CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.2. Công cụ thu thập dữ liệu, xây dựng bản câu hỏi và thang đo
3.2.2. Mẫu khảo sát
3.2.2.1. Quy mơ mẫu
Xác định kích thước mẫu là cơng việc khá phức tạp bởi hiện tại có quá nhiều quan điểm khác nhau. Nhiều nhà nghiên cứu địi hỏi có kích thước mẫu lớn vì nó dựa vào lý thuyết phân phối mẫu lớn (Raykov & Widaman, 1995). Tuy nhiên, kích thước mẫu bao nhiêu là lớn thì hiện nay chưa xác định rõ ràng. Hơn nữa, kích thước mẫu cịn tùy thuộc phương pháp ước lượng sử dụng. Bollen (1989) cho rằng kích thước mẫu tối thiểu là 5 mẫu cho một tham số ước lượng (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007) hay 15 mẫu cho một biến (Phạm Đức Kỳ và Bùi Nguyên Hùng, 2007). Tuy nhiên, số lượng mẫu cũng xác định trên số lượng tổng thể nghiên cứu (bằng 1/10 qui mô mẫu) (Nguyễn Viết Lâm, 2007).
Để sử dụng EFA, kích thước mẫu phải lớn. Kích thước mẫu tối thiểu 50, tốt hơn là 100 (Nguyễn Đình Thọ, 2014).Nguyên tắc lấy mẫu phổ biến nhất hiện nay là Bollen 5:1 (1989). Một số quan điểm khác đề nghị tỷ lệ quan sát/ trren biến quan sát là từ 2:1 đến 20:1 (Velicer & Fava, 1998, theo Nguyễn Thị Bích Liên, 2012). Mẫu nghiên cứu tối thiểu phải gấp 5 lần số lượng biến quan sát, biến quan sát ở đây là các câu hỏi trong bảng khảo sát. Cụ thể, bảng hỏi trong đề tài này có 5 câu biến quan sát mơ hình mẹ với 27 biến quan sát, thì mẫu tối thiểu của là 135. Tác giả chọn mẫu nghiên cứu là n = 160 phù hợp trong việc chạy dữ liệu phân tích EFA và hồi quy bội.
3.2.2.2. Phương pháp chọn mẫu
Do hạn chế về thời gian và kinh phí nên mẫu nghiên cứu được thu thập bằng phương pháp thuận tiện là phù hợp với tình hình thực tế của tác giả (nhanh chóng, tiết kiệm thời gian và chi phí).
Phương pháp chọn mẫu thuận tiện được áp dụng theo hạn ngạch (phi xác suất). Tuy nhiên, vì tỷ lệ mẫu thu thập số liệu /tổng thể cần khảo sát là 158/160 tương đương với 98,75%), nên có thể nói rằng tính đại diện của mẫu so với tổng thể đạt mức cao. Bảng câu hỏi được phát trực tiếp cho 160 cán bộ, viên chức. Người được hỏi khơng cần để lại danh tính trên bảng câu hỏi, đảm bảo rằng các câu trả lời là thẳng thắn, khách quan và có độ tin cậy cao.
2.1.3.1. Đo lường độ tin cậy của thang đo thành phần
* Phân tích độ tin cậy của thang đo
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến khơng phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay khơng; nhưng khơng cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính tốn hệ số tương quan giữa biến-tổng sẽ giúp loại ra những biến quan sát nào khơng đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
– Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ (nhỏ hơn 0,3); tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0,6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunally & Burnstein 1994; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
– Các mức giá trị của Alpha: 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; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
– Các biến quan sát có tương quan biến-tổng nhỏ (nhỏ hơn 0,4) được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Alpha đạt yêu cầu (lớn hơn 0,7).
Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá thang đo dựa theo tiêu chí:
– Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ hơn 0,4. Đây là những biến khơng đóng góp nhiều cho sự mô tả của khái niệm cần đo và nhiều nghiên cứu trước đây đã sử dụng tiêu chí này.
– Chọn thang đo có độ tin cậy Alpha lớn hơn 0,6, các khái niệm trong nghiên cứu này là tương đối mới đối với đối tượng nghiên cứu khi tham gia trả lời.
[http://phantichspss.com/phan-tich-do-tin-cay-cronbachs-alpha.html]
* 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 thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu. Bước đầu tiên để mơ tả và tìm hiểu về đặc tính phân phối của một bảng số liệu thơ là lập bảng phân phối tần số. Sau đó, sử dụng một số hàm để làm rõ đặc tính của mẫu phân tích. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các phương pháp cơ bản của mơ tả dữ liệu. Có rất nhiều kỹ thuật hay được sử dụng, có thể phân loại các kỹ thuật này như sau:
• Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu;
- Các đại lượng thống kê mô tả: • Mean: Số trung bình cộng. • Sum: Tổng cộng.
• Std.deviation: Độ lệch chuẩn.
• Minimum, maximum: Giá trị nhỏ nhất, giá trị lớn nhất. • DF: Bậc tự do.
• Std error: Sai số chuẩn.
• Median: Là lượng biến của tiêu thức của đơn vị đứng ở vị trí giữa trong dãy số lượng biến, chia số lượng biến thành hai phần (phần trên và phần dưới) mỗi phần có cùng một số đơn vị bằng nhau.
• Mode: Là biểu hiện của tiêu thức được gặp nhiều nhất trong tổng thể hay trong dãy phân phối. Trong dãy lượng biến, mode là lượng biến có tần số lớn nhất.
* Phương pháp phân tích nhân tố khám phá EFA
Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA 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 tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
• Factor loading > 0.4 được xem là quan trọng
• Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: Hệ số tải nhân tố (Factor loading ) > 0.5
0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nếu 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.
Phần trăm phương sai toàn bộ (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 %.
[http://phantichspss.com/tong-quan-phan-tich-nhan-to-kham-pha-efa.html] Phân tích hồi quy: Phân tích hồi quy là nghiên cứu sự phụ thuộc của một biến
(biến phụ thuộc hay biến được giải thích) vào một hay nhiều biến khác (biến độc lập hay biến giải thích) với ý tưởng cơ bản là ước lượng hay dự đoán giá trị trung bình của biến phụ thuộc trên cơ sở đã biết của biến độc lập.Các giả định khi xây dựng mơ hình hồi quy. Mơ hình hồi quy có dạng:
Yi = B0+ B1 X1i+ B2 X2i+...+ Bn Xni + ei
Các giả định quan trọng khi phân tích hồi quy tuyến tính - Giả thiết 1 : Giả định liên hệ tuyến tính.
- Giả thiết 2: Phương sai có điều kiện khơng đổi của các phần dư. - Giả thiết 3: Khơng có sự tương quan giữa các phần dư.
- Giả thiết 4: Không xảy ra hiện tượng đa cộng tuyến. - Giả thiết 5: Giả thiết về phân phối chuẩn của phần dư. Xây dựng mơ hình hồi quy, Các bước xây dựng mơ hình:
Để xem xét mối quan hệ giữa biến phụ thuộc và các biến độc lập thông qua xây dựng ma trận tương quan. Đồng thời ma trận tương quan là công cụ xem xét mối quan hệ giữa các biến độc lập với nhau nếu các biến này có tương quan chặt thì nguy cơ xảy ra hiện tượng đa cộng tuyến cao dẫn đến việc vi phạm giả định của mơ hình.
Bước 2: Đánh giá độ phù hợp của mơ hình
Thơng qua hệ số R2 ta đánh giá độ phù hợp của mơ hình xem mơ hình trên giải thích bao nhiêu % sự biến thiên của biến phụ thuộc.
R2 = TSS÷ESS Trong đó:
ESS: tổng bình phương tất cả các sai lệch giữa giá trị dự đốn của Yi và giá trị trung bình của chúng.
TSS: tổng bình phương sai lệch giữa giá trị Yi và giá trị trung bình của chúng. Khi đưa càng nhiều biến vào mơ hình thì hệ số này càng cao. Tuy nhiên, R2 ở hồi quy bội không phản ánh đúng sự phù hợp của mơ hình như trong mơ hình hồi quy đơn. Lúc này, ta phải sử dụng R2 điều chỉnh để đánh giá sự phù hợp của mơ hình.
-R2 = 1 – (1 - R2 ) ((n – 1)÷(n – 1)
Bước 3: Kiểm định sự phù hợp của mơ hình
Sử dụng kiểm định F để kiểm định với giả thiết Ho: B1 = B2 = Bn = 0
Nếu giả thiết này bị bác bỏ thì ta có thể kết luận mơ hình ta xây dựng phù hợp với tập dữ liệu.
Bước 4: Xác định tầm quan trọng của các biến
Ý tưởng đánh giá tầm quan trọng tương đối của các biến độc lập trong mô hình thơng qua xem xét mức độ tăng của R2 khi một biến giải thích được đưa thêm vào mơ hình. Nếu mức độ thay đổi này mà lớn thì chứng tỏ biến này cung cấp thông tin độc nhất về sự phụ thuộc mà các biến khác trong phương trình khơng có được. Ta đánh giá tầm quan trọng của một biến thông qua hai hệ số:
Hệ số tương quan từng phần: căn bậc hai của R2 change. Thể hiện mối tương quan giữa biến Y và X mới đưa vào. Tuy nhiên, sự thay đổi của R2 không thể hiện tỉ
lệ phần biến thiên mà một mình biến đó có thể giải thích. Lúc này, ta sử dụng hệ số tương quan riêng bằng căn bậc 2 của Prk2, với:
Bước 5: Lựa chọn biến cho mơ hình
Đưa nhiều biến độc lập vào mơ hình hồi quy khơng phải lúc nào cũng tốt vì những lý do sau (trừ khi chúng có tương quan chặt với biến phụ thuộc):
- Mức độ tăng R2 quan sát khơng hẳn phản ảnh mơ hình hồi quy càng phù hợp hơn với tổng thể.
- Đưa vào các biến khơng thích đáng sẽ làm tăng sai số chuẩn của tất cả các ước lượng mà không cải thiện được khả năng dự đốn.
- Mơ hình nhiều biến thì khó giải thích và khó hiểu hơn mơ hình ít biến. Ta sử dụng SPSS để giải quyết vấn đề trên. Các thủ tục chọn biến trên SPSS: Phương pháp đưa vào dần, phương pháp loại trừ dần, phương pháp từng bước (là sự kết hợp của hai phương pháp loại trừ dần và đưa vào dần).
Bước 6: Dị tìm sự vi phạm các giả các giả thiết (đã nêu ở trên bằng các xử lý của SPSS).
Ngồi ra, sử dụng phân tích chi bình phương một mẫu để tìm ra quy luật phân phối của mẫu và đánh giá độ tin cậy của thang đo thơng qua hệ số Cronbach Alpha.
TĨM TẮT CHƯƠNG 3
Chương này giới thiệu quy trình thực hiện nghiên cứu, thiết kế nghiên cứu, xây dựng thang đo và phương pháp phân tích dữ liệu thống kê. Cụ thể, sẽ giới thiệu chi tiết về phương pháp định lượng thông qua bảng câu hỏi và thiết kế thang đo 5 tương ứng với mơ hình được đề xuất.Mơ tả cách thức thu thập thơng tin, phương pháp phân tích dữ liệu, cách thức kiểm định độ tin cậy của thang đo bằng xác định hệ số Cronbach Alpha, phân tích nhân tố khám phá (EFA) và phân tích hồi quy tuyến tính.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU CÁC YẾU TỐ TÁC ĐỘNG ĐẾN TÍNH HỮU HIỆU CỦA HỆ THỐNG KIỂM SOÁT NỘI BỘ TẠI
TRƯỜNG CAO ĐẲNG KINH TẾ ĐỐI NGOẠI