2.3 Phương pháp nghiên cứu
2.3.7 Phương pháp phân tích dữ liệu nghiên cứu
Trình tự tiến hành phân tích dữ liệu được thực hiện như sau:
Bước 1 - Chuẩn bị thông tin: thu nhận bảng trả lời, tiến hành làm sạch thông tin, mã hóa các thông tin cần thiết trong bảng trả lời, nhập liệu và phân tích dữ liệu bằng phần mềm xử lý thống kê SPSS.
Bước 2 - Thống kê: tiến hành thống kê mô tả dữ liệu thu thập được.
Bước 3 - Đánh giá độ tin cậy thang đo bằng phân tích Cronbach’s Alpha.
Hệ số Cronbach’s alpha là hệ số sử dụng phổ biến để đánh giá độ tin cậy của thang đo. Độ tin cậy thường dùng nhất là tính nhất quán nội tại, nói lên mối quan hệ của các biến quan sát trong cùng một thang đo. Để tính Cronbach’s alpha cho một thang đo thì thang đo phải có tối thiểu là ba biến đo lường. Hệ số Cronbach’s alpha có giá trị biến thiên trong khoảng [0,1] (Nguyễn Đình Thọ, 2011).
Các biến đo lường dùng để đo lường cùng một khái niệm nghiên cứu nên chúng phải có tương quan chặt chẽ với nhau. SPSS sử dụng hệ số tương quan biến- tổng hiệu chỉnh. Nếu một biến đo lường có hệ số tương quan biến-tổng (hiệu chỉnh)
> 0.30 thì biến đó đạt yêu cầu (Nguyễn Đình Thọ, 2011).
Tuy nhiên, nếu chúng trùng lắp hoàn toàn (r =1) thì hai biến đo lường này thật sự chỉ làm một việc, và chúng ta chỉ cần một trong hai biến là đủ. Vì vậy, một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0.70 - 0.80]. Nếu Cronbach’s alpha > 0.60 là thang đo có thể chấp nhận được về mặt độ tin cậy (Nguyễn Đình Thọ, 2011).
Hệ số Cronbach’s alpha phải được thực hiện trước để loại các biến trước khi
biến rác này có thể tạo nên các nhân tố giả khi phân tích EFA (Nguyễn Đình Thọ, 2011)
Bước 4 - Kiểm định thang đo bằng phân tích nhân tố khám phá EFA (Exploratory Factor Analysis).
Phương pháp phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) giúp chúng ta đánh giá hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Trong phân tích EFA, chúng ta có hai ma trận quan trọng để xem xét khi đánh giá các thang đo, đó là ma trận các trọng số nhân tố (factor pattern matrix) và ma trận các hệ số tương quan (factor structure matrix). Khi các nhân tố không có quan hệ với nhau thì trọng số nhân tố giữa một nhân tố và một biến đo lường là hệ số tương quan giữa nhân tố và biến đo lường đó. Trọng số nhân tố là tác động của khái niệm nghiên cứu vào biến đo lường (Nguyễn Đình Thọ, 2011).
Theo Nguyễn Đình Thọ (2011), Tiêu chí Eigenvalue là một tiêu chí sử dụng phổ biến thường xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố có eigenvalue tối thiểu bằng 1 (> 1).
Theo Nguyễn Đình Thọ (2011), “Để xác định sự phù hợp khi dùng EFA, có thể dùng kiểm định Bartlett (Bartlett’s test of sphericity) hoặc KMO (Kaiser-Meyer- Olkin measure of sampling adequacy). Để sử dụng EFA, KMO phải lớn hơn 0.50.
Bước 5 - Thực hiện phân tích hồi quy tuyến tính và kiểm định các giả thuyết của mô hình vói mức ý nghĩa là 5%.
Phân tích tương quan
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), hệ số tương quan Pearson (ký hiệu là r) để lượng hóa mức độ chặt chẽ của mỗi liên hệ tuyến tính giữa hai biến định lượng (khoảng cách hay tỷ lệ). Trị tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính. Giá trị tuyệt đối của r tiến gần đến 1 khi hai biến có mối tương quan tuyến tính chặt chẽ (khi tất cả các điểm phân tán xếp thành một đường thẳng thì trị tuyệt đối của r = 1).
Theo Nguyễn Đình Thọ (2011), trong mô hình hồi quy bội (MLR), chúng ta có nhiều biến độc lập, vì vậy với MLR, chúng ta có thêm giả định là các biến độc lập không có quan hệ nhau hoàn toàn, nghĩa là hệ số tương quan r của các cặp biến độc lập với nhau khác với 1, chứ không phải chúng không có tương quan với nhau.
Trong thực tiễn nghiên cứu, các biến trong một mô hình thường có quan hệ với nhau nhưng chúng phải phân biệt nhau (đạt được giá trị phân biệt).
Phân tích hồi quy tuyến tính
Sau khi kết luận hai biến có mối quan hệ tuyến tính với nhau thì có thể mô hình hoá mối quan hệ nhân quả này bằng hồi quy tuyến tính (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Trình tự phân tích hồi quy tuyến tính trong nghiên cứu này được thực hiện như sau:
Phương pháp đưa biến vào phân tích hồi quy là phương pháp đưa các biến vào mô hình một lượt (phương pháp Enter).
Để đánh giá độ phù hợp của mô hình hồi quy đối với tập dữ liệu, tác giả sử dụng hệ số R2 và R2 hiệu chỉnh (Adjusted R Square).
Kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết H0: không có mối liờn hệ tuyến tớnh giữa biến phụ thuộc với tập hợp cỏc biến độc lập (òi = p2 = ò3 = òn=0). Nếu trị thống kờ F cú Sig rất nhỏ (< 0.05), thỡ giả thuyết Ho bị bỏc bỏ, khi đú chúng ta kết luận tập hợp của các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng được.
Xác định các hệ số của phương trình hồi quy tuyến tính, đó là các hệ số hồi quy riờng phần òk: đo lường sự thay đổi trung bỡnh của biến phụ thuộc khi biến độc lập xk thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy nhiờn, độ lớn của òk phụ thuộc vào đơn vị đo lường của cỏc biến độc lập, vỡ thế việc so sánh trực tiếp chúng với nhau, từ đó xác định tầm quan trọng (mức độ giải thích)
của các biến độc lập cho biến phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lường độ lệch chuẩn Beta.
Cuối cùng nhằm đảm bảo độ tin cậy của mô hình hồi quy được xây dựng là phù hợp, một loạt các dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính cũng được thực hiện gồm: giả định liên hệ tuyến tính, giả định về phân phối chuẩn của phần dư, giả định về tính độc lập của sai số, đo lường đa cộng tuyến.