thu n ti n cho vi c TTDL trong b i c nh d ch Covid-19 t i Tp.HCM đang
di n bi n ph c t p, BCH b ng bi u m u google đư đ c s d ng đ t o BCH KS chính th c. ng d n c a ń đ c g i đ n kho ng 244 TKS thông qua các kênh nh email, viber, zalo, telegram, facebook. Sau m t tháng thu th p d li u, h c viên thu v đ c 168 phi u ph n h i. Sau đ́, h c viên ti n hành sàng l c d li u đ lo i b nh ng phi u ph n h i không h p l , nh ng phi u mà ng i đ c h i tr l i ch a
ć kinh nghi m trong TCXD, ho c ch n m t m c đ duy nh t. K t qu cu i cùng là 150 phi u h p l đ c d̀ng đ phân tích th ng kê, chi ti t đ c th hi n trong B ng
bên d i.
Cách th c sàng l c và ki m duy t d li u, thông tin t các BCH KS thu v c n
đ c th c hi n nghiêm túc, v̀ không ph i t t c các BCH thu v đ u ć th s d ng
đ c. t ng đ tin c y t BCH KS, s lo i b các câu tr l i khi ć các d u hi u sau:
- Các câu tr l i đ c ch n theo 1 m c đ nh t đ nh (ch 1 đáp án), đi u này ch ng t ng i tham gia KS tr l i không rõ ràng, qua loa, không
đ c k câu h i KS.
- Trong BCH KS, h c viên s d ng m t câu h i mang t́nh sàng l c đ
lo i b các TKS không ph̀ h p. C th là TKS ch n “Ki m soát lưng ph́ trong TCXD ć c n thi t hay không?”
B ng 3.3: Th ng kê s l ng d li u thu th p STT N i dung S l ng T l STT N i dung S l ng T l 1 B ng câu h i g i đi 244 100% 2 Nh n ph n h i 168 69% 3 Tr l i không h p l 18 7% 4 K t qu 150 61% 3.3. Phân tích d li u
3.3.1. Ki măđ nhăđ tin c yăthangăđo
Trong nghiên c u này, ph ng pháp nh t quán n i t i thông qua h s
Cronbach’s Alpha s đ c s d ng đ đánh giá đ tin c y c a thang đo nh m đánh
giá s t ng quan gi a các nhân t v i nhau. Cơng th c tốn h c [35]:
v i là h s t ng quan trung b̀nh gi a các nhân t và N là s nhân t trong nghiên c u.
Theo quy c, h s 0.8 th̀ thang đo l ng đ c đánh giá là t t. Sau đây
là các m c giá tr c a h s Cronbach’sAlpha đ c đánh giá là ch p nh n đ c [35]:
❖ T 0.8 1: thang đo r t t t.
❖ T 0.7 < 0.8: thang đo t t.
3.3.2. Ph ngăph́păx p h ng
T d li u thu đ c thông qua BCH KS, ph ng pháp x p h ng th t c a các nhân t d a vào giá tr trung b̀nh (Mean) đ c s d ng trong lu n v n nh m m c
đ́ch xác đnh các nhân t quan tr ng nh h ng lãng phí trong thi cơng xây d ng.
3.3.3. Ki măđnh bài toán m t m u
Ki m đnh bài toán m t m u đ c dùng đ so sánh giá tr trung bình c a m u v i m t giá tr c th . i v i nghiên c u hi n t i, giá tr đ c d̀ng đ so sánh là 3. B i vì 3 là giá tr trung l p, ng n cách gi a hai bên không đ ng Ủ và đ ng ý. Vì v y, h c viên mu n ki m tra xem TKS có s đ ng ý cao h n m c trung l p hay không. Phép ki m đ nh cho bài toán m t m u đ c thành l p nh sau:
trong đ́ là giá tr trung bình c a m t m u. tin c y đ c s d ng trong
ki m đnh bài toán m t m u là 95%.
3.3.4. Ki măđnh bài toán hai m u
Ki m đnh bài toán hai m u nh m m c đ́ch ki m tra xem li u có s khác
bi t ć Ủ ngh a th ng kê v giá tr trung bình c a hai nhóm hay khơng. Ki m đnh
gi thuy t d a trên c p gi thuy t đ i ng u, t đ́ đ a ra k t lu n v giá tr trung bình c a hai nh́m đ c l p đ c l y ra t m u này. Phép ki m đnh cho bài toán hai m u đ c thành l p nh sau:
trong đ́ 1 và 2 là giá tr trung bình c a hai nh́m đ c l p. tin c y đ c s d ng trong ki m đnh bài tốn hai m u là 95%. Trình t th c hi n bài tốn ki m
Hình 3.4 - Quy trình th c hi n ki m đnh bài toán hai m u
3.3.5. Ki m đ nhăbƠiătónăđaăm u
Phân t́ch ph ng sai m t chi u (ANOVA) nh m m c đ́ch ki m tra xem li u
li u có s khác bi t ć Ủ ngh a th ng kê v giá tr trung bình c a nhi u nh́m đ c l p hay không. Phép ki m đ nh cho bài toán đa m u đ c thành l p nh sau:
H0: µ1 = µ2 = µ3 = … = µi
H1: ít nh t m t µi khác v i nh ng cái còn l i
trong đ́ 1, 2, …, µi là giá tr trung bình c a các nh́m đ c l p. tin c y
đ c s d ng trong ki m đ nh bài toán đa m u là 95%. Trình t th c hi n bài tốn
Hình 3.5: Quy trình phân tích ANOVA
3.3.6. Phân tích d li u
3.3.6.1. Phân tích nhân t - EFA
Sau khi ki m tra đ tin c y c a thang đo, v i s l ng bi n hi n t i ki m tra xem các bi n có m i liên h hay khác bi t v i nhau so v i ban đ u hay không, lu n
v n ti p t c s d ng cơng c ti p theo là phân tích nhân t .
Phân tích nhân t ph ng pháp các th thu t đ thu g n và tóm t t d li u. K thu t phân tích thành t chính (Principal Component Analysis) dùng đ : - Nh n ra t p h p các bi n n i tr i đ s d ng trong các phân t́ch đa bi n.
Theo Tr ng và Ng c (2008), m t s tiêu chu n đánh giá bi n đo l ng trong PCA:
- H s KMO (Kaiser –Meyer-Olkin): d̀ng đ ki m tra s thích h p c a phân tích nhân t . Phân tích thành t thích h p khi tr s KMO ≥ 0.5.
N u:
• KMO = 0.5: h u nh không ch p nh n, nhân t không phù h p d li u
• KMO t 0.7 - 0.8: ch p nh n đ c
- Ki m đ nh Barlett: đ ki m tra gi thuy t các bi n ć t ng quan trong t ng th không, là đi u ki n đ phân tích thành t PCA. N u k t qu Barlett’stest ć sig.
< 5% thì bác b gi i thuy t, t c là các bi n ć t ng quan v i nhau.
- Ki m tra giá tr riêng (H s Eigenvalue là h s đ i di n cho l ng bi n thiên
đ c gi i thích b i nhân t ) l n h n 1 thì y u t trích ra có giá tr tóm t t th hi n thông tin t t.
- T ng ph ng sai tŕch Variance extracted > 50%: gi i thích m c Ủ ngh a c a
nhân t lên v n đ nghiên c u.
- H s t i nhân t (Factor Loading): là h s t ng quan gi a các bi n và các nhân t .
Theo Hair và các tác gi (2006) , Multivariate Data Analysis, 6th Edition [36] thì: - Factor Loading (FL) m c ± 0.3: bi n quan sát đ c gi l i.
- FL m c ± 0.5: ć Ủ ngh a th ng kê t t. - FL m c ± 0.7: ć Ủ ngh a th ng kê r t t t.
Theo các nhà nghiên c u, n u chênh l ch h s t i nh h n 0.3, chúng ta c n lo i b bi n quan sát đ́. Tuy nhiên, chúng ta c ng c n xem xét đ́ng ǵp c a bi n vào giá tr n i dung c a nhân t tr c khi quy t đnh lo i b hay gi l i bi n quan sát (Th , 2011) [37]. Tr ng h p 2, hai h s t i chênh nhau t 0.3 tr lên, khi đ́ bi n quan sát s đ c gi l i và nó s n m nhóm nhân t có h s t i cao h n.
3.3.6.2. Ph n m m h tr phân tích d li u
th c hi n các phân tích trên, lu n v n s d ng các ph n m m IBM SPSS
Statistics V23 và Microsoft Office Excel 2016. Trong đ́, các ph n m m trên đ c
s d ng đ t ng h p d li u thu th p đ c t b ng câu h i kh o sát, xác đnh t n s xu t hi n, tr trung b̀nh, đ l ch chu n, h s Cronbach’s Alpha, phân t́ch nhân t
EFA. Microsoft Office Excel 2013 đ c d̀ng đ th ng kê mơ t và trình bày k t qu phân tích t SPSS.
3.3.1. Các thu t tốn trí tu nhân t o 3.3.1.1. M ng th n kinh nhân t o (ANN) 3.3.1.1. M ng th n kinh nhân t o (ANN)
M ng ANN (Artificial Neural Network) s d ng quá trình x lý c a não làm
bài tốn d đốn. Mơ hình ANN là cơng c m nh m có th gi i quy t các bài toán phi tuy n nh d đoán m c đ nh h ng, d đốn , v.v... [38]. Mơ hình m ng n - ron nh n th c nhi u l p là m t mơ h̀nh ANN đi n hình, có ba l p chính bao g m m t l p đ u vào, m t t p h p các l p n và m t l p đ u ra. Hình 3.6 minh h a m t
mơ h̀nh ANN đi n hình.
Hình 3.6 - C u trúc mơ hình ANN đi n hình
3.3.1.2. Mơ hình h iăquyăvect ăh tr (SVR)
Mơ h̀nh SVR đ c Vapnik đ xu t vào n m 1995 [39] đ gi i quy t các bài
toán h i quy phi tuy n. Các hàm Kernel c a mơ hình SVR bao g m các hàm tuy n tính (linear), c s xuyên tâm (radial basic), đa th c (polynomial) ho c hàm sigmoid. Hai tham s ch́nh đ c s d ng đ xây d ng mô h̀nh SVR, đ́ là h ng s chính quy (C) và tham s hàm c s bán kính Gaussian (g), đ c t i u h́a cho SVR.
H ng s C xác đ nh m c ph t khi SVR đ a ra d đốn khơng ch́nh xác. C l n ch ra m t hình ph t nghiêm kh c đ i v i nh ng sai l m và ng c l i. Hình ph t n ng khi n SVR khó h i t và d n đ n m t n đnh, trong khi hình ph t nh c n th i gian đào t o l n đ mơ hình h i t . Tham s g là ngh ch đ o c a ph ng sai đ i v i hàm Gauss. M t giá tr g l n d n đ n các d đoán n đ nh v i đ ch ch cao. Ng c l i, m t giá tr g nh làm gi m b t s sai l ch nh ng làm cho các d đốn khơng n đ nh. Trong nghiên c u này, C = 10 và g = 0.1 s đ c l a ch n đ xây d ng mơ hình SVR [40- 42].
3.3.1.3. Mơ hình h i quy tuy n tính
H i quy tuy n tính c g ng mơ hình hóa m i quan h gi a hai bi n b ng cách
đi u ch nh m t ph ng tr̀nh tuy n tính v i d li u quan sát [43]. M t bi n đ c coi là bi n gi i thích và bi n kia đ c coi là bi n ph thu c.
H i quy tuy n tính là m t lo i phân tích d báo c b n và đ c s d ng ph
bi n. Các c l ng h i quy này đ c s d ng đ gi i thích m i quan h gi a m t
bi n ph thu c và m t ho c nhi u bi n đ c l p. D ng đ n gi n nh t c a ph ng tr̀nh
h i quy v i m t bi n ph thu c và m t bi n đ c l p đ c xác đ nh b ng công th c y
= c + b * x, trong đ́ y = đi m bi n ph thu c c tính, c = h ng s , b = h s h i quy
và x = đi m trên bi n đ c l p. [44]
Phân tích h i quy tuy n t́nh th ng s d ng b ng ba cách sau: - Xác đnh s c m nh c a các y u t d báo
- D báo hi u ng
- D báo xu h ng.
ng h i quy tuy n t́nh ć ph ng tr̀nh d ng Y = a + bX, trong đ́ X là bi n gi i thích và Y là bi n ph thu c. H s góc c a đ ng th ng là b và a là giao đi m (giá tr c a y khi x = 0).
3.4. ́nhăgíăHSD ăc a mơ hình
Trong lu n v n này, HSD c a các mơ hình TNNT đ c đo l ng b ng cách xem xét ba ch s đánh giá đ chính xác c a d đoán th ng đ c s d ng, đ́ là: R2,
RMSE và MAPE. c̀ng đánh giá HSD , m t ch s đánh giá t ng h p đ c g i
là ch s hi u su t (PI), k t h p R2, RMSE và MAPE thành m t th c đo duy nh t,
đư đ c t o và s d ng đ so sánh HSD c a các mơ hình khác bi t [45].
R2 đo m c đ phù h p c a m t mơ hình d đốn. Giá tr R2 cao cho bi t các
giá tr d đốn hồn tồn ph̀ h p v i các giá tr quan sát đ c. R2 đ c tính tốn
nh sau: 2 2 1 2 1 ( ) 1 ( ) n t t t n t t y x R y y = = − = − − (2)
trong đ́: n là ḱch th c m u;xt là giá tr d đoán;yt là giá tr quan sát; và y là giá tr trung bình c ayt.
RMSE đ i di n cho đ l ch chu n m u c a ph n d gi a các giá tr d đoán và
quan sát. Th c đo này đ c s d ng đ xác đnh các sai s l n và đánh giá s thay
đ i c a ph n ng mô h̀nh đ i v i ph ng sai. RMSE x lý các l i l n vì nó khu ch
đ i l i v m t hình h c. Cơng th c tốn h c cho RMSE là:
2 1 1 ( ) n t t t RMSE x y n = = − (3)
MAPE là m t ch s th ng kê gi i th́ch đ chính xác c a d đoán b ng cách so sánh các ph n d v i các giá tr quan sát đ c. i u này th ng đ c bi u th d i d ng ph n tr m đ chính xác và r t h u ́ch đ đánh giá HSD c a các mơ hình b ng
cách đ a ra khái ni m giá tr tuy t đ i. Cơng th c tốn h c cho MAPE là:
1 1 100% n t t t t x y MAPE n = y − = (4)
Ch s hi u su t (Performance Index - PI) d̀ng đ đo l ng HSD c a m t mơ hình m t cách tồn di n b ng cách xem xét nhi u ch s đánh giá. Thay v̀ đánh
giá s khác bi t gi a giá tr th c t và giá tr d đoán, PI đ c s d ng đ so sánh
HSD c a các mơ hình d đốn khác nhau. Cơng th c toán h c cho PI là:
2 min 2 max max 1 1 1 3 3 3 a a a a RMSE MAPE R PI R RMSE MAPE = + + (5)
trong đ́ PIa, R2a, RMSEa, và MAPEa là PI, R2, RMSE, và MAPE c a mơ hình d
đốn a; R2min là R2 t i thi u trong so sánh, và RMSEmax và MAPEmax là RMSE và
MAPE t i đa trong so sánh. Ć th th y t ph ng tr̀nh r ng PI lo i b s khác bi t v đ l n gi a ba ch s đánh giá b ng cách tiêu chu n hóa, so sánh các giá tr ch s c a m i d đoán v i hi u su t ch s kém nh t trong s các so sánh. Không gi ng
nh t ng ch s , PI xem xét t t c các ch s có s n và đo l ng hi u su t c a mơ hình m t cách toàn di n h n. Trong nghiên c u này, R2, RMSE và MAPE đ c coi là quan
cùng tr ng s trong ph ng tr̀nh PI. Giá tr PI nh h n cho th y HSD t t h n và ng c l i.
3.5. Ph n m m h tr nghiên c u
hoàn thành lu n v n, h c viên đư s d ng m t s ph n m m sau: B ng 3.4: Các ph n m m h tr nghiên c u
STT Ph n m m Áp d ng
1 IBM SPSS Statistics V26 Th ng kê suy lu n