Q trình phân tích dữ liệu thơng qua mềm xử lý SPSS 16.0 đƣợc thực hiện qua các giai đoạn sau:
3.4.1. Đánh giá độ tin cậy thang đo bằng phƣơng pháp hệ số tin cậy Cronbach’s Alpha Alpha
Hệ số Alpha của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tƣơng quan với nhau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Mục đích đánh giá độ tin cậy thang đo bằng Cronbach’s Alpha để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn.
Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach alpha từ 0,8 trở lên đến gần 1 thì thang đo lƣờng là tốt, từ 0,7 đến gần 0,8 là sử dụng đƣợc. Cũng có nhà nghiên cứu đề nghị rằng Cronbach alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang đo lƣờng là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995; theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Ngoài ra khi kiểm tra từng biến đo lƣờng chúng ra sử dụng hệ số tƣơng quan biến tổng (item-total correlation). Nếu một biến đo lƣờng có hệ số tƣơng quan biến tổng (hiệu chỉnh) lớn hơn hoặc bằng 0,30 thì biến đó đạt yêu cầu (Nunnally and Bernstein, 1994, theo Nguyễn Đình Thọ, 2011).
3.4.2. Đánh giá giá trị của thang đo bằng phân tích nhân tố khám phá EFA
Trƣớc khi sử dụng EFA cần phải xem xét mối quan hệ giữa các biến đo lƣờng bằng các phép kiểm định nhƣ kiểm định Bartlett hay kiểm định KMO (Kaiser-Meyer- Olkin measure of sampling adequacy). Nếu phép kiểm định Bartlett có p (giá trị sig) nhỏ hơn 5% nghĩa là các biến có quan hệ nhau và chúng ta có thể tiếp tục phân tích EFA. Đối với kiểm định KMO, điều kiện để sử dụng đƣợc EFA là KMO nằm trong khoảng từ 0,5 đến 1 (Nguyễn Đình Thọ, 2011).
Để đánh giá thang đo, chúng ta cần xem xét ba thuộc tính quan trọng trong kết quả EFA: số lƣợng nhân tố trích đƣợc, trọng số nhân tố, và tổng phƣơng sai trích. Đối
mơ hình nghiên cứu có năm nhân tố ảnh hƣởng đến sự hài lòng của khách du lịch); Trọng số nhân tố (factor loading) phải có giá trị lớn hơn 0,5 để đảm bảo thang đo có giá trị thực tiễn; Tổng phƣơng sai trích bằng hoặc lớn hơn 50% thì thang đo đƣợc chấp nhận.
3.4.3. Phân tích hồi quy tuyến tính bội MLR
Bƣớc đầu tiên khi tiến hành phân tích hồi quy tuyến tính bội là cần phải xem xét mối quan hệ giữa các biến thông qua ma trận hệ số tƣơng quan (Pearson Correlation). Ma trận hệ số tƣơng quan này giúp chúng ta xem xét tổng quát mối quan hệ giữa từng biến độc lập với biến phụ thuộc và mối quan hệ giữa các biến độc lập với nhau. Khi hệ số này tiến đến gần tới 1 thể hiện mối quan hệ tuyến tính chặt chẽ.
Để đánh giá độ phù hợp của mơ hình hồi quy tuyến tính bội ta sử dụng hệ số xác định điều chỉnh (Adjusted R square); Đại lƣợng F đƣợc sử dụng để kiểm định trong giả thuyết này tƣơng đƣơng với kiểm định F trong phân tích ANOVA, tức là xem xét tồn bộ biến thiên quan sát đƣợc của biến phụ thuộc chia làm hai phần: biến thiên hồi qui (regression) và biến thiên phần dƣ (residual) và so sánh hai biến thiên này. Nếu nhƣ biến thiên hồi qui lớn hơn nhiều so với biến thiên phần dƣ thì mơ hình hồi quy càng phù hợp (Đại lƣợng F đƣợc tính bằng tỉ số giữa mean square regression với mean square residual); Nếu giá trị sig. rất nhỏ thì mơ hình hồi quy phù hợp với tập dữ liệu.
Hiện tƣợng đa cộng tuyến: Nếu hệ số phóng đại phƣơng sai (VIF-Variance Inflation Factor) của một biến độc lập nào đó >10 thì biến này hầu nhƣ khơng có giá trị giải thích biến thiên của biến phụ thuộc trong mơ hình MLR (Hair et al., 2006, theo Nguyễn Đình Thọ, 2011).
3.4.4. Kiểm định khác biệt trung bình (mơ hình T-test và kiểm định Kruskal-Wallis) Wallis)
Để kiểm định sự khác biệt giữa trung bình hai đám đông (cụ thể trong nghiên cứu này chúng ta kiểm định sự khác biệt tác động lên sự hài lịng của hai nhóm khách du lịch nam và nữ), ta dùng mơ hình T-test. Nếu đám đơng của của độ khác biệt có phân phối chuẩn (mức ý nghĩa của Levene's Test > 0,05), ta xem giá trị sig. (hay giá trị p) nếu lớn hơn 0,05 thì giữa hai nhóm này khơng có sự khác biệt về sự hài lòng.
Kiểm định Kruskal-Wallis kiểm định sự khác biệt giữa trung bình các đám đơng trong trƣờng hợp các đám đơng khơng có phân phối chuẩn. Nếu mức ý nghĩa quan sát của kiểm định lớn hơn 0,05 ta có thể kết luận với mức ý nghĩa 5% thì khơng có sự khác biệt giữa trung bình các đám đơng.