Dữ liệu sau khi được thu thập sẽ được mã hố và thực hiện q trình phân tích như sau:
3.5.3.1 Phân tích mơ tả
Trong bước đầu tiên, tác giả sử dụng phân tích mơ tả để phân tích các thuộc
tính của mẫu nghiên cứu: biết về TPCN qua kênh thông tin nào, các thông tin cá nhân của người trả lời như: giới tính, độ tuổi, trình độ học vấn, thu nhập…
3.5.3.2 Kiểm định và đánh giá thang đo
Để đánh giá thang đo các khái niệm trong nghiên cứu cần kiểm tra độ tin cậy, độ giá trị của thang đo. Dựa trên các hệ số tin cậy Cronbach alpha, hệ số tương quan
biến-tổng (Item-to-total correlation) giúp loại ra các biến quan sát khơng đóng góp vào việc mơ tả khái niệm cần đo, hệ số “Cronbach’s alpha if Item Delected” để giúp
đánh giá loại bỏ bớt biến quan sát nhằm nâng cao hệ số tin cậy Cronbach alpha cho
khái niệm cần đo và phương pháp phân tích nhân tố khám phá (EFA) nhằm kiểm tra
độ giá trị của thang đo các khái niệm nghiên cứu. Phân tích Cronbach alpha
Sử dụng phương pháp hệ số tin cậy Cronbach Alpha trước khi phân tích nhân tố EFA nhằm loại ra các biến khơng phù hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2007).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ (< 0.3). Các biến có hệ số tương quan biến-tổng nhỏ hơn 0.3 được coi là các biến rác và sẽ loại ra khỏi
mơ hình; tiêu chuẩn chọn thang đo khi có độ tin cậy α lớn hơn 0.6 (α càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang,
2007). α = -(1-∑ ) (3.1)
K: số lượng các thành phần.
: Phương sai của tổng số điểm của tất cả các thành phần giữa các mẫu thử
nghiệm.
: Phương sai của i thành phần của mẫu.
Phân tích nhân tố khám phá (EFA)
Sau khi loại bỏ các biến không đảm bảo độ tin cậy, phương pháp phân tích
nhân tố EFA được sử dụng để xác định giá trị hội tụ (convergent validity), độ giá trị phân biệt (discriminant validity), và đồng thời thu gọn các tham số ước lượng theo
từng nhóm biến.
Để thang đo đạt giá trị hội tụ thì hệ số tương quan đơn giữa các biến và các
nhân tố (factor loading) phải ≥ 0.5 trong một nhân tố. Để đạt độ giá trị phân biệt,
khác biệt giữa các nhân tố phải ≥ 0.3 (Nguyễn Đình Thọ, 2011).
Số lượng nhân tố được xác định dựa trên chỉ số Eigenvalue- đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser, những nhân tố có Eigenvalue < 1 sẽ bị loại ra khỏi mơ hình (Nguyễn Đình Thọ, 2011).
Tiêu chuẩn phương sai trích (Variance explained criteria): tổng phương sai trích phải > 50%.
Xem xét giá trị KMO: 0.5 < KMO < 1 thì phân tích nhân tố là phù hợp với dữ liệu; ngược lại KMO < 0.5, thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2009).
Sử dụng phương pháp trích yếu tố Principal components với phép quay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues > 1 đối với các biến
quan sát đo lường khái niệm thành phần tác động đến Ý định hành vi. (Nguyễn Đình Thọ, 2011).
3.5.3.3 Phân tích hồi quy
Sau khi hồn tất việc phân tích đánh giá độ tin cậy thang đo (sử dụng hệ số tin cậy Cronbach Alpha) và kiểm định giá trị khái niệm của thang đo (phân tích nhân tố khám phá EFA), các biến không đảm bảo độ giá trị hội tụ tiếp tục bị loại khỏi mơ
quan hệ giữa các nhóm biến này cũng như xác định mối quan hệ giữa các nhóm
biến độc lập (yếu tố thành phần) và nhóm biến phụ thuộc (ý định hành vi) trong mơ hình nghiên cứu được thực hiện bằng phương pháp phân tích hồi quy bội.
Giá trị của biến mới trong mơ hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó, giá trị của các thành phần được phần mềm
SPSS tính một cách tự động từ giá trị trung bình có trọng số của các biến quan sát
đã được chuẩn hoá. Tuy nhiên, trước khi tiến hành phân tích hồi quy, một phân tích
quan trọng cần được thực hiện đầu tiên là phân tích tương quan nhằm kiểm định
mối tương quan tuyến tính giữa các biến trong mơ hình (Nguyễn Đình Thọ, 2011).
Phân tích tương quan
Kiểm định mối tương quan tuyến tính giữa các biến trong mơ hình: giữa biến phụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau. Sử dụng hệ số tương quan Pearson để lượng hố mức độ chặt chẽ mối liên hệ tuyến tính giữa hai biến định lượng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì mối tương quan tuyến tính của hai biến này càng chặt chẽ (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2009).
Kiểm định các giả thuyết, sử dụng với phần mềm SPSS
- Đánh giá độ phù hợp của mơ hình hồi quy : R2, R2 hiệu chỉnh. - Kiểm định giả thuyết về độ phù hợp của mơ hình.
- Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy riêng phần βi (i=1..3). - Xác định mức độ ảnh hưởng của các yếu tố tác động đến ý định mua
TPCN: yếu tố có hệ số β lớn hơn thì có thể nhận xét rằng yếu tố đó có mức độ ảnh hưởng cao hơn các yếu tố khác trong mơ hình nghiên cứu. (Nguyễn Đình Thọ,
2011).
Hồi quy tuyến tính được tiến hành để kiểm tra mối quan hệ giữa:
Ý định hành vi và 3 yếu tố ảnh hưởng đến ý định hành vi: thái độ đối với hành vi, chuẩn mực chủ quan và kiểm soát hành vi nhận thức.
Áp dụng trong trường hợp so sánh trị trung bình về một chỉ tiêu nghiên cứu giữa hai đối tượng cần quan tâm. Trước khi thực hiện kiểm định trung bình chúng ta cần phải thực hiện một kiểm định khác mà kết quả của nó ảnh hưởng rất quan trọng
đến kiểm định trung bình, đó là kiểm định sự bằng nhau của hai phương sai tổng
thể. Vì phương sai diễn tả mức độ đồng đều hoặc không đồng đều của dữ liệu quan sát nên phải tiến hành kiểm định sự bằng nhau về phương sai, kiểm định Levene test.
Levene test được tiến hành với giả thuyết H0: phương sai của 2 tổng thể bằng nhau, nếu kết quả kiểm định cho mức ý nghĩa quan sát nhỏ hơn 0.05, có thể bác bỏ giả thuyết Ho. Kết quả của việc bác bỏ hay chấp nhận giả thuyết H0 sẽ ảnh hưởng
đến việc bạn lựa chọn tiếp loại kiểm định giả thuyết về sự bằng nhau giữa hai trung
bình tổng thể nào: kiểm định trung bình với phương sai bằng nhau hay kiểm định
trung bình với phương sai khác nhau. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2009).
3.5.3.5 Phân tích phương sai (ANOVA)
ANOVA (ANalysis Of Variance) là phương pháp phân tích phương sai, được sử dụng để so sánh trung bình từ ba đám đơng trở lên. Sử dụng phân tích phương
sai ANOVA để tìm ra sự khác biệt về kết quả đánh giá mức độ quan trọng của các tiêu chí giữa các nhóm đối tượng khảo sát khác nhau.
Các biến trong phương pháp ANOVA gồm một biến phụ thuộc định lượng Yij và một hay nhiều biến độc lập Xi định tính. Khi có một biến độc lập Xi như trong trường hợp thử nghiệm ngẫu nhiên hoàn toàn, phương pháp ANOVA được gọi là ANOVA một chiều (one-way ANOVA). Nếu có hai biến độc lập như trong trường hợp thử nghiệm khối ngẫu nhiên, phương pháp ANOVA được gọi là ANOVA hai chiều (two-way ANOVA) (Nguyễn Đình Thọ, 2011).
Trong phân tích này, hệ số cần quan tâm là hệ số sig. Giả thuyết H0 đặt ra là khơng có sự khác biệt về kết quả đánh giá của các đối tượng về mức độ quan trọng của các yếu tố. Nếu hệ số sig. ≤ 0.1 (với độ tin cậy là 90%) thì bác bỏ giả thuyết, tức có sự khác biệt về kết quả đánh giá của các đối tượng về mức độ quan trọng của
các nhân tố. Nếu Sig > 0.1 thì chấp nhận giả thuyết H0.
Tóm tắt chương 3
Chương 3 trình bày phương pháp thực hiện nghiên cứu nhằm đạt được các
mục tiêu đề ra. Quá trình này gồm hai bước: Bước 1, nghiên cứu định tính với kỹ
thuật thảo luận tay đôi nhằm bổ sung và hiệu chỉnh các thang đo các biến trong mô hình. Bước 2, nghiên cứu định lượng thực hiện bằng cách phỏng vấn trực tiếp bằng bảng câu hỏi. Sau đó dữ liệu sẽ được xử lý và phân tích bằng phần mềm SPSS để kiểm định các thang đo và sự phù hợp của mơ hình lý thuyết.
Trong chương tiếp theo, tác giả sẽ trình bày kết quả phân tích dữ liệu, kết quả nghiên cứu bao gồm kết quả đánh giá thang đo, phân tích nhân tố khám phá, phân tích hồi quy và kiểm định giả thuyết.
KẾT QUẢ NGHIÊN CỨU
CHƯƠNG 4:
Trong chương này sẽ trình bày các phát hiện từ dữ liệu thực nghiệm thu được
từ khảo sát định lượng bao gồm: (1) mô tả mẫu, (2) kiểm định độ tin cậy của thang
đo, (3) phân tích nhân tố, (4) kiểm định độ giá trị của thang đo, (5) phân tích hồi
quy, (6) kiểm định giả thuyết nghiên cứu.
4.1 Mô tả mẫu