CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU
2.2. Thu thập dữ liệu
2.2.7. Phương pháp phân tích dữ liệu
2.2.7.1. Phương pháp phân tích thống kê mơ tả
Phương pháp phân tích thống kê mơ tả được dùng để mơ tả về các thông tin của các đối tượng tham gia khảo sát. Để mô tả các dữ liệu một cách cụ thể ta dùng bảng kê và các biểu đồ nhằm mục đích thu được của các câu hỏi thuộc loại câu hỏi nhiều lựa chọn và câu hỏi thang Likert 5 mức độ.
2.2.7.2. Phương pháp phân tích kiểm tra độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Hệ số α của Cronbach’s là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Một trong những phương pháp kiểm tra tính đơn khía cạnh của thang đo được gọi là kiểm định độ tin cậy chia đôi (Trọng và Ngọc, 2008) [11].
Công thức của hệ số Cronbach α là:
27
Trong đó:
- ρ là hệ số tương quan trung bình giữa các mục hỏi - N là số mục hỏi, yếu tố trong nghiên cứu
Quy tắc đánh giá hệ số Cronbach Alpha như sau: - 0,80 ≤ α ≤ 0,95: Thang đo lường tốt;
- 0,70 ≤ α < 0,80: Thang đo lường sử dụng được
- α > 0,6: Là có thể sử dụng được trong trường hợp khái niệm đang đo lường là
mới hoặc mới đối với người được trả lời trong bối cảnh nghiên cứu. (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Trọng và Ngọc, 2008) [11].
- α < 0,6: Thang đo cho nhân tố là khơng phù hợp. Có thể do thiết kế bảng câu
hỏi chưa tốt hoặc dữ liệu thu được từ khảo sát có nhiều mẫu xấu. - α > 0,95: Thang đo có khả năng có các biến trùng nhau.
Hệ số tương quan biến tổng: Là hệ số cho biết mối quan hệ giữa các biến quan sát trong nhân tố với các biến còn lại. Khi hệ số tương quan biến tổng > 0.3 thì biến đó đóng góp giá trị khái niệm của nhân tố.
Ngoài ra, cần chú ý đến giá trị của cột Cronbach's Alpha if Item Deleted, thể hiện giá trị Cronbach's Alpha nếu loại biến tương ứng. Các biến khơng đóng góp nhiều cho thang đo chung thì khi xóa đi sẽ làm tăng hệ số alpha tổng.
2.2.7.3. Phương pháp phân tích kiểm định giả thuyết a. Kiểm định phân phối chuẩn:
Có nhiều cách kiểm định phân phối chuẩn:
Đơn giản nhất là xem biểu đồ với đường cong chuẩn (Histograms with normal curve) với dạng hình chng đối xứng với tần số cao nhất nằm ngay giữa và các tần số thấp dần nằm ở 2 bên. Trị trung bình (mean) và trung vị (mediane) gần bằng nhau và độ xiên (skewness) gần bằng zero.
Vẽ biểu đồ xác suất chuẩn (normal Q-Q plot). Phân phối chuẩn khi biểu đồ xác suất này có quan hệ tuyến tính (đường thẳng).
Dùng phép kiểm định Kolmogorov-Smirnov khi cỡ mẫu lớn hơn 50 hoặc phép kiểm định Shapiro-Wilk khi cỡ mẫu nhỏ hơn 50. Được coi là có phân phối chuẩn khi mức ý nghĩa (Sig.) lớn hơn 0,05.
b. Kiểm định phi tham số Mann-Whitney:
Được dùng để kiểm định các giả thuyết về 2 mẫu độc lập khơng có phân phối chuẩn.
Cách tính U trong kiểm định Mann-Whitney
U=n1n2+n2(n2+1)
2 -∑n2 Ri
i=n1+1 (2.2)
Trong đó: n1: số đối tượng nhóm 1
n2 : số đối tượng nhóm 2
∑n2 Ri
28
2.2.7.4. Phương pháp phân tích trị trung bình
Các đánh giá theo thang đo Likert năm mức độ của những người tham gia trả lời được dùng để tính tốn trị trung bình cho mỗi yếu tố ảnh hưởng.
Cơng thức tính trị trung bình như sau: 𝑋̅ = X1+ X2+X3+…+ Xn
n = 1
n ∑n Xi
i=1 (2.3)
Trong đó: X1, X2,…Xn lần lượt là các độ ảnh hưởng mức độ ảnh hưởng mà người tham gia khảo sát đánh giá cho 1 yếu tố.
n là tổng số người tham gia khảo sát đánh giá mức độ ảnh hưởng.
Từ đấy tìm ra các yếu tố có xếp hạng cao (nhóm đầu bảng) và các yếu tố xếp hạng thấp (nhóm cuối bảng) để phân tích.
2.2.7.5. Phương pháp phân tích nhân tố khám phá (EFA - Exploratory Factor Analysis)
Phân tích nhân tố được sử dụng trong các trường hợp sau:
- Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan trong một tập hợp biến.
- Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít khơng có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích đa biến tiếp theo sau.
- Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong các phân tích đa biến kế tiếp. (Trọng và Ngọc 2008, Phân tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức) [11].
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 và Cộng sự. 2009) [8].
Hai mục tiêu chính của EFA là phải xác định:
- Số lượng các nhân tố ảnh hướng đến một tập các biến đo lường. - Mức độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường
Trong nghiên cứu lượng biến thu về là khá lớn và chúng có mối liên hệ với nhau. Đồng thời, với mục đích nghiên cứu là: Mức độ ảnh hưởng của từng yếu tố. Vì thế việc sử dụng phân tích nhân tố khám phá (EFA) để phân tích số liệu trong nghiên cứu này là hợp lý.
Những tham số thống kê trong phân tích EFA như sau:
1. Hệ số tải nhân tố (factor loading): là những hệ số tương quan đơn giữa các biến và các nhân tố. Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến có hệ số (factor loading) lớn ở cùng một nhân tố. (Trọng và Ngọc, 2008) [11].
Thước đo hệ số tải theo Hair et al. 2009 [8], Multivariate Data Analysis:
- 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.
29
- Factor Loading ở mức ± 0.7: Biến quan sát có ý nghĩa thống kê rất tốt.
Tuy nhiên, giá trị tiêu chuẩn của hệ số tải Factor Loading cần phải phụ thuộc vào kích thước mẫu. Thường lấy hệ số tải: 0.75 với cỡ mẫu từ 50 đến 100; hệ số tải là 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 100 đến dưới 350; lấy tiêu chuẩn hệ số tải là 0.3 với cỡ mẫu từ 350 trở lên. Vì vậy nghiên cứu này, chọn hệ số tải là 0.5.
2. Kaiser-Meyer-Olkin (KMO): Là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO trong khoảng 0.5-1 (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, nếu như trị số KMO <0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu. (Trọng và Ngọc, 2008, Phân tích dữ liệu với SPSS, tập 2,NXB Hồng Đức, trang 31) [11].
3. Bartlett’s test of sphericity để kiểm định giả thuyết H0 là Biến khơng có tương quan với nhau trong tổng thể. Kết quả 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.
4. Số lượng nhân tố được xác định dựa vào hệ số Eigenvalue: Là đại lượng đại diện cho lượng biến thiên được giải thích bởi nhân tố, chỉ những nhân tố có Eigenvalue >1 mới được giữ lại trong mơ hình phân tích, những nhân tố có Eigenvalue <1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc. (Trọng và Ngọc, 2008) [11].
5. Tổng phần trăm phương sai (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 %.
6. Nếu 1 biến quan sát tải lên ở cả 2 nhân tố, chúng ta cần xem xét 2 trường hợp nhỏ. Trường hợp 1, biến quan sát tải lên ở cả 2 nhân tố, chúng ta cần lưu ý chênh lệch hệ số tải Factor Loading của biến quan sát giữa 2 nhóm nhân tố. Theo các nhà nghiên cứu, nếu chênh lệch hệ số tải nhỏ hơn 0.3, chúng ta cần loại bỏ biến quan sát đó. Tuy nhiên, chúng ta cũng cần xem xét đóng góp của biến vào giá trị nội dung của nhân tố trước khi quyết định loại bỏ hay giữ lại biến quan sát (Thọ, (2014). Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, trang 420) [15]. Trường hợp 2, 2 hệ số tải chênh nhau từ 0.3 trở lên, khi đó biến quan sát sẽ được giữ lại và nó sẽ nằm ở nhóm nhân tố có hệ số tải cao hơn.
2.2.8. Xây dựng quy trình ứng dụng mơ hình BIM và ứng dụng quy trình vào cơng trình thực tế trong cơng tác thanh quyết toán