CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU
2.4. Phân tích dữ liệu
2.4.1. Thống kê mô tả
Thống kê mô tả (Descriptive Statistics) là các phương pháp sử dụng để tóm tắt hoặc mơ tả một tập hợp dữ liệu, một mẫu nghiên cứu dưới dạng số hay biểu đồ trực quan. Các công cụ số dùng để mô tả thường dùng nhất là trung bình cộng và độ lệch chuẩn. Các công cụ trực quan thường dùng nhất là các biểu đồ.
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc [48] Giá trị trung bình được tính theo cơng thức:
𝑥 =∑ 𝑥𝑖
𝑛 𝑖=1
𝑛
Trong đó:
𝑥̅ : trung bình cộng giản đơn
n: số quan sát hay cỡ mẫu
𝑥𝑖 : giá trị của biến thứ i
Độ lệch chuẩn được tính theo cơng thức:
𝑠 = √ 1 𝑛 − 1∑(𝑥𝑖− 𝑥)2 𝑛 𝑖=1 Trong đó: s: độ lệch chuẩn 𝑥̅ : Giá trị trung bình
n: số quan sát hay cỡ mẫu xi: giá trị của biến thứ i
2.4.2. Kiểm định độ tin cậy bằng hệ số Cronbach’s alpha
Trong khảo sát sẽ gồm nhiều nhóm nhân tố khác nhau, trong từng nhóm nhân tố sẽ có nhiều biến quan sát, tuy nhiên không phải biến quan sát nào cũng đều hợp lý và phản ánh đúng tính chất, nội dung của nhóm nhân tố. Vì vậy kiểm định độ tin cậy thang đo Cronbach's Alpha sẽ giúp kiểm tra các biến quan sát có đáng tin cậy hay khơng, có phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng một nhân tố hay không. Kết quả Cronbach Alpha cho biết trong các biến quan sát của một nhân tố, biến nào đã đóng góp vào việc đo lường khái niệm nhân tố, thể hiện được đặc điểm của nhân tố đó.
Hệ số Cronbach’s Alpha được tính theo cơng thức sau:
𝛼 = 𝐾 𝐾 − 1[1 −∑ 𝛿𝑌𝑖 2 𝐾 𝑖=1 𝛿𝑋2 ]
Trong đó:
𝛼 : Hệ số Cronbach’s Alpha
K: Số biến quan sát trong thang đo
𝛿𝑌𝑖2 : Phương sai của biến quan sát thứ i
𝛿𝑋2 : Phương sai tổng thang đo
Mức giá trị hệ số Cronbach’s Alpha theo Hoàng Trọng, Chu Nguyễn Mộng Ngọc [49]
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.
Tuy nhiên, theo Nguyễn Đình Thọ [50], hệ số Cronbach’s Alpha quá lớn (khoảng từ 0.95 trở lên) cho thấy có nhiều biến quan sát trong thang đo khơng có gì khác biệt, hiện tượng này gọi là trùng lắp trong thang đo.
Phương pháp kiểm tra hệ số Cronbach’s Alpha ngoài kiểm tra độ tin cậy của thang đo còn kiểm tra hệ số tương quan biến tổng (Corrected Item – Total Coreclation) để đánh giá độ tin cậy của biến đo lường, hệ số tương quan biến tổng ≥ 0.3 thì biến đó đạt u cầu.
Tóm lại, để đánh giá độ tin cậy thang đo, ta có các tiêu chuẩn sau: - Hệ số Cronbach’s Alpha
+ Lớn hơn 0.95: Trùng lắp trong thang đo + Từ 0.7 đến 0.95: Thang đo lường sử dụng tốt + Từ 0.6 đến 0.7: Thang đo lường đủ điều kiện
- Hệ số tương quan biến tổng (Corrected Item – Total Coreclation) ≥ 0.3: biến đạt yêu cầu.
2.4.3. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
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 [51].
Hai mục tiêu chính của phân tích EFA là phải xác định số lượng các nhân tố ảnh hướng đến một tập các biến đo lường và cường độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường hay nói cách khác là giá trị hội tụ và giá trị phân biệt.
Hình 2.2. Các bước thực hiện phân tích nhân tố EFA
Các tiêu chí đánh giá trong EFA:
- Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO nằm trong khoảng [0.5,1] 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 (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay khơng. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA. Trị số này < 0.05 chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố, áp dụng phân tích nhân tố cho các biến đang xem xét
- 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 theo [49].
- Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mơ hình EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cơ đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
- Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, 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 [51]
+ 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.
Tuy nhiên, giá trị tiêu chuẩn của hệ số tải Factor Loading nên được xem xét cùng kích thước mẫu. Với từng khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát có ý nghĩa thống kê là hoàn toàn khác nhau