CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Mô tả dữ liệu nghiên cứu
3.4.2. Phương pháp xử lý số liệu
Dữ liệu thu về từ cuộc khảo sát sau khi trải qua các giai đoạn của quá trình chuẩn bị dữ liệu cụ thể lần lượt là kiểm tra, biên tập, mã hóa, nhập liệu và làm sạch dữ liệu sẽ được xử lý bằng phần mềm SPSS 28.0 với những phương pháp phân tích như sau:
3.4.2.1. Phân tích khác biệt trung bình One-Way ANOVA trong SPSS
Ở bảng Test of Homogeneity of Variances, ta xem xét giá trị Sig. của Levene Statistic:
- Trường hợp Sig ≥ 0,05 thì có thể nói phương sai giữa các lựa chọn của biến định tính khơng khác nhau và xem tiếp kết quả ở bảng ANOVA. Nếu sig ở bảng ANOVA < 0.05, chúng ta kết luận: Có sự khác biệt trung bình một cách có ý nghĩa thống kê giữa các nhóm giá trị (và ngược lại).
26
- Trường hợp Sig < 0,05, giả thuyết phương sai đồng nhất giữa các nhóm giá trị đã bị vi phạm, đối với trường hợp này, ta sẽ đi vào kiểm định Welch. Nếu sig kiểm định Welch ở bảng Robust Tests < 0,05, chúng ta kết luận: Có sự khác biệt trung bình một cách có ý nghĩa thống kê giữa các nhóm giá trị (và ngược lại).
3.4.2.2. Đánh giá độ tin cậy của thang đo
Hệ số Cronbach’s Alpha phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng một nhân tố mẹ. Nó cho biết biến nào đóng góp vào việc đo lường khái niệm nhân tố đó, từ đó giúp ta biết được rằng thang đo mình xây dựng có thể hiện tốt đặc điểm của nhân tố này hay khơng. Ngồi ra, nhóm cũng dựa vào hệ số Cronbach’s Alpha để chọn ra các biến phù hợp cho việc phân tích nhân tố khám phá (EFA) sau đó.
- Các tiêu chuẩn trong kiểm định Cronbach’s Alpha:
+ Hệ số tương quan biến tổng Corrected Item – Total Correlation ≥ 0,3; giúp loại ra những biến quan sát nào khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
+ Mức giá trị hệ số Cronbach’s Alpha:
Từ 0,8 đến gần bằng 1: thang đo lường rất tốt.
Từ 0,7 đến gần bằng 0,8: thang đo lường sử dụng tốt. Từ 0,6 trở lên: thang đo lường đủ điều kiện.
+ Cân nhắc loại bỏ các biến có Cronbach’s Alpha nếu loại biến (Cronbach’s Alpha if Item Deleted) lớn hơn Cronbach’s Alpha.
3.4.2.3. Phân tích nhân tố khám phá (EFA)
Sau khi kiểm định thang đo và loại bỏ các biến không đảm bảo độ tin cậy, các biến còn lại sẽ tiếp tục được xử lý bằng phương pháp phân tích nhân tố khám phá EFA. Phương pháp này giúp nhóm các biến có mối tương quan với nhau lớn hơn thành một nhân tố. Từ đó phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố ngay từ ban đầu.
- Các tiêu chí trong phân tích EFA:
+ Chỉ số KMO (Kaiser-Meyer-Olkin): 0,5 ≤ KMO ≤ 1, kiểm định sự thích hợp của phân tích nhân tố đối với tập dữ liệu nghiên cứu.
+ Kiểm định Bartlett (Bartlett’s test of sphericity): sig Bartlett’s Test < 0,05 cho thấy kiểm định cho có ý nghĩa thống kê. Điều đó có nghĩa là biến quan
27
sát trong nhân tố có tương quan với nhau do đó thỏa mãn điều kiện cần để áp dụng phân tích nhân tố.
+ Trị số Eigenvalue: Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mơ hình phân tích vì những thơng tin này có tác dụng tóm tắt thơng tin tốt hơn so với những nhân tố có Eigenvalue nhỏ hơn 1.
+ Tổng phương sai trích (Total Variance Explained) ≥ 50% để chứng tỏ mơ hình này phù hợp với dữ liệu phân tích (trị số này thể hiện các nhân tố được trích giải thích được bao nhiêu % sự biến thiên của các biến quan sát).
+ Hệ số tải nhân tố (Factor Loading): Giá trị biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
Cụ thể:
Factor Loading ở mức ± 0,3: Điều kiện tối thiểu để biến quan sát được giữ lại
Factor Loading ở mức ± 0,5: Biến quan sát có ý nghĩa thống kê tốt Factor Loading ở mức ± 0,7: Biến quan sát có ý nghĩa thống kê rất tốt
Nhóm nghiên cứu đã áp dụng hệ số tải ở mức 0.5 là biến quan sát đạt chất lượng tốt.
+ Các quy tắc để loại bỏ biến xấu trong phân tích EFA: Hệ số tải Factor Loading nhỏ hơn hệ số tải tiêu chuẩn
Tải lên 2 hay nhiều nhóm nhân tố và chênh lệch hệ số tải nhỏ hơn 0,3
Nằm tách biệt duy nhất ở một nhân tố
Sau khi phân tích EFA, nhóm kiểm định lại độ tin cậy thang đo này bằng hệ số Cronbach’s Alpha.
3.4.2.4. Phân tích hồi quy
Phân tích hồi quy được sử dụng để kiểm định mơ hình nghiên cứu và các giả thuyết kèm theo. Bên cạnh đó, hồi quy cũng giúp chúng ta dự đốn giá trị của một biến (ở đây là biến phụ thuộc) dựa trên giá trị của hai hoặc nhiều biến khác (các biến độc lập) cũng như xác định mức độ đóng góp nhiều, ít, khơng đóng góp... của từng nhân tố vào sự thay đổi của biến phụ thuộc.
- Các tiêu chí trong phân tích hồi quy:
28
+ Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square): Phản ánh mức độ giải thích biến phụ thuộc của các biến độc lập trong mơ hình hồi quy, trong đó giá trị R2 hiệu chỉnh phản ánh sát hơn so với giá trị R2. Mức dao động của hai giá trị này là từ 0 đến 1, càng gần 1 thì mơ hình càng có ý nghĩa và ngược lại, càng gần 0 thì mơ hình càng yếu.
+ Kiểm định F dùng để kiểm định độ phù hợp của mơ hình hồi quy. Nếu giá trị sig. kiểm định F < 0,05 thì ta có thể kết luận mơ hình hồi quy là phù hợp với tập dữ liệu và có thể sử dụng được.
+ Hệ số Durbin-Watson được sử dụng nhằm mục đích kiểm tra hiện tượng tự tương quan chuỗi bậc nhất. Thường giá trị của hệ số này nằm trong khoảng 1,5 - 2,5 sẽ không xảy ra hiện tượng tự tương quan (Yahua Qiao, 2011), đây cũng là mức giá trị tiêu chuẩn được sử dụng trong các bài nghiên cứu hiện nay.
+ Kiểm định t: Giá trị Sig. của kiểm định giúp kiểm định ý nghĩa của hệ số hồi quy. Nếu giá trị này nhỏ hơn 0,05, chứng tỏ biến độc lập đó có tác động lên biến phụ thuộc và ngược lại.
+ Đa cộng tuyến VIF: Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng đa cộng tuyến. Nếu VIF > 10 sẽ xảy ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Tuy nhiên thông thường, giá trị VIF thường được so sánh với 2. Nếu VIF < 2 thì khơng xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập (và ngược lại). Nếu hiện tượng đa cộng tuyến xảy ra, điều đó chứng tỏ giữa hai hay nhiều biến độc lập trong mơ hình hồi quy có mối tương quan cao do đó vi phạm giả định của mơ hình hồi quy tuyến tính. Điều này sẽ dẫn đến việc tạo ra các thông tin dư thừa, làm sai lệch kết quả của mơ hình hồi quy đa biến.
+ Đánh giá giả định hồi quy qua 3 biểu đồ:
Biểu đồ tần số phần dư chuẩn hóa Histogram Biểu đồ phần dư chuẩn hóa Normal P-P Plot Biểu đồ Scatter Plot
TÓM TẮT VÀ KẾT LUẬN CHƯƠNG 3
Trong chương 3, nhóm nghiên cứu đã trình bày phương pháp nghiên cứu được sử dụng cho đề tài của nhóm, cụ thể hơn là phương pháp nghiên cứu định tính và nghiên cứu định lượng. Nghiên cứu định tính được thực hiện bằng cách phỏng vấn sâu để từ đó giúp nhóm nghiên cứu có thể hiệu chỉnh lại thang đo, đồng thời khám phá ra những ý tưởng mới để bổ sung cho các biến trong thang đo và hoàn thiện bảng hỏi. Nghiên cứu định lượng được tiến hành qua hai lần,
29
lần thứ nhất được gửi cho 20 người nhằm giúp phát hiện các vấn đề mà phiếu khảo sát còn đang mắc phải. Lần thứ hai là nghiên cứu định lượng chính thức, các phiếu trả lời thu thập được sẽ được sử dụng để phân tích dữ liệu (kiểm định trung bình One-way ANOVA, kiểm tra độ tin cậy thang đo qua hệ số Cronbach’s Alpha, phân tích nhân tố khám phá EFA và phân tích hồi quy). Bên cạnh đó, tồn bộ q trình thực hiện cũng đã được tóm tắt qua hình 3.1. Quy trình nghiên cứu.
30