8. Kết cấu của luận án
2.3.3.Phân tích số liệu
Sau khi thu nhận được các bảng câu hỏi trả lời, tác giảđã tiến hành làm sạch thông tin, lọc bảng câu hỏi và mã hóa những thông tin cần thiết trong bảng câu hỏi, nhập liệu và phân tích dữ liệu bằng phần mềm SPSS. Tiến hành thống kê để mô tả
dữ liệu thu thập. Sau đó, tiến hành các bước (1) kiểm định giá trị của biến bằng phương pháp phân tích nhân tố EFA, bước (2) đánh giá độ độ tin cậy của thang đo bằng hệ số tin cậy Cronbach’s Alpha, và (3) phân tích hồi quy đa biến.
2.3.3.1. Kiểm định giá trị của biến bằng phương pháp phân tích nhân tố khám phá Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis – viết tắt là EFA) là tập hợp các kỹ thuật phân tích thống kê có liên hệ
với nhau dùng để rút gọn một tập K biến quan sát thành một tập F (F < K) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ của các nhân tố với các biến nguyên thủy. Phương pháp EFA thuộc nhóm các phương pháp phân tích đa biến phụ thuộc lẫn nhau vì các biến được đưa vào phân tích không có biến độc lập và phụ thuộc mà chúng cùng phụ thuộc lẫn nhau. Để chọn số lượng nhân tố, ba phương pháp thường được sử dụng là (1) tiêu chí E=eigenvalue, (2) tiêu chí điểm uốn và (3) xác định trước số lượng nhân tố. Để dễ dàng trong diễn giải kết quả EFA, người ta thường dùng phương pháp quay nhân tố để diễn giải kết quả. Có thể quay (1) vuông góc hay (2) không vuông góc. Để xác định sự phù hợp khi dùng EFA, có thể dùng kiểm định Bartleet hoặc KMO (Kaiser-Meyer_Olkin). KMO có giá trị từ 0.5 trở lên, các biến có trọng số (factor loading) nhỏ hơn 0.5 sẽ
bị loại và kiểm tra tổng phương sai trích được (>=50%), hệ số Eigenvalues >= 1
Bảng 2.2. Hệ số factor loading đạt yêu cầu theo cỡ mẫu
Cỡ mẫu Hệ số Factor loading Cỡ mẫu Hệ số Factor loading
50 0,75 120 0,50 60 0,70 150 0,45 70 0,65 200 0,40 85 0.60 250 0,35 100 0.55 350 0,30 Nguồn:J.F.Hair và cộng sự, 1998
2.3.3.2. Đánh giá độ tin cậy của thang đo
Đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Phương pháp Cronbach alpha dùng để loại bỏ các câu không phù hợp và hạn chế các câu nhiễu trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo. Hệ số
Crobach alpha có giá trị biến thiên từ 0 đến 1. Nhiều nhà nghiên cứu đồng ý rằng Cronbach’s Alpha từ 0.8 trở lên đến gần 1 thì thang đo lường tốt, từ 0.7 đến gần 0.8 là sử dụng được (Nunnally, 1978; Peterson, 1994; Slater, 1995). Tuy nhiên, hệ số
này chỉ cho biết các đo lường có liên kết với nhau hay không, nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, hệ số tương quan biến – tổng sẽ giúp loại ra những biến quan sát không đóng góp nhiều cho sự
mô tả cần đo. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ
0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đo lường là mới hoặc
đối với người trả lời trong bối cảnh nghiên cứu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Trong đề tài nghiên cứu này, tác giả đề nghị Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được.
2.3.3.3. Phân tích mô hình hồi quy đa biến
Mô hình hồi quy đa biến MVR (Multi Variate Regression) là mô hình có nhiều biến phụ thuộc định lượng và nhiều biến độc lập định tính hoặc định lượng. Mô hình MVR giả định là các biến phụ thuộc không có quan hệ với nhau. Vì vậy, MVR thực chất là tập hợp các mô hình hồi quy bội. Mô hình hồi quy bội (Multiple
Linear Regression – ký hiệu là MLR) là mô hình dùng để kiểm định tác động của nhiều biến độc lập định lượng vào một biến phụ thuộc định lượng.
Sau quá trình kiểm định giá trị của biến (EFA), tiến hành tính toán nhân số
của nhân tố (giá trị nhân tố trích được trong phân tích nhân tố EFA), kiểm định thang đo (Cronbach alpha) và bằng cách tính trung bình cộng của các biến quan sát thuộc nhân tố tương ứng. Các nhân tố được trích trong phân tích nhân tố được sử
dụng trong phân tích hồi quy để kiểm định mô hình nghiên cứu và các giải thuyết kèm theo. Các kiểm định giả thuyết thống kê đều áp dụng mức ý nghĩa 5% [17].
Nghiên cứu thực hiện hồi quy đa biến theo phương pháp Enter: tất cả các biến được đưa vào một lần và xem xét các kết quả thống kê liên quan.
- Phương trình hồi quy đa biến cho mô hình nghiên cứu đề xuất ban đầu như sau: Y = f(x) = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6 + β7X7 + β8X8 +ε
Trong đó:
Y là QUA: Chất lượng đào tạo X1 là INF : Trao đổi thông tin X2 là TRA : Tham gia đào tạo X3 là FIN : Hỗ trợ tài chính X4 là PRG : Chương trình đào tạo
X5 là LEC : Chất lượng đội ngũ giảng viên X6 là INS : Cơ sở vật chất
X7 là MAN : Quản lý đào tạo X8 là COT : Kiểm soát đào tạo
β0 là hằng số
β1, β2, β3, β4, β5, β6, β7, β8 là hệ số hồi quy ε là sai số ngẫu nhiên
Kiểm định giả thuyết sử dụng phần mềm SPSS:
- Đánh giá độ phù hợp của mô hình hồi quy đa biến: R2 - Kiểm định vềđộ phù hợp của mô hình (adsbygoogle = window.adsbygoogle || []).push({});
- Kiểm định giả thuyết về phân phối chuẩn của phần dư: dựa trên biểu đồ tần số của phần dư chuẩn hóa (xem giá trị trung bình (=0) và độ lệch chuẩn (=1).
- Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các biến độc lập) thông qua giá trị độ chấp nhận (tolerance) hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor): VIF > 2 thì có thể nhận xét có hiện tượng đa cộng tuyến [7].
- Xác định mức độảnh hưởng của các nhân tố tác động đến chất lượng đào tạo trình độđại học. Yếu tố có hệ sốβ càng lớn thì có thể nhận xét rằng yếu tốđó có mức độ ảnh hưởng cao hơn những yếu tố khác trong mô hình nghiên cứu.
2.3.3.4. Phân tích tương quan
- Kiểm định mối quan hệ giữa các biến trong mô hình: giữa biến phụ thuộc và từng biến độc lập và giữa biến độc lập với nhau. Đồ thị phân tán cũng như cung cấp thông tin trực quan về mối tương quan giữa hai biến. Sử dụng hệ số tương quan Pearson để lượng hóa độ chặt chẽ mối liên hệ tuyến tính giữa hai đại lượng. Giá trị
tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này có mối quan hệ tuyến tính càng chặt chẽ.
- Trong mô hình nghiên cứu, kỳ vọng có mối tương quan chặt chẽ giữa biến phụ thuộc và biến độc lập. Đồng thời nghiên cứu cũng xem xét mối tương quan giữa các biến độc lập với nhau để nhận dạng hiện tượng đa công tuyến.