3.4.1 Phương pháp thống kê mô tả
Thực hiện các thủ tục thống kê như tóm tắt dữ liệu, lập bảng tổng hợp về đối tượng phỏng vấn. Tác giả thực hiện thống kê mô tả cho tất cả các biến quan sát, tính tần số cho từng nhóm biến và mẫu để có thể rút ra các nhận xét, so sánh nhằm mục đích nghiên cứu.
3.4.2 Kiểm định độ tin cậy Cronbach’s Alpha
Kiểm định độ tin cậy thang đo Cronbach’s Alpha là phép kiểm định phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng một nhân tố. Kết quả Cronbach’s Alpha của nhân tố tốt thể hiện rằng các biến quan sát đo lường nhân tố là hợp lý. Theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2011) cho rằng sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến khơng phù hợp vì các biến rác này có thể tạo ra các yếu tố giả. Theo lập luận của (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005) Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính tốn hệ số tương quan giữa biến-tổng sẽ giúp loại ra những biến quan sát nào khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo.
Hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [0,1]. Về lý thuyết, hệ số này càng cao càng tốt hay nói cách khác thang đo càng có đợ tin cậy cao.
Theo (Nunnally, 1978) một biến đo lường có hệ số tương quan biến tổng lớn hơn 0,3 thì biến đó đạt u cầu. Vì thế, khi thực hiện kiểm định đợ tin cậy Cronbach’s Alpha, biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0,3, cần loại biến đó và
46
chạy lại lần 2. Thang đo đạt tiêu chuẩn khi có đợ tin cậy Cronbach’s Alpha lớn hơn 0,6 (hệ số Cronbach’s Alpha càng lớn thì đợ tin cậy càng cao).
Theo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008) cách thức đánh giá hệ số Cronbach’s Alpha theo mức giá trị sau:
- Cronbach’s Alpha từ 0,6 – 0,7: thang đo lường đủ điều kiện.
- Cronbach’s Alpha từ 0,7 – 0,8: thang đo lường sử dụng tốt.
- Cronbach’s Alpha 0,8 đến gần bằng 1: thang đo lường rất tốt.
Như vây, dựa theo dữ liệu phân tích đánh giá như trên. Trong nghiên cứu này, tác giả giữ lại các thang đo với giá trị áp dụng Cronbach’s Alpha tổng từ 0,6 trở lên và hệ số tương quan tổng lớn hơn 0,3 là chấp nhận.
3.4.3 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA là bước phân tích rất quan trọng khi thực hiện phân tích dữ liệu định lượng. Phương pháp dùng để đánh giá hai giá trị quan trọng của thang đo là giá trị hợi tụ và giá trị phân biệt. Phân tích nhân tố khám phá EFA tḥc nhóm phân tích đa biến phụ tḥc lẫn nhau, nghĩa là khơng có biến phụ tḥc và biến đợc lập mà nó đựa vào mối tương quan giữa các biến với nhau. Phân tích nhân tố khám phá dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố cơ ý nghĩa hơn. Một số tiêu chuẩn áp dụng khi phân tích EFA trong nghiên cứu như sau:
- Hệ số tải nhân tố (Factor Loading) giá trị này 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. Theo (Hair, 2009; 2014) là giá trị để đảm bảo mức ý nghĩa thiết thực của EFA:
+ Factor loading ở mức 0,3: điều kiện tối thiểu để biến quan sát được giữ lai.
47
+ Factor loading ở mức 0,7: biến quan sát có ý nghĩa thực tiễn.
Tuy nhiên, giá trị tiêu chuẩn của hệ số tải Factor Loading phụ tḥc vào kích thước mẫu. Trong nghiên cứu này, tác giả lựa chọn hệ số tải 0,5 phù hợp với cỡ mẫu của nghiên cứu là 250 mẫu.
- Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thông qua giá trị thống kê Kaiser – Meyer- Olkin (KMO). Theo đó, trị số của KMO phải đạt giá trị 0,5 trở lên (0,5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố phù hợp, ngược lại KMO ≤ 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu nghiên cứu. Theo nghiên cứu của (Hutcheson, 1999) đề xuất một số ngưỡng giá trị KMO cụ thể là: KMO ≥ 0,5: mức chấp nhận tối thiểu; 0,5 < KMO ≤ 0,7: bình thường; 0,7< KMO ≤0,8: tốt; 0,8 < KMO ≤ 0,9: rất tốt; KMO >0,9: xuất sắc.
- Kiểm định Bartlett là mợt kiểm định xem xét có mối tương quan xảy ra giữa các biến tham gia vào EFA. Kiểm định Bartlett có ý nghĩa thống kê (Sig < 0,05) chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
- Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bới các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm và bao nhiêu phần trăm bị thất thoát). Các nhân tố Eigenvalue < 1 sẽ khơng có tác dụng tóm tắc thơng tin tốt hơn biến gốc (biến tiềm ẩn trước khi EFA). Nên các nhân tố chỉ được rút trích tại Eigenvalue > 1 và được chấp nhận khi tổng phương sai Cumulative ≥ 50% (Gerbing, 1988). Tổng phương sai trích (Total Varicance Explained) đạt giá trị từ 50% trở lên được xem là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các yếu tố được trích cơ đọng bao nhiêu % và bị thất thốt bao nhiêu % của biến quan sát.
3.4.4 Phân tích tương quan Pearson
Sau khi đã có được các biến đại diện đợc lập và phụ tḥc ở phân tích nhân tố EFA, chúng ta sẽ tiến hành phân tích tương quan Pearson để kiểm soát mối quan hệ tuyến
48
tính giữa các biến này. Giữa 2 biến định lượng có nhiều dạng liên hệ, có thể là tuyến tính hoặc phi tuyến tính hoặc khơng có bất kỳ mối liên hệ nào. Theo (Gayen, 1951) trong thống kê, các nhà nghiên cứu sử dụng hệ số tương quan Pearson (ký hiệu r) để lượng hố mức đợ chựt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng (lưu ý rằng Pearson chỉ xét mối liên hệ tuyến tính, khơng đánh giá các mối liên hệ phi tuyến tính). Trong tương quan Pearson khơng có sự phân biệt vai trị giữa 2 biến, tương quan giữa biến đợc lập với biến phụ tḥc.
Nếu có 2 biến có sự tương quan chặt chẽ thì phải lưu ý vấn đề đa cợng tuyến khi phân tích hồi quy.
Đa cộng tuyến là trạng thái các biến đợc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng cộng tuyến là chúng cung cấp cho mô hình những thơng tin rất giống nhau và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Đa cộng tuyến là tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê của kiểm định ý nghĩa nên các hệ số có khuynh hướng kém ý nghĩa.
Tương quan Pearson r có giá trị đao đợng từ -1 đến 1:
- Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về 1 là tương quan dương, tiến về -1 là tương quan âm.
- Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
- Nếu r = 0: khơng có tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra:
+ Khơng có mối quan hệ nào giữa 2 biến. + Giữa chúng có mối liên hệ phi tuyến tính.
Giá trị Pearson Correlation là giá trị r để xem xét sự tương thuận hay nghịch, mạnh hay yếu giữa 2 biến.
49
Giá trị Sig (2-tailed) là sig kiểm định xem mối tương quan giữa 2 biến là có ý nghĩa hay khơng. Sig < 0.05, tương quan có ý nghĩa; Sig ≥ 0.05, tương quan khơng có ý nghĩa. Cần xem xét Sig trước, nếu Sig < 0.05 mới nhận xét tới giá trị tương quan Pearson r.
3.4.5 Phân tích hồi quy đa biến
Phân tích hồi quy đa biến là mợt nợi dung quan trọng, bởi vì nó giúp người nghiên cứu xác định được biến yếu tố độc lập tác động đến sự thay đổi của biến phụ tḥc, từ đó có thể đưa ra kết luận và giải ý nghĩa nghiên cứu.
Mơ hình hồi quy đa biến mở rợng mơ hình hồi quy hai biến bằng cách thêm vào mợt số biến đợc lập để giải thích tốt hơn cho biến phụ tḥc (Nguyễn Đình Thọ, 2011). Mơ hình có dạng sau:
Yi = β0 + β1X1 + β2X2 + … + βiXi + ei
Trong đó:
Yi: biến phụ tḥc Xi: biến đợc lập
βi: hệ số hồi quy chuẩn hóa beta
ei: mợt biến đợc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 với phương sai khơng đổi d2.
Các tiêu chí sử dụng chấp nhận sự phù hợp của mơ hình trong phân tích hồi quy đa biến:
- Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square) phản ánh mức đợ giải thích biến phụ thuộc của các biến đợc lập trong mơ hình hồi quy. R2 hiệu chỉnh phản ánh sát hơn sơ với R2. Mức giao động của 2 giá trị trị này là từ 0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là gần như khơng tưởng dù mơ hình đó rất tốt. Khơng có sự giới hạn giá trị R2, R2 hiệu chỉnh ở mức bao nhiêu thì mơ hình mới
50
đạt yêu cầu, 2 chỉ số này nếu càng tiến về 1 thì mơ hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mơ hình càng yếu. Thường chúng ta chọn mức tương đối là 0.5 để làm giá trị phân ra 2 nhánh ý nghĩa mạnh và ý nghĩa yếu, từ 0.5 đến 1 thì mơ hình là tốt, bé hơn 0.5 là mơ hình chưa tốt.
- Giá trị Sig của kiểm định F được sử dụng để kiểm định đợ phù hợp của mơ hình hồi quy. Nếu Sig nhỏ hơn 0.05, ta kết luận mơ hình hồi quy tuyến tính bợi phù hợp với tập dữ liệu và có thể sử dụng được.
- Trị số Durbin–Watson dùng để kiểm tra hiện tượng tự tương quan, chuỗi bậc nhất (kiểm định tương quan của các sai số kề nhau). DW có giá trị biến thiên trong khoản từ 0 đến 4; nếu các phần sai số khơng có tương quan chuỗi bậc nhất với nhau thì giá trị gần bằng 2, nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch. Theo (Field, 2009), nếu Durbin–Watson nhỏ hơn 1 và lớn hơn 3, chúng ta cần thực sự lưu ý bởi khả năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất. Theo (Qiao, 2011), thì giá trị Durbin–Watson nằm trong khoảng 1.5 – 2.5 sẽ không xảy ra hiện tượng tự tương quan, đây cũng là mức giá trị tiêu chuẩn chúng ta sử dụng phổ biến hiện nay.
- Giá trị Sig của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu Sig kiểm định t của hệ số hồi quy của một biến độc lập nhỏ hơn 0.05, ta kết luận biến đợc lập đó có tác đợng đến biến phụ thuộc. Mỗi biến độc lập tương ứng với một số hồi quy riêng, do vậy mà ta cũng có từng kiểm định t riêng.
- Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng đa cộng tuyến. Thông thường, nếu VIF của một biến đợc lập lớn hơn 10 nghĩa là đang có đa cợng tuyến xảy ra với biến đợc lập. Khi đó, biến này sẽ khơng có giá trị giải thích biến thiên của biến phụ tḥc trong mơ hình hồi quy. Tuy nhiên trên thực tế, nếu hệ số VIF > 2 thì khả năng rất cao đang xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập.
51
3.4.6 Kiểm định độ phù hợp của mơ hình
Để tiến hành kiểm định đợ phù hợp của mơ hình hồi quy, tác giả tiến hành kiểm tra các thông số kiểm định như sau:
Đánh giá sự phù hợp của mơ hình hồi quy thơng qua giá trị R2 hiệu chỉnh để biết mức độ ảnh hưởng của các biến độc lập đến biến phụ thuộc là bao nhiêu % (bảng phân tích Model summary). Thơng thường giá trị được chấp nhận là trên 50%. Kiểm định giả thuyết về độ phù hợp của mơ hình hồi quy tuyến tính tổng thể ở bảng phân tích phương sai của mơ hình hồi quy ANOVA, nhằm xem xét biến phụ tḥc có liên hệ tuyến tính với tồn bợ các biến đợc lập hay khơng, với hệ số Sig F change < 0,05 được xem là phù hợp.
Đánh giá hiện tượng đa cợng tuyến của các biến đợc lập trong mơ hình hồi quy ở bảng phân tích mức độ phù hợp của mơ hình khơng vi phạm hiện tượng đa cộng tuyến với điều kiện:
- Hệ số chấp nhận Tolerance (t) của các yếu tố độc lập phải lớn hơn 0,2.
- Hệ số phóng đại phương sai (VIF) của các yếu tố đợc lập phải nhỏ hơn 5,0.
Tất cả các giá trị kiểm định phải được thỏa mãn các giá trị trên được xem là mơ hình phù hợp. Nếu các giá trị kiểm định không thỏa mãn các giá trị trên thì được xem là khơng phù hợp và loại bỏ khỏi mơ hình nghiên cứu theo (Nguyễn Đình Thọ, 2011).
3.4.7 Kiểm định giả thuyết
Kết quả sau khi kiểm định độ tin cậy và giá trị của thang đo, các yếu tố được đưa vào kiểm định mơ hình. Giá trị yếu tố được kiểm định là giá trị trung bình của các biến quan sát thành phần tḥc yếu tố đó.
Kiểm định giả thuyết được hiểu đơn giản là một kết quả tìm được (các hệ số hồi quy, tương quan...) có tương ứng với giả thuyết nêu ra ban đầu hay không? Giả thuyết ban đầu được xem là giả thuyết 0 và ký hiệu là H0. Giả thuyết H0 thường
52
được kiểm định so với mợt giả thuyết thay thế hay cịn được gọi là giả thuyết đối, ký hiệu là H1.
3.4.8 Kiểm định sự vi phạm của dữ liệu
Kiểm định sự vi phạm của dữ liệu trong nghiên cứu luận văn gồm có kiểm định đa cộng tuyến, phương sai thay đổi và tự tương quan. Giá trị kiểm định đa cộng tuyến là giá trị kiểm định đợ phóng đại của phương sai với giá trị nhỏ hơn 10, mơ hình nghiên cứu sẽ khơng có hiện tượng đa cợng tuyến và có ý nghĩa thống kê.
Kiểm định phương sai thay đổi: để đánh giá mơ hình hồi quy có vi phạm giả định này hay không, chúng ta tiến hành phân tích phần dư trong mơ hình nghiên cứu bằng cách dựa vào biểu đồ tần số phần dư chuẩn hóa Histogram, để tăng cường đợ tin cậy nên sử dụng thêm biểu đồ Normal P-P Plot và Scatter Plot để đánh giá. Ngoài ra cịn có thể sử dụng kiểm định Spearman để kiểm tra giữa từng biến đợc lập và có ý nghĩa thống kê với giá trị tuyệt đối của số dư được chuẩn hóa để kết luận mơ hình chuẩn hóa giả định có phương sai thay đổi hay khơng.
Biểu đồ tần số phần dư chuẩn hóa Histogram: Giả thiết phân phối chuẩn của phần dư không bị vi phạm khi một đường cong phân phối chuẩn được đặt chồng lên biểu đồ tần số. Đường cong này có dạng hình chng, phù hợp với dạng đồ thị của phân phối chuẩn. Giá trị trung bình Mean gần bằng 0, độ lệch chuẩn gần bằng 1.
Biểu đồ Scatter Plot: Giả thiết phân phối chuẩn của phần dư không bị vi phạm khi giả định quan hệ tuyến tính được thỏa mãn thì phần dư phải phân tán ngẫu nhiên trong mợt vùng xung quanh đường hồnh đợ 0.
Kiểm định tự tương quan: là hiện tượng tự tương quan giữa các sai số ngẫu nhiên. Nếu mơ hình nghiên cứu có hiện tượng tự tương quan xảy ra, sẽ làm các ước lượng khơng chính xác, các kiểm định t và F khơng còn hiệu quả và dự báo về biến phụ tḥc sẽ khơng cịn chính xác. Giá trị Sig của mối tương quan Spearman giữa trị