Chương 4 : Phương pháp nghiên cứu
4.4. Phương pháp phân tích dữ liệu
Sau khi thu thập, các bảng câu hỏi phỏng vấn được xem xét và loại đi những bảng không đạt yêu cầu. Tiếp theo, nghiên cứu sẽ mã hóa, nhập liệu và làm sạch dữ liệu. Sau đó, nghiên cứu sử dụng nhiều cơng cụ phân tích dữ liệu như thống kê mô tả, kiểm định thang đo bằng hệ số tin cậy Cronbach’s alpha và loại bỏ các biến có hệ số tương quan biến tổng nhỏ. Sử dụng phân tích nhân tố khám phá (EFA) loại bỏ các biến có thơng số nhỏ bằng cách kiểm tra các hệ số tải nhân tố (factor loading) và các phương sai trích được. Sau đó, sẽ kiểm tra độ thích hợp của mơ hình, xây dựng mơ hình hồi quy bội, kiểm định các giả thuyết.
4.4.1. Phân tích mơ tả
Phân tích mơ tả sử dụng các cơng cụ bảng tần số, biểu đồ, giá trị trung bình... để mơ tả các thuộc tính của mẫu như giới tính, tuổi, nghề nghiệp, thu nhập, trình độ học vấn... của những khách hàng được khảo sát nhằm xem xét tính đa dạng của mẫu nghiên cứu.
Mô tả dữ liệu thu thập theo giá trị trung bình cho các nhóm biến định lượng để rút ra những quan điểm đánh giá chung từ góc độ cảm nhận của khách hàng. Thang đo Likert 5 điểm được sử dụng trong nghiên cứu này. Kết quả mô tả dựa vào giá trị trung bình. Do đó, để thuận tiện cho việc nhận xét, tác giả dùng một số quy ước sau: [12]
- Mean < 3,00: Mức thấp (dưới trung bình). - Mean = 3,00 – 3,24: Mức trung bình.
- Mean = 3,25 – 3,49: Mức trung bình khá. - Mean = 3,50 – 3,74: Mức khá tốt hoặc khá cao. - Mean = 3,75 – 3,99: Mức tốt hoặc mức cao. - Mean > 4,00: Mức rất tốt hoặc rất cao.
4.4.2. Đánh giá độ tin cậy của thang đo và phân tích nhân tố khám phá EFA Sử dụng hệ số Cronbach’s alpha để kiểm tra độ tin cậy của các tham số ước lượng trong tập dữ liệu theo từng nhóm yếu tố trong mơ hình. Các biến có hệ số tương quan biến tổng (Corrected item total correlation) nhỏ hơn 0,3 sẽ bị loại và thang đo sẽ được chọn khi hệ số Cronbach’s alpha lớn hơn 0,6 (Nunnally & Bernstein, 1994).
Sau khi kiểm tra độ tin cậy của thang đo, toàn bộ các biến quan sát được đưa vào phân tích nhân tố khám phá (EFA). Phân tích nhân tố khám phá EFA được sử dụng để thu gọn các tham số ước lượng, nhận diện các yếu tố và chuẩn bị cho các phân tích tiếp theo. Một số tiêu chuẩn mà các nhà nghiên cứu cần quan tâm trong phân tích nhân tố khám phá (EFA) như sau:
- Chỉ số KMO dùng để xem xét sự thích hợp của EFA, phân tích nhân tố khám phá EFA thích hợp khi 0,5 ≤ KMO ≤ 1, cịn nếu chỉ số này có giá trị nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng 0 trong tổng thể, nếu kiểm định này có ý nghĩa thống kê (sig ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Mộng Ngọc, 2005, tr. 262).
- Theo Hair & cộng sự (1998), hệ số tải nhân tố là hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số này càng lớn cho biết các biến và nhân tố càng có quan hệ chặt chẽ với nhau, đây là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA.
- Nghiên cứu sử dụng phương pháp trích nhân tố Principal components nên các hệ số tải nhân tố phải có trọng số lớn hơn hoặc bằng 0,5 thì mới đạt yêu cầu. Các biến có hệ số tải nhân tố nhỏ hơn 0,5 sẽ bị loại khỏi mơ hình.
- Theo Gerbing và Anderson (1998), chỉ số Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Chỉ những nhân tố có hệ số Eigenvalue lớn hơn hoặc bằng 1 thì mới được giữ lại mơ hình phân tích. Những nhân tố có hệ số
Eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thông tin tốt hơn một biến gốc nên sẽ bị loại ra khỏi mơ hình.
- Thơng số phần trăm tổng phương sai trích: biểu thị sự biến thiên được giải thích bởi các nhân tố, thang đo được chấp nhận khi tổng phương sai trích của tất cả các nhân tố lớn hơn 50% (Gerbing & Anderson, 1988).
4.4.3. Phân tích tương quan
Người ta sử dụng một số thống kê có tên là hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nếu giữa 2 biến có sự tương quan chặt thì lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Trong phân tích tương quan Pearson, khơng có sự phân biệt giữa các biến độc lập và biến phụ thuộc mà tất cả đều được xem xét như nhau.
Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng tuyến là chúng cung cấp cho mơ hình những thơng tin rất giống nhau, và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Hiệu ứng khác của sự tương quan khá chặt giữa các biến độc
lập là nó làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm trị thống kê t
của kiểm định ý nghĩa của chúng nên các hệ số có khuynh hướng kém ý nghĩa hơn
khi khơng có đa cộng tuyến trong khi hệ số xác định R square vẫn khá cao. Để kiểm
định ảnh hưởng của đa cộng tuyến, hệ số phóng đại phương sai (VIF) được sử dụng. VIF càng gần 1 càng tốt và khơng q 2,5 thì khơng có hiện tượng đa cộng tuyến. 4.4.4. Phân tích hồi quy đa biến
Phân tích hồi quy là một kỹ thuật thống kê có thể sử dụng để phân tích mối quan hệ giữa một biến phụ thuộc và nhiều biến độc lập. Mục tiêu của việc phân tích hồi quy là sử dụng các biến độc lập có giá trị biết trước để dự báo một giá trị biến độc lập nào đó được chọn bởi người nghiên cứu. Khi chạy hồi quy cần quan tâm đến các thông số sau:
- Hệ số khẳng định R2 : đánh giá phần biến động của biến phụ thuộc được giải thích bởi các biến độc lập. Hệ số này có thể thay đổi từ 0-1. 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.
- Hệ số Beta: hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa hệ số
dựa trên mối quan hệ giải thích của chúng với biến phụ thuộc.
- Hằng số hồi quy b0: hằng số hồi quy thể hiện tác động của tất cả các biến dự
báo khác không được bao gồm trong mơ hình.
- Hằng số hồi quy bk: các hệ số này không chỉ thể hiện mối quan hệ giữa biến
độc lập và biến phụ thuộc mà còn giữa các biến độc lập với nhau.
- Kiểm định mức ý nghĩa của hệ số Beta: sử dụng trị thống kê t để kiểm tra
mức ý nghĩa của hệ số Beta. Nếu mức ý nghĩa của kiểm định nhỏ hơn 0,05 thì ta có thể kết luận hệ số Beta có ý nghĩa về mặt thống kê.
4.4.5. Dị tìm các vi phạm giả định cần thiết
Một số kiểm định nhằm đảm bảo mơ hình hồi quy tuyến tính được xây dựng là hợp lệ như kiểm tra biểu đồ phân tán phần dư, biểu đồ Q-Q plot để khảo sát phân phối của phần dư, kiểm định bằng phương pháp Durbin-Watson, kiểm tra hiện tượng đa cộng tuyến…