CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Nghiên cứu định lượng
3.4.5. Phương pháp phân tích dữ liệu
3.4.5.1. Thống kê mơ tả:
Nhóm phân tích thống kê mơ tả nhăm mô tả sơ lượng dữ liệu đã thu thập được từ những người làm khảo sát như: giới tính, độ tuổi, nghề nghiệp, thu nhập, nhân tố nào có mức độ hồn tồn đồng ý cao nhất và nhân tố nào có mức độ hồn tồn khơng đồng ý cao nhất
3.4.5.2. Đánh giá thang đo
Nghiên cứu đã sử dụng hệ số tin cậy Cronbach’s Alpha và loại bỏ các biến có hệ số tương quan biến tổng nhỏ, kiểm định thang đo sơ bộ bằng phân tích nhân tố khám phá EFA. Phân tích hồi quy tuyến tính bội và cuối cùng là kiểm định giả thuyết nghiên cứu 3.4.5.2.1. Đánh giá độ tin cậy thang đo Cronbach’s Alpha
Theo Nguyễn Đình Thọ (2013), Cronbach (1951) đưa ra hệ số tin cậy cho thang đo. Hệ số
Cronbach’s Alpha chỉ đo lường độ tin cậy của thang đo (bao gồm từ 3 biến quan sát trở lên ) chứ khơng tính được độ tin cậy cho từng biến quan sát. Hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [0,1]. Hệ số này càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên điều này khơng hồn tồn chính xác. Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0.95 trở lên) cho thấy có nhiều biến trong thang đo khơng có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo
- Theo Nunnally, J. (1978), nếu một biến đo lường có hệ số tương quan biến
tổng Corrected Item – Total Correlation ≥ 0.3 thì biến đó đạt yêu cầu
- Theo Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), 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.
3.4.5.2.2. Phân tích nhân tố khám phá EFA
Theo Hair và cộng sự (2009), phân tích nhân tố khám phá (EFA) là một 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 (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al. 2009).
Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
Factor loading > 0.3 được xem là đạt mức tối thiểu Factor loading > 0.4 được xem là quan trọng
Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
Hệ số tải nhân tố (Factor loading ): Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition, 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.
Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. 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 là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng khơng thích hợp với tập dữ liệu nghiên cứu.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Phần trăm phương sai trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu % ( Nguyễn Đình Thọ,2011)
Trị số Eigenvalue: Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số
lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mơ hình phân tích .
3.4.5.2.3. Phân tích hồi quy tuyến tính bội
Bảng Model Summary: cho chúng ta kết quả R bình phương (R Square) và R bình phương hiệu chỉnh (Adjusted R Square) để đánh giá mức độ phù hợp của mơ hình. R2 hay R2 hiệu chỉnh đều có mức dao động trong đoạn từ 0 đến 1. Nếu R2 càng tiến về 1, các biến độc lập giải thích càng nhiều cho biến phụ thuộc, và ngược lại, R2 càng tiến về 0, các biến độc lập giải thích càng ít cho biến phụ thuộc. Chỉ số R2 nằm trong bảng Model Summary. Kết quả bảng này cũng đưa ra giá trị Durbin–Watson để đánh giá hiện tượng tự tương quan chuỗi bậc nhất
Bảng Coefficients: gồm có hệ số hồi quy B, hệ số hồi quy Beta, giá trị Sig và chỉ số VIF.
+ Hệ số hồi quy (B hoặc Beta) mang dấu âm, nghĩa là biến độc lập đó tác động nghịch
chiều lên biến phụ thuộc. Dựa vào trị tuyệt đối của Beta, trị tuyệt đối càng lớn biến độc lập càng tác động mạnh mẽ lên biến phụ thuộc.
+ Chỉ số VIF (Hệ số phóng đại phương sai) là một chỉ số đánh giá hiện tượng cộng tuyến
trong mơ hình hồi quy. Theo Hair và cơng sự (2009), VIF lớn hơn 10 trở lên sẽ xảy ra đa cộng tuyến mạnh, VIF càng nhỏ, càng ít khả năng xảy ra đa cộng tuyến. Vì vậy nên để chỉ số VIF thấp nhất có thể. Theo Nguyễn Đình Thọ (2010), nếu VIF > 2, chúng ta cần cẩn thận bởi vì đã có thể xảy ra sự đa cộng tuyến gây sai lệch các ước lượng hồi quy.