3.4.1. Đối với nghiên cứu định tính
Đối. với nghiên cứu định tính, dựa trên file ghi âm q trình thảo luận, tác giả
sẽ tiến hành tổng hợp lại ý kiến và nhận định của các đáp viên trong các nhóm phỏng vấn và đánh giá các kết quả nghiên cứu thơng qua việc phân tích các bảng thơng tin đã được tổng hợp. Những thông tin đánh giá mức độ ảnh hưởng của các nhân tố của
các đáp viên được tổng hợp sẽ được tác giả sử dụng thống kê mô tả để thu được các kết quả nghiên cứu.
3.4.2. Đối với nghiên cứu định lượng
3.4.2.1. Thống kê mô tả
Thống kê mô tả (Descriptive Statistics) là các hệ số mô tả ngắn gọn hay tóm tắt một tập dữ liệu nhất định, có thể là đại diện cho toàn bộ hoặc một mẫu của một tổng thể.
Thống kê mô tả được chia thành thống kê trung bình và thống kê tần số:
Thống kê tần số: thường áp dụng cho các biến định tính, trong nghiên cứu này
các biến về đặc điểm nhân khẩu học giới tính, tuổi, vị trí cơng tác, …gồm các cột
Frequency (Thể hiện tần số của từng nhóm), Percent (Tỷ lệ phần trăm của từng nhóm), Valid Percent (Tỉ lệ phần trăm hợp lệ) và Culmulative Percent (Phần trăm cộng dồn).
Kết quả thống kê tần số giúp chúng ta đánh giá được cơ cấu của từng biến định tính.
Thống kê trung bình: Được dùng để đánh giá khái quát về nhận định của đối
tượng khảo sát với các câu hỏi định lượng Likert với 5 mức độ. Trong bảng thống kê
trung bình gồm các cột: Cột N (Cỡ mẫu nghiên cứu), Minimum (Giá trị nhỏ nhất của biến), Maximum (Giá trị lớn nhất của biến), Mean (Giá trị trung bình của biến), Std. Deviation (Độ lệch chuẩn của biến). Thống kê trung bình chỉ dừng lại là mô tả khái quát mức đánh giá của đối tượng khảo sát ở mức điểm bao nhiêu trên thang đo được
sử dụng.
3.4.2.2. Hệ số tin cậy Cronbach’s Alpha
Tác giả tiến hành đánh giá độ tin cậy của thang đo các nhân tố qua hệ số tin cậy Cronbach’s Alpha cho từng nhóm biến quan sát thuộc các nhân tố khác nhau. Đánh giá
độ tin cậy để loại các biến rác (là những biến chúng ta nghĩ rằng có thể đo lường được
khái niệm nhưng thực chất nó khơng có quan hệ gì với biến đo lường khác). Hệ số
Cronbach’s Alpha sẽ có giá trị biến thiên trong đoạn [0,1]. Hệ số Cronbach’s Alpha càng cao, độ tin cậy của thang đo càng lớn. Theo Hoàng & Chu (2008), độ tin cậy
Cronbach’s Alpha phải nằm trong khoảng từ 0.6 đến 1.0 để đảm bảo các biến trong
cùng một nhóm nhân tố có sự tương quan về mặt ý nghĩa. Hệ số Cronbach’s Alpha càng lớn thì thang đo có độ tin cậy càng cao. Tuy nhiên, nếu hệ số Cronbach’s Alpha quá lớn (trên 0.95) sẽ xảy ra hiện tượng trùng lắp trong thang đo, tức là khơng có sự
khác biệt giữa các biến trong thang đo (Nguyễn Đình Thọ, 2013). Thang đo được đánh giá là đo lường tốt khi giá trị hệ số Cronbach’s Alpha trong đoạn từ 0,8 đến 1; hệ số
Cronbach’s Alpha từ 0,7 đến 0,8 là thang đo có thể sử dụng được, thang đo có hệ số
Cronbach’s Alpha từ 0,8 trở lên là thang đo lường tốt, các thang đo có hệ số
Cronbach’s Alpha từ 0,6 trở lên cũng có thể sử dụng được trong bối cảnh nghiên cứu là mới hoặc mới với người được phỏng vấn. Trong nghiên cứu này, vì người Việt Nam chưa tiếp cận nhiều với các hình thức điều tra nghiên cứu định lượng kiểu này nên
thang đo có Cronbach’s Alpha từ 0,6 được đánh giá và cân nhắc coi là tin cậy.
Tiếp theo, tác giả tiến hành kiểm tra “hệ số tương quan biến-tổng”. Trong mỗi thang đo, hệ số tương quan biến-tổng thể hiện sự tương quan giữa 1 biến quan sát với tất các các biển quan sát khác trong thang đo. Hệ số này càng cao thì sự tương quan
của các biến với các biến khác càng cao, hệ số này cho biết biến quan sát nào cần giữ lại và biến quan sát nào cần bỏ đi. Ngoài ra, theo Jum Nunnally (1978), biến đo lường
Correlation ≥ 0.3. Khi hệ số tương quan biến-tổng này nhỏ hơn 0.3, tác giả sẽ loại biến
để tăng độ tin cậy cho thang đo vì các biến quan sát này được coi là biến rác. Những
biến quan sát nào có chỉ số Cronbach’s Alpha nếu loại biến lớn hơn Cronbach’s Alpha chung của thang đo thì có thể xem xét kiến nghị loại bỏ biến quan sát ra khỏi thang đo. Thang đo chính thức được xây dựng và cấu trúc lại dựa trên những biến quan sát có đủ
độ tin cậy.
3.4.2.3. Phân tích nhân tố khám phá (EFA)
Sau khi kiểm định độ tin cậy với hệ số Cronbach’s Alpha, tác giả tiếp tục dùng phương pháp phân tích nhân tố khám phá EFA để đánh giá giá trị hội tụ và giá trị phân biệt của thang đo. Phân tích nhân tố khám phá (EFA) là “phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 2009). Các nhân tố rút ra sau khi phân tích EFA sẽ được sử dụng trong phân tích hồi quy. Tác giả tiến hành phân tích EFA cho
từng thang đo để kiểm tra tính đo hướng của từng thước đo rồi tiến hành kiểm tra đồng thời EFA cho tồn bộ các tiêu chí đo lường với phép quay góc Varimax với tiêu chí
eigenvalue > 0.1 để tìm ra nhân tố đại diện cho các biến. Theo Hoang & Chu (2008), Varimax cho phép xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng khả năng giải thích các nhân tố. Tiêu chuẩn kiểm định giá trị hội tụ sẽ theo tiêu chuẩn của Hair bao gồm:
Tác giả phân tích nhân tố EFA sử dụng các điều kiện sau: Trích xuất (Extraction): Phương pháp Principal Components. Ma trận xoay: Phương pháp Varimax.
Giá trị lựa chọn: ≥0.5.
Trước khi sử dụng phân tích nhân tố khám phá EFA cần đánh giá mối quan hệ của các biến đo lường. Một số tiêu chí đánh giá mức độ tương quan các nhân tố và
mức độ phù hợp để áp dụng EFA bao gồm:
Kiểm định Bartlett dùng để xem xét độ tương quan của các biến trong tổng thể
và ma trận tương quan có phải là ma trận đơn vị hay khơng. Các biến quan sát sẽ có mối tương quan tổng thể khi kiểm định có ý nghĩa thống kê (Sig. < 0,05).
Bên cạnh đó, hệ số KMO (Kaiser-Meyer-Olkin) được dùng để xem xét về độ
tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng phần của chúng. Trị số của KMO nằm trong khoảng 0.5≤ KMO ≤ 1 thì phân tích nhân tố là phù hợp. Trị số KMO có giá trị càng lớn có nghĩa là phân tích nhân tố có tính phù hợp cao.
Theo Hair & cộng sự (1998, 111), hệ số tải nhân tố hay trọng số nhân tố (factor loading) là chỉ tiêu dùng để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số tải nhân tố phải có giá trị từ 0.5 trở lên để đảm bảo giá trị hội tụ giữa các biến trong EFA, khi đó biến quan sát mới được đánh giá là “có ý nghĩa thống kê tốt”. Các biến không đáp ứng được hệ số tải nhân tố 0.5 thì sẽ bị loại bỏ. Ngồi ra, phần trăm biến thiên của các biến
quan sát sẽ được thể hiện thơng qua phần trăm phương sai tồn bộ. Phương pháp trích hệ số sử dụng là Principle components và điểm dừng khi trích các nhân tố có
Eigenvalue lớn hơn 1, tổng phương sai trích lớn hơn hoặc bằng 50% (Nguyễn Đình
Thọ, 2011).
Trị số Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Với tiêu chí này, chỉ có những nhân tố nào có trị số Eigenvalue ≥ 1 mới được giữ lại
trong mơ hình để phân tích.
Như vậy, những yếu tố cần thiết để bảng kết quả ma trận xoay có ý nghĩa thống kê là:
- Kiểm định Bartlett có sig. Phải nhỏ hơn 0.05 - Hệ số KMO phải nằm trong đoạn từ 0.05 đến 1 - Tổng phương sai trích lớn hơn hoặc bằng 50% - Giá trị Eigenvalue lớn hơn hoặc bằng 1
Chỉ cần một trong các tiêu chí trên bị vi phạm thì bảng ma trận xoay sẽ khơng cịn có ý nghĩa.
Để áp dụng phân tích nhân tố khám phá, cần phải lưu ý về kích thước mẫu. Số
lượng quan sát ít nhất phải gấp 4 đến 5 lần số biến trong phân tích nhân tố khám phá
(Trọng và Ngọc, 2008). Kích thước mẫu tối thiểu là 50 và tỷ lệ quan sát trên mỗi biến
đo lường nên được tối ưu hoá là 5:1, tức là cứ 1 biến đo lường cần tối thiểu là 5 quan
sát (Hair và cộng sự, 2009).
Với mục đích ước lượng tốt nhất mối quan hệ và mức độ tác động của các biến
độc lập (5 nhân tố) và biến phụ thuộc (ý định mua BHSK phi nhân thọ), tác giả tiến
hành phân tích hồi quy. Phân tích hồi quy là một tập hợp các quy trình thống kê để ước tính các mối quan hệ giữa một hoặc nhiều biến độc lập và một biến phụ thuộc. Theo Trọng và Ngọc (2008), qua q trình phân tích hồi quy sẽ thấy được “biến nào độc lập nào Xi có vai trò quan trọng hơn trong việc dự đoán giá trị lý thuyết của biến phụ
thuộc Y”. Trong nghiên cứu này, nhóm sẽ phân tích mơ hình hồi quy tuyến tính đa
biến. Ngồi ra, tác giả có sử dụng các trị số đánh giá mơ hình hồi quy bao gồm hệ số xác định R2 (R-squared) thể hiện % sự biến thiên của biến phụ thuộc theo biến độc lập; và thống kê F là “thước đo ý nghĩa chung của mơ hình hồi quy” để đánh giá sự phù
hợp của mơ hình hồi quy (Đinh Cơng Khải, 2011).
3.4.2.5. Phân tích phương sai (ANOVA)
Để đánh giá sự phù hợp của mơ hình, tác giả sử dụng phương pháp phân tích
phương sai ANOVA. Phân tích phương sai (ANOVA) là một phương pháp kiểm tra giả thuyết thống kê cho phép các nhà nghiên cứu định giá sự khác biệt về sự biến thiên của một biến phụ thuộc mức quy mơ bằng một biến danh nghĩa có từ 2 loại trở lên. Các nhà nghiên cứu sử dụng ANOVA để xác định ảnh hưởng của các biến độc lập đối với biến phụ thuộc trong nghiên cứu hồi quy. Kỹ thuật kiểm định ANOVA này được
CHƯƠNG 4
PHÂN TÍCH THỰC TRẠNG ẢNH HƯỞNG CỦA CÁC NHÂN TỐ ĐẾN THỊ TRƯỜNG BẢO HIỂM SỨC KHOẺ PHI NHÂN THỌ
TẠI VIỆT NAM