có thể phân loại các kỹ thuật này như sau:
- Thu thập dữ liệu: Khảo sát, đo đạt .... - Biểu diễn dữ liệu: Dùng bảng và đồ thị
- Tổng hợp dữ liệu: tính các tham số mẫu như trung bình mẫu, phương sai mẫu, trung vị....
3.2.2. Kiểm định độ tin cậy của thang đo
Để kiểm định độ tin cậy của thang đo tác giả đã tính tốn hệ số Cronbach’s Alpha và hệ số tương quan biến tổng thể. Nhiều nhà nghiên cứu đồng ý rằng hệ số
Cronbach Alpha từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Hoàng Trọng - Chu Nguyễn Mộng Ngọc, 2008). Vì vậy đối với nghiên cứu này thì Cronbach Alpha từ 0.6 trở lên là sử dụng được.
Hệ số tương quan biến tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein(1994), hệ số tương quan các biến sẽ có các mức độ phân loại như sau:
- ±0.01 đến ±0.1: Mối tương quan quá thấp, không đáng kể - ±0.2 đến ±0.3 : Mối tương quan thấp
- ±0.4 đến ±0.5: Mối tương quan trung bình - ±0.6 đến ±0.7: Mối tương quan cao
- ±0.8 trở lên: Mối tương quan rất cao
Trong đó các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác và sẽ bị loại khỏi thang đo.
3.2.3. Phân tích các nhân tố khám phá
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998). Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng như tìm ra các mối quan hệ giữa các biến với nhau. Phép phân tích nhân tố của các khái niệm nghiên cứu được xem xét để cung cấp bằng chứng về giá trị phân biệt và giá trị hội tụ của thang đo. Mức độ thích hợp của tương quan nội tại các biến quan sát trong khái niệm nghiên cứu được thể hiện bằng hệ số KMO (Kaiser – Mever – Olkin). Trị số KMO
lớn ( giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, cịn nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu. Người phân tích sẽ xem các biến quan sát trong mỗi nhân tố là những biến nào, có ý nghĩa là gì, và cũng cần dựa trên lý thuyết … từ đó đặt tên lại cho nhân tố nếu như có những phát sinh khác với giải thiết ban đầu. Tên này cần đại diện được cho các biến quan sát của nhân tố
Đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Bartletts Test of Sphericity trong phân tích khám phá dùng để xem xét sự thích hợp của phân tích nhân tố. Rút trích nhân tố đại diện bằng các biến quan sát được thực hiện với phép quay Varimax và phương pháp trích nhân tố Principle components. Các thành phần với giá trị Eigenvalue lớn hơn 1 và tổng phương sai trích bằng hoặc lớn hơn 50% được xem như những nhân tố đại diện các biến. Hệ số tải nhân tố (Factor loading) biểu diễn các tương quan đơn giữa các biến và các nhân tố bằng hoặc lớn 0.5 mới có ý nghĩa.
Từ kết quả phân tích nhân tố khám phá, tác giả sẽ xem xét lại mơ hình nghiên cứu giả thiết, cân nhắc việc liệu có phải điều chỉnh mơ hình hay khơng, thêm, bớt các nhân tố hoặc các giá trị quan sát của các nhân tố hay không?
3.2.4. Phân tích hồi quy tuyến tính và kiểm định giả thuyết.
Hồi quy bội (hay còn gọi là hồi quy đa/nhiều biến) sử dụng để nghiên cứu mối liên hệ giữa một biến với nhiều biến khác. Hồi quy tuyến tính bội thường được dùng để kiểm định và giải thích lý thuyết nhân quả (Cooper và Schindler, 2003). Ngoài chức năng là cơng cụ mơ tả, hồi quy tuyến tính bội được sử dụng như cơng cụ kết luận để kiểm định các giả thuyết và dự báo các giá trị của tổng thể nghiên cứu.
Như vậy, đối với nghiên cứu này, hồi quy tuyến tính bội là phương pháp thích hợp để kiểm định các giả thuyết nghiên cứu. Khi giải thích về phương trình hồi quy, tác giả đã lưu ý hiện tượng đa cộng tuyến. Các biến mà có sự đa cộng tuyến cao có thể làm bóp méo kết quả làm kết quả khơng ổn định và khơng có tính tổng qt hóa. Nhiều vấn đề rắc rối nảy sinh khi hiện tượng đa cơng tuyến nghiêm trọng tồn tại, ví
dụ nó có thể làm tăng sai số trong tính tốn hệ số beta, tạo ra hệ số hồi quy có dấu ngược với những gì nhà nghiên cứu mong đợi và kết quả T-test khơng có ý nghĩa thống kê đáng kể trong khi kết quả F-test tổng qt cho mơ hình lại có ý nghĩa thống kê. Các bước trong ứng dụng phân tích hồi quy:
- Bước 1: Xem xét tài liệu, phát triển mơ hình lý thuyết và đưa ra giả thuyết. - Bước 2: Lựa chọn biến độc lập và đề xuất dạng hàm.
- Bước 3: Thu thập dữ liệu.
- Bước 4: Đưa ra giả thuyết về những dấu hiệu dự đốn các hệ số của phương trình hồi quy.
- Bước 5: Ước lượng và đánh giá mơ hình.
Độ chấp nhận (Tolerance) thường được sử dụng đo lường hiện tượng đa cộng tuyến. Nguyên tắc nếu độ chấp nhận của một biến nhỏ thì nó gần như là một kết hợp tuyến tính của các biến độc lập khá và đó là dấu hiệu của đa cộng tuyến.
Tiếp đến, phân tích hồi quy tuyến tính đa biến bằng phương pháp bình phương nhỏ nhất thông thường (Ordinal Least Squares – OLS) cũng được thực hiện, trong đó biến phụ thuộc là sự hài lòng của khách hàng , biến độc lập dự kiến sẽ là các nhân tố tác động đến sự hài lòng của khách hàng khi sử dụng dịch vụ đã được trình bày ở phần mơ hình nghiên cứu.
Phương pháp lựa chọn biến Enter/ Remove được tiến hành. Hệ số xác định R2
điều chỉnh được dùng để xác định độ phù hợp của mơ hình, kiểm định F dùng để khẳng định khả năng mở rộng mơ hình này áp dụng cho tổng thể cũng như kiểm định t để bác bỏ giả thuyết các hệ số hồi quy của tổng thể bằng 0.
Cuối cùng, nhằm đảm bảo độ tin cậy của phương trình hồi quy được xây dựng cuối cùng là phù hợp, một loạt các dị tìm sự vi phạm của giả định cần thiết trong hồi quy tuyến tính cũng được thực hiện. Các giả định được kiểm định trong phần này gồm liên hệ tuyến tính (dùng biểu đồ phân tán Scatterplot), phương sai của phần dư không đổi (dùng hệ số tương quan hạng Spearman), phân phối chuẩn của
phần dư (dùng Histogram và Q-Q plot), tính độc lập của phần dư (dùng đại lượng thống kê Durbin-Watson), hiện tượng đa cộng tuyến (tính độ chấp nhận Tolerance và hệ số phóng đại VIF).