Ký hiệu biến Câu hỏi các biến quan sát SHL1 Chất lượng đào tạo
SHL2 Điều kiện học tập (trang thiết bị, phòng học, thư viện…)
SHL3 Lĩnh hội được nhiều kỹ năng cần thiết trong cuộc sống sau khi
đang học tại trường
SHL4 Yêu thích ngành đang học
SHL5 Yên tâm và tự tin khi học tại trường
SHL6 Tự hào về trường, giới thiệu cho bạn bè, người thân về trường mình
3.4 Nghiên cứu định lượng
3.4.1 Phương pháp chọn mẫu
Nghiên cứu này sử dụng phương pháp chọn mẫu phi xác suất với hình thức chọn mẫu định mức. Lý do tác giả chọn phương pháp này vì người trả lời dễ tiếp cận, họ sẵn sàng trả lời bảng câu hỏi, cũng như nhằm tiết kiệm thời gian và chi phí
nhưng mẫu vẫn có thể đại diện cho đám đơng ngiên cứu
Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2005), lý do quan trọng để sử dụng phương pháp chọn mẫu phi xác suất là tính tiết kiệm về chi phí và thời gian. Về mặt này thì phương pháp chọn mẫu phi xác suất vượt trội so với chọn mẫu xác suất. Ngoài ra, hai tác giả cũng nhắc nhở rằng chọn mẫu xác suất khơng phải lúc nào cũng đảm bảo tính chính xác và trong một số trường hợp chọn mẫu xác suất là không thể thực hiện được. Để hạn chế những nhược điểm của phương pháp này, trong nghiên cứu tác giả chọn phương pháp chọn mẫu phi xác suất theo định mức.
Theo Nguyễn Đình Thọ (2011), nếu nhà nghiên cứu chọn đúng thuộc tính kiểm sốt (các thuộc tính có khả năng phân biệt đối tượng nghiên cứu cao) thì
phương pháp chọn mẫu này trong thực tiễn có thể đại diện cho đám đông. Khi phân
loại như vậy thì các phần tử trong một nhóm thường có tính đồng nhất cao, nên ở
mức độ nào đó sẽ có khả năng đại diện cho nhóm. Trong nghiên cứu này tác giả chọn mẫu định mức phân bổ theo khoa học (ngành học) tại SaigonACT.
3.4.2 Kích thước mẫu
Theo Nguyễn Đình Thọ (2011), kích thước mẫu cần cho nghiên cứu phụ thuộc vào nhiều yếu tố như phương pháp xử lý, độ tin cậy cần thiết… Kích thước
mẫu càng lớn, càng tốt nhưng lại tốn chi phí và thời gian. Vì vậy, hiện nay hầu hết các nhà nghiên cứu xác định kích thước mẫu thông qua công thức kinh nghiệm.
Hair & cộng sự (2010) cho rằng kích thước mẫu tối thiểu là 50, tốt hơn là 100 và tỷ lệ quan sát / biến đo lường là 5:1, tốt nhất là 10:1 trở lên. Mơ hình lý thuyết của nghiên cứu này có số lượng biến cần quan sát là 33 biến và dùng tỷ lệ 10:1 thì kích thước mẫu tối thiểu nên trong khoảng 165 mẫu - 330 mẫu.
Tác giả chọn kích thước mẫu n = 300 SV. Phương án này vừa khá tin cậy về kết quả, vừa tiết kiệm được chi phí và khả thi trong thời gian có hạn.
3.4.3 Phương pháp thu thập dữ liệu
Bảng câu hỏi sau khi được thiết kế sẽ được tác giả gửi trực tiếp đến tận tay sinh viên các khoa tại SaigonACT, tác giả hướng dẫn chi tiết sinh viên cách trả lời bảng câu hỏi và thu về. Dữ liệu sẽ được tổng hợp lại và sàng lọc. Yêu cầu để sàng lọc cho một bảng câu hỏi là khơng có thiếu giá trị (bỏ trống nhiều giá trị) hoặc bảng câu hỏi sinh viên chỉ trả lời một mức độ lựa chọn cho toàn bảng câu hỏi.
3.4.4 Phân tích dữ liệu
Cơng cụ phân tích dữ liệu:
Phương pháp phân tích dữ liệu
Thống kê mơ tả, hệ số tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá
(EFA). Phân tích tương quan, hồi quy tuyến tính được sử dụng để kiểm định mơ
hình và các giả thuyết nghiên cứu.
Phân tích thống kê mơ tả: Mơ tả thơng tin mẫu các sinh viên mà tác giả
điều tra nghiên cứu theo giới tính, khoa và khóa học.
Đồng thời, để đánh giá tính nhất quán nội tại của các khái niệm nghiên cứu, phương pháp hệ số tin cậy Cronbach Alpha và phương pháp phân tích nhân tố EFA được thực hiện, cụ thể như sau:
Hệ số Cronbach alpha dùng để kiểm định thống kê về mức độ chặt chẽ
của các mục hỏi của thang đo có tương quan với nhau không, dùng đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach alpha. Công cụ Cronbach alpha giúp
người phân tích loại bỏ những biến khơng phù hợp và hạn chế các biến rác trong quá
trình nghiên cứu. Những biến có hệ số tương quan biến tổng (item total correlation) nhỏ hơn 0.3 sẽ bị loại. Theo nguyên tắc một tập hợp mục hỏi dùng để đo lường được
đánh giá tốt phải có hệ số Cronbach alpha lớn hơn hoặc bằng 0.8. Thang đo có
Cronbach alpha từ 0.7 đến 0.8 có thể sử dụng cho nghiên cứu. Tuy nhiên với những khái niệm có tính mới thì Cronbach alpha có thể từ 0.6 trở lên vẫn chấp nhận được (Nunnally & Bernstein 1994).
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phân tích nhân tố khám phá 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, cịn nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu.
Sự 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 lớn hơn 1 và tổng phương sai trích bằng hoặc lớn hơn 50%
được xem như những nhân tố đại diện các biến (Gerbing & Anderson 1988). Các
biến có trọng số (factor loading) nhỏ hơn 0.4 trong EFA sẽ bị loại (Gerbing & Anderson 1988.
Phân tích hồi quy
Hồi quy tuyến tính bội thường được dùng để kiểm định và giải thích lý thuyết nhân quả. Ngoài chức năng là công cụ mô tả, hồi quy tuyến tính bội cịn 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 (Hoàng Thị Phương Thảo &ctg, 2010, tr.34). 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, nên lưu ý hiện tượng
đa cộng tuyến. Các biến 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. 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
Như vậy, nếu giá trị VIF thấp thì mối quan hệ tương quan giữa các biến thấp. Nếu
VIF lớn hơn 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.
Theo giả thuyết là có mối quan hệ giữa các thành phần của chất lượng dịch vụ đào tạo và sự hài lòng của sinh viên. Vấn đề đặt ra trong nghiên cứu này là có mối quan hệ tuyến tính cùng chiều giữa các thành phần chất lượng dịch vụ đào tạo với sự hài lòng của sinh viên hay không? Mức độ quan hệ như thế nào? Như vậy mơ hình tuyến tính bội được sử dụng để phân tích và giải thích vấn đề.
Ta tiến hành phân tích hồi quy để xác định cụ thể trọng số của từng yếu tố tác
động đến mức độ thỏa mãn của khách hàng. Phân tích hồi quy sẽ được thực hiện với
5 biến độc lập là độ tin cậy, sự đáp ứng, sự đảm bảo, sự cảm thơng và phương tiện hữu hình và 1 biến phụ thuộc là sự hài lòng của sinh viên. Giá trị của các yếu tố
được dùng để chạy hồi quy là giá trị trung bình của các biến quan sát đã được kiểm định.
Phương trình hồi quy bội biểu diễn mối quan hệ giữa các nhân tố của chất
lượng dịch vụ đào tạo và sự hài lịng của sinh viên có dạng:
SHL = β0 + β1*TC+ β2*DU+ β3*DB + β4*CT + β5*PTHH + u
Trong đó:
SHL : là biến phụ thuộc, thể hiện giá trị dự đoán về mức độ hài lòng của sinh viên
TC: Độ tin cậy
DU: Sự đáp ứng DB: Sự đảm bảo CT: Sự cảm thông
PTHH: Phương tiện hữu hình
β0 ÷ β5: Hằng số và các hệ số hồi quy.
Lệnh hồi quy tuyến tính trong chương trình SPSS 20.0 được sử dụng để chạy phân tích phần mềm hồi quy. Hệ số xác định (R2) đo lường tỷ lệ tổng biến thiên của
biến phụ thuộc được giải thích bởi các biến độc lập trong mơ hình. Giá trị R2 càng cao thì khả năng giải thích của mơ hình hồi quy càng cao và việc dự đốn biến phụ thuộc càng chính xác. Nếu giá trị F có ý nghĩa đáng kể về mặt thống kê (sig<0.05), giả thuyết thuần của mối quan hệ khơng tuyến tính bị bác bỏ. Hệ số Beta là hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ số xem như là khả năng giải thích biến phụ thuộc. Trị tuyệt đối của một hệ số Beta chuẩn hóa càng lớn thì tầm quan trọng tương đối của nó trong dự báo biến phụ thuộc càng cao.
TÓM TẮT CHƯƠNG 3
Chương này tác giả đã trình bày quy trình nghiên cứu gồm hai bước: nghiên
cứu định tính và nghiên cứu định lượng. Nghiên cứu định tính được thực hiện bằng
phương pháp thảo luận nhóm tập trung nhằm xây dựng thang đo các thành phần ảnh hưởng đến sự hài lòng của sinh viên. Nghiên cứu chính thức được thực hiện bằng
nghiên cứu định lượng.
Chương này cũng trình bày kế hoạch phân tích dữ liệu thu thập được. Trong chương tiếp theo tác giả sẽ trình bày cụ thể về kết quả phân tích thơng tin qua phần
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1. Phân tích thống kê mô tả mẫu 4.1.1 Số lượng mẫu 4.1.1 Số lượng mẫu
Số bảng câu hỏi khảo sát giấy được phát trực tiếp cho sinh viên là 300 bảng. Thu về được 300 bảng, sau khi loại bỏ các bảng trả lời không phù hợp (thiếu giá trị hoặc trả lời cùng 1 mức độ cho tất cả câu hỏi) thì được 264 bảng trả lời được sử
dụng. Tổng số lượng mẫu là N=264. (Phụ lục 5)
4.1.2 Thống kê mô tả các đối tượng khảo sát
Kết cấu mẫu nghiên cứu được phân bổ đều cho sinh viên theo giới tính, theo khoa và theo khóa học của sinh viên đang học tại trường SaigonACT.
4.1.2.1 Thống kê mẫu theo giới tính
Tổng số sinh viên nam được khảo sát là 79 mẫu, chiếm tỷ lệ 29,92 %. Tổng số sinh viên nữ được khảo sát là 185 mẫu, chiếm tỷ lệ 70,08%. Tỷ lệ mẫu khảo sát sinh viên nữ cao hơn so với mẫu khảo sát sinh viên nam, vì sinh viên khối ngành du lịch, kinh tế, ngoại ngữ nên sinh viên nữ chiếm tỷ lệ cao hơn.