CHƢƠNG 3 : PHƢƠNG PHÁP NGHIÊN CỨU
3.4. Phƣơng pháp phân tích dữ liệu
Thơng thường phân tích nhân tố EFA theo Gorsuch (1983) thì cần có ít nhất 200 quan sát. Nghiên cứu này vì chọn mẫu thuận tiện (phi xác suất) nên cỡ mẫu sẽ được ấn định theo tiêu chuẩn 5:1 (Bollen,1989): số quan sát ít nhất cần lớn hơn 5 lần số biến. Vì nghiên cứu này có 31 tham số cần ước lượng nên kích thước mẫu tối thiểu phải là 31x5 + 50 = 205. 400 phiếu khảo sát được phát ra, thu về 250 mẫu, sau khi loại ra các mẫu khơng tốt, cịn 213 mẫu đưa vào xử lý định lượng.
Các dữ liệu sau khi thu thập được tác giả tiến hành làm sạch, mã hóa và xử lý thơng qua phần mềm SPSS 16.0. Các phương pháp phân tích sử dụng trong đề tài nghiên cứu gồm:
3.4.1. Bảng tần số
Bảng tần số mơ tả thơng tin mẫu theo giới tính, tình trạng hơn nhân, độ tuổi, trình độ học vấn, nghề nghiệp, thu nhập, thời gian sử dụng internet trong một ngày, tần suất mua hàng trực tuyến, số lần mua hàng trực tuyến trong 3 năm qua, thời gian tiêu tốn khi mua hàng trực tuyến, kinh nghiệm mua hàng trực tuyến.
3.4.2. Tính tốn Cronbach’s Alpha
Hệ số Cronbach‟s Alpha dùng để kiểm định thống kê về mức độ chặt chẽ của các mục hỏi của thang đo có tương quan với nhau khơng và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach‟s Alpha. Công cụ Cronbach‟s Alpha giúp người phân tích loại bỏ những biến khơng phù hợp và đánh giá tính chất hội tụ, tính
phân biệt của các biến quan sát nhằm hạn chế các biến rác trong quá trình nghiên cứu. Theo nguyên tắc một tập hợp mục hỏi dùng để đo lường được đánh giá tốt phải có hệ số Cronbach‟s Alpha ≥ 0,8. Thang đo có Cronbach‟s Anpha từ 0,7 đến 0,8 có thể sử dụng cho cơng cụ Cronbach‟s Alpha giúp người phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong q trình nghiên cứu. Những biến có hệ số tương quan biến - tổng (item total correlation) nhỏ hơn < 0,4 sẽ bị loại. Tuy nhiên, với những khái niệm có tính mới thì Cronbach‟s Alpha có thể từ 0,6 trở lên vẫn chấp nhận được (Nunnally,1978; Slater, 1995).
3.4.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật sử dụng để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng như tìm ra các mối quan hệ giữa các biến với nhau. Phép phân tích nhân tố của các khái niệm nghiên cứu được xem xét để cung cấp bằng chứng về giá trị phân biệt và giá trị hội tụ của thang đo.
Mức độ thích hợp của tương quan nội tại các biến quan sát trong khái niệm nghiên cứu được thể hiện bằng hệ số KMO (Kaiser – Mever – Olkin) đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Bartlett‟s Test of Sphericity trong phân tích khám phá dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, nếu KMO < 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu. Rút trích nhân tố đại diện bằng các biến quan sát được thực hiện với phép quay Varimax và phương pháp trích nhân tố Principle components. Các thành phần với giá trị Eigenvalue > 1 và tổng phương sai trích ≥ 50% được xem như những nhân tố đại diện các biến. Hệ số tải nhân tố (Factor loading) biểu diễn các tương quan đơn giữa các biến và các nhân tố, các trọng số ≥ 0,5 mới có ý nghĩa.
3.4.4. Phân tích hồi quy
Hồi quy tuyến tính bội thường được dùng để kiểm định và giải thích lý thuyết nhân quả (Cooper và Schindler, 2003). Ngồi chức năng là cơng cụ mơ tả, hồi
quy tuyến tính bội được sử dụng như cơng cụ kết luận để kiểm định các giả thuyết và dự báo các giá trị của tổng thể nghiên cứu. Như vậy, đối với nghiên cứu này, hồi quy tuyến tính bội là phương pháp thích hợp để kiểm định các giả thuyết nghiên cứu. Khi giải thích về phương trình hồi quy, nhà nghiên cứu lưu ý hiện tượng đa cộng tuyến. Các biến mà có sự đa cộng tuyến cao có thể làm bóp méo kết quả làm kết quả khơng ổn định và khơng có tính tổng qt hóa. Nhiều vấn đề rắc rối nảy sinh khi hiện tượng đa cộng tuyến nghiêm trọng tồn tại, ví dụ nó có thể làm tăng sai số trong tính tốn hệ số beta, tạo ra hệ số hồi quy có dấu ngược với những gì nhà nghiên cứu mong đợi và kết quả T-test khơng có ý nghĩa thống kê đáng kể trong khi kết quả F-test tổng quát cho mơ hình lại có ý nghĩa thống kê. Độ chấp nhận (Tolerance) thường được sử dụng đo lường hiện tượng đa cộng tuyến. Nguyên tắc nếu độ chấp nhận của một biến nhỏ thì nó gần như là một kết hợp tuyến tính của các biến độc lập khá và đó là dấu hiệu của đa cộng tuyến. Hoặc dựa vào hệ số phóng đại (VIF) là giá trị nghịch đảo của độ chấp nhận. Như vậy, nếu giá trị VIF thấp thì mối quan hệ tương quan giữa các biến thấp. Nếu VIF > 10 thì hiện tượng đa cộng tuyến nghiêm trọng. Trong mơ hình này, để khơng có hiện tượng đa cộng tuyến nghiêm trọng thì VIF phải nhỏ hơn 10.
Tóm tắt chƣơng 3
Chương 3 đã trình bày phương pháp nghiên cứu, phương pháp chọn mẫu, mơ tả quy trình nghiên cứu, điều chỉnh các thang đo đồng thời trình bày phương pháp phân tích dữ liệu. Nghiên cứu sơ bộ được thực hiện bằng định tính để điều chỉnh thang đo cho phù hợp. Nghiên cứu chính thức được thực hiện bằng định lượng và sử dụng các cơng cụ của SPSS để phân tích như: thống kê mơ tả, phân tích nhân tố EFA, kiểm định Cronbach‟s Alpha, phân tích tương quan, hồi quy bội. Trong chương tiếp theo, tác giả trình bày cụ thể kết quả phân tích.