CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.3 Phương pháp phân tích dữ liệu
3.3.1 Phương pháp thống kê mô tả
Thống kê mô tả được sử dụng để mơ tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách khác nhau. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu. Trong nghiên cứu này, tác giá muốn thống kê mô tả về độ tuổi, nghề nghiệp, thu nhập, thời gian truy cập internet và các nguồn thông tin tham khảo trên internet.
3.3.2 Kiểm định độ tin cậy Cronbach’s Alpha của thang đo
Trong phân tích này, đầu tiên ta phải phân tích độ tin cậy Cronbach’s Alpha cho từng nhóm biến thuộc các nhân tố khác nhau. Phương pháp này cho biết những biến không phù hợp cần được loại bỏ và các biên rác khác trong mơ hình nghiên cứu. Trong các thang đo, hệ số tương quan biến tổng thể hiện sự tương quan giữa biến quan sát với tất cả các biến khác trong thang đo, hệ số tương quan càng cao thì sự tương quan của các biến khác càng cao. Độ tin cậy Cronbach’s Alpha phải nằm trong khoàng từ 0.6 đến 1.0 để đảm bảo các biến trong cùng một nhân tố có ý nghĩa tương quan với nhau. Ngược lại, các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác và bị loại khỏi thang đo. Nhiều nhà nghiên cứ đồng ý rằng hệ số Cronbach’s Alpha (α) theo quy ước hệ số α lớn hơn 0,8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử dụng được; từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
3.3.3 Phân tích nhân tố khám phá
Hair và cộng sự (2010) đã nói phân tích nhân tố khám phá là phương pháp phân tích EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques). Phương pháp đã được áp dụng để phân tích thống kê đồng thời rút gọn một tập gồm nhiều biến quan sát thành một nhóm, để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung thông tin của các biến ban đầu. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát.
Cũng theo Hair và cộng sự (2010), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (Ensuring Practical Significance). Khi Factor loading > 0.3 thì được xem là đạt được mức tối thiểu, khi Factor loading > 0.4 thì được xem là quan trọng, nếu Factor loading >= 0.5 thì được xem là có ý nghĩa với thực tiễn.
Theo Trọng & Ngọc (2005), kiểm định Bartlett (Bartlett’s test) xem xét giả thiết H0 là độ tương quan giữa các biến quan sát bằng 0 trong tổng thể. Nếu như kiểm định này có ý nghĩa thống kê, tức là Sig < 0,05 thì các quan sát có tương quan với nhau trong tổng thể. Từ đó có thể thấy, trong phân tích nhân tố khám phá các điều kiện cần phải đáp ứng là:
- Factor Loading > 0,5 - 0,5 < KMO < 1
- Kiểm định Bartlett có Sig < 0,05
- Phương sai trích Total Varicance Explained > 50% - Eigenvalue > 1
Phân tích nhân tố được thực hiện với phép trích Principal Componnents, sử dụng phép xoay Varimax, sử dụng phương pháp kiểm định KMO (Kaiser-Meyer-Olkin) và Bartlett để đo lường sự tương thích của các mẫu khảo sát.
3.3.4 Phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis)
Phân tích nhân tố khẳng định là một trong những kỹ thuật thống kê của mơ hình cấu trúc tuyến tính (SEM). Phân tích CFA cho chúng ta kiểm định các biến quan sát (measured variables) đại diện cho các nhân tố (constructs) để xem các nhân tố này tốt đến mức nào. Trong phân tích nhân tố khẳng định, các điều kiện cần phải đáp ứng là:
- Chisquare/df (CMIN/df) ≤ 3: Kiểm định Chi-square về tính khả dụng của mơ hình. - GFI > 0.9 (goodness of fit index – chỉ số tính phù hợp của thị trường)
- CFI > 0.9 (comparative fit index).
- RMSEA ≤ 0.08 (Root mean square aproximately – căn bậc hai của xấp xỉ sai số (Hair và cộng sự, 2010).
3.3.5 Phân tích qua mơ hình cấu trúc tuyến tính (SEM – Structural Equation Modelling)
Mơ hình cấu trúc tuyến tính (SEM) được sử dụng để mô tả mối quan hệ giữa các biến quan sát được (observed variables) với mục tiêu là kiểm định các giả thuyết thống kê. Cụ thể hơn, SEM có thể được sử dụng để kiểm định mối quan hệ giữa các khái niệm (constructs). Tuy nhiên, khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mơ hình cổ điển (mơ hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mơ hình, ước lượng mối quan hệ
nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) thông qua các chỉ số kết hợp cả đo lường và cấu trúc của mơ hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổn định (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư. Mơ hình SEM cho phép linh động tìm kiếm mơ hình phù hợp nhất trong các mơ hình đề nghị.
3.3.6 Kiểm định độ tin cậy của ước lượng bằng Bootstrap
Để đánh giá độ tin cậy của các ước lượng thơng qua lấy mẫu lặp lại có thay thế, trong đó mẫu ban đầu đóng vai trị là đám đơng (McCroskey và cộng sự, 2006). Hiệu số trung bình giữa các ước lượng từ Bootstrap và các ước lượng ban đầu gọi là độ chệch. Trị tuyệt đối các độ chệch này càng nhỏ, càng khơng có ý nghĩa thống kê tốt.
TĨM TẮT CHƯƠNG 3
Nội dung chương này trình bày ngắn gọn về quy trình và phương pháp thực hiện nghiên cứu. Nghiên cứu được thực hiện thơng qua 2 phương pháp đó là định tính và định lượng. Nghiên cứu định tính được thực hiện bằng kỹ thuật thảo luận nhóm với cỡ mẫu n = 5 để hiệu chỉnh, bổ sung các biến quan sát, thang đo và mơ hình nghiên cứu. Nghiên cứu định lượng được thực hiện sơ bộ 50 mẫu và chính thức là 350 mẫu, thơng qua Internet bằng bảng câu hỏi chi tiết nhằm kiểm tra giá trị thang đo đã được thiết kế và sự phù hợp của mơ hình. Trong chương 3 tác giả cịn miêu tả cách chọn mẫu cho nghiên cứu chính thức và phương pháp phân tích dữ liệu phục vụ cho chương tiếp theo.