CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.4 Thiết kế nghiên cứu định lượng
3.4.4 Phương pháp phân tích dữ liệu
Phần mềm SPSS 16.0 được dùng để phân tích dữ liệu trong tài liệu này với việc sử dụng các kỹ thuật thống kê như kiểm định các giả thuyết thống kê, phân tích nhân tố, phân
tích hồi qui, phân tích ANOVA, …Các bước xử lý số liệu bằng SPSS sẽ được giới thiệu trong hình 3.2:
Làm sạch dữ liệu
Kiểm định phân phối chuẩn
Kiểm định độ tin cậy Cronbach’s Alpha
Phân tích nhân tố khám phá(EFA)
Phân tích hồi qui
Kiểm định mơ hình và điều chỉnh
Hình 3-2: Quy trình phân tích dữ liệu bằng SPSS
-40‐
3.4.4.1 Làm sạch dữ liệu
Sau khi loại các mẫu không phù hợp với yêu cầu ban đầu, chúng ta chạy phân bổ tần số
để kiểm tra các biến nhập sai có giá trị gây nhiễu (outliers) không nằm trong các giá trị
lựa chọn.
Kiểm tra các mẫu đối tượng bị trùng nhau và loại mẫu bị trùng.
Kiểm tra các tần suất các giá trị missing và đảm bảo các giá trị missing của một biến phải nhỏ hơn 10% tổng số mẫu.
3.4.4.2 Kiểm định phân phối chuẩn
Để có thể sử dụng mẫu thu thập được vào việc chạy mơ hình hồi qui đa biến, chúng ta
cần đảm bảo các biến trong mơ hình thoả mãn giả định về tính phân phối chuẩn. Giả
định về tính phân phối chuẩn là giả định quan trọng nhất trong việc phân tích đa biến,
do vậy, trước khi tiến hành phân tích định lượng cần quan tâm đến tiêu chuẩn này. Kiểm tra tính phân phối chuẩn cho tất cả các biến để đánh giá sự hài lòng để xem dạng phân phối tần số của các mẫu cũng như các thông số Skewness và Kurtosis (Hair et al., 1995). Nếu Skewness và Kurtosis nằm trong khoảng ±1 được xem là tốt, trong khoảng ±2 thì biến đó vẫn được chấp nhận để sử dụng thực hiện các kỹ thuật thống kê (Illinois States University, http://www.psychology.ilstu.edu/jccutti/138web/spss/spss3.html).
3.4.4.3 Kiểm tra độ tin cậy các nhóm nhân tố
Các thang đo được đánh giá thông qua độ tin cậy Cronbach Alpha cho từng nhóm biến khác nhau. Độ tin cậy Cronbach Alpha phải nằm trong khoảng từ 0.6 đến 1.0 để đảm bảo các biến trong cùng một nhóm nhân tố có tương quan về ý nghĩa (Hồng Trọng – Chu Nguyễn Mộng Ngọc, 2005). Ngoài ra, với các thang đo chỉ có 2 biến thì Cronbach Alpha có thể từ 0.5 cũng vẫn được chấp nhận (Nunnally and Bernstein, 1994). Ngồi ra, mỗi biến có tương quan tổng thể nhỏ hơn 0.3 cũng được loại bỏ trước khi đưa vào phân tích nhân tố.
3.4.4.4 Phân tích nhân tố
Với số lượng các biến khá lớn và có mối tương quan với nhau, chúng ta cần giảm số lượng này xuống cịn một số nhân tố ít hơn mà chúng ta có thể sử dụng được nhưng vẫn có thể đại diện cho phần lớn ý nghĩa các biến thu thập. Các nhân tố này thể hiện được sự liên hệ qua lại giữa các biến và thể hiện sự giải thích của biến đối với các khía cạnh khác nhau của vấn đề.
Trong tài liệu này, tác giả sử dụng phương pháp phân tích nhân tố “Principle Components” và phép quay VARIMAX để tìm ra các nhân tố đại diện cho các biến.
Phép quay VARIMAX là cách quay nguyên góc phổ biến nhất và được sử dụng trong nghiên cứu của đề tài này. VARIMAX là phép xoay nguyên góc các nhân tố để tối thiểu hố số lượng biến có hệ số tải lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố(Hồng Trọng & Chu Nguyễn Mộng Ngọc(2008), Phân tích dữ liệu nghiên cứu với SPSS, ĐH Kinh Tế TPHCM, p.38).
-41‐
Một số tiêu chí cần quan tâm khi tiến hành phân tích nhân tố:
1. Kiểm định Barlett: là một kiểm định thống kê nhằm kiểm tra giữa các biến có
tương quan hay khơng. Nếu kiểm định này có mức ý nghĩa thống kê dưới 0.05 thì xem như các biến có tương quan với nhau (Hair et al., 1995).
2. Phép đo sự phù hợp của mẫu KMO (Kaiser-Meyer-Olkin): là phép đo sự tương
quan qua lại giữa các biến và sự phù hợp để phân tích nhân tố. Hệ số KMO có giá trị trong khoảng 0 đến 1. Giá trị KMO phụ thuộc vào cỡ mẫu, độ tương quan trung bình, số biến và số nhân tố. Nếu hệ số này lớn hơn 0.5 thì tập dữ liệu được xem là phù hợp để tiến hành phân tích nhân tố (Hair et al., 1995). Ngồi ra,
chúng ta cịn có thể kiểm tra thơng số sự phù hợp của mẫu (MSA: measure of sampling adequacy) cho từng biến nếu lớn hơn 0.5 thì phù hợp cho việc phân tích nhân tố. Nếu nhỏ hơn 0.5 thì loại biến có MSA nhỏ nhất rồi chạy lại phân tích nhân tố (Hair et al., 1995).
3. Eigenvalue: là tổng bình phương các trọng số của các biến trên một cột nhân tố, còn được gọi là latent root. Nó đại diện cho mức độ biến động được giải thích
bởi một nhân tố. Giá trị eigenvalue của các nhân tố được chọn phải từ 1 trở lên (Hair et al., 1995).
4. Communality: thể hiện tỉ lệ của các nhân tố phân tích đại diện cho cụ thể một biến nào đó. Giá trị này phải lớn hơn 0.2 (Hair et al., 1995).
Tuy nhiên, khi tiến hành phân tích nhân tố khám phá thực tế, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
1. Hệ số KMO (Kaiser-Meyer-Olkin) ≥0.5, mức ý nghĩa kiểm định Bartlett ≤0.05. 2. Hệ số tải nhân tố (Factor Loading) ≥0.5. Nếu biến quan sát nào có hệ số tải nhân
tố <0.5 sẽ bị loại.
3. Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
4. Hệ số eigenvalue có giá trị lớn hơn 1 (Trần Đức Long (2006,47) trích từ Gerbing & Anderson (1988), “An Update Paradigm for Scale Development Incorporing
Unidimensionality and Its Assessments”, Journal of Marketing Research, Vol.25,
186-192).
5. Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Bùi Nguyên Hùng & Võ Khánh Tồn (2005) trích từ Jabnoun & Al-Tamimi (2003) “Measuring perceived service
quality at UAE commercial banks”, International Journal of Quality and
Reliability Management, (20), 4 ).
3.4.4.5 Phân tích hồi qui bội kiểm định mơ hình lý thuyết
Phân tích hồi qui bội là một kĩ thuật thống kê có thể được sử dụng để phân tích mối
quan hệ giữa một biến phụ thuộc và nhiều biến độc lập. Mục tiêu của việc phân tích hồi qui bội là sử dụng các biến độc lập có giá trị biết trước để dự báo một giá trị biến phụ
-42‐
thuộc nào đó được chọn bởi người nghiên cứu. Khi chạy hồi qui cần quan tâm đến các thơng số sau:
• Hệ số Beta: hệ số hồi qui chuẩn hoá cho phép so sánh trực tiếp giữa các hệ số dựa trên mối quan hệ giải thích của chúng với biến phụ thuộc.
• Hệ số khẳng định R2: đánh giá phần biến động của biến phụ thuộc được giải
thích bởi các biến dự báo hay biến độc lập. Hệ số này có thể thay đổi từ 0 đến 1.
• (Multi)collinearity (Đa cộng tuyến): mô tả mối quan hệ tuyến tính giữa hai hay nhiều biến độc lập. Hai biến độc lập được xem là tuyến tính hồn tồn nếu hệ số tương quan giữa chúng là 1 và hồn tồn khơng quan hệ tuyến tính nếu hệ số tương quan giữa chúng là 0. Đa cộng tuyến xảy ra khi một biến độc lập nào đó tương quan mạnh với một nhóm biến độc lập khác. Ngồi ra, theo
Hair&ctg(2000) có thể sử dụng hệ số VIF(hay Tolerance) để đánh giá hiện tượng này.
• Hệ số tương quan r: chỉ mối quan hệ giữa biến phụ thuộc và các biến độc lập.
Dấu của hệ số tương quan chỉ hướng của mối quan hệ này. Giá trị của r có thể thay đổi từ -1 đến +1.
• Hằng số hồi qui b0: giá trị của cột Y khi đường thẳng Y = b0 + b1X1 cắt cột này. Hằng số hồi qui thể hiện các tác động của tất cả các biến dự báo khác không
được bao gồm trong mơ hình.
• Hệ số hồi qui bn: giá trị hệ số góc của các biến trong mơ hình ước lượng. Các hệ số này mang tính riêng phần vì mỗi hệ số khơng chỉ thể hiện mối quan hệ giữa các biến độc lập và biến phụ thuộc mà còn giữa các biến độc lập với nhau.
3.4.4.6 Kiểm định các vi phạm giả thuyết hồi qui
Kiểm định tính phù hợp của mơ hình
Trong tài liệu này, tác giả sử dụng kiểm định ANOVA để kiểm tra tính phù hợp của mơ hình với tập dữ liệu gốc. Nếu mức ý nghĩa của kiểm định <0.05 thì ta có thể kết luận mơ hình hồi qui phù hợp với tập dữ liệu.
Đo lường đa cộng tuyến
Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau
và nó cung cấp cho mơ hình những thơng tin rất giống nhau và khó tách ảnh hưởng của từng biến một. Đa cộng tuyến khiến cho việc diễn dịch kết quả có thể sai lầm vì nó làm
đổi dấu kì vọng của các hệ số đi theo các biến độc lập, vì vậy chúng ta phải kiểm tra độ
tương quan giữa các biến này để đảm bảo không xảy ra hiện tượng đa cộng tuyến. Sự đa cộng tuyến cao có thể làm cho kết quả khơng chính xác, do đó cần thiết phải có
điều kiện về đa cộng tuyến. Theo Hair&ctg(2006) để kiểm định hiện tượng đa cộng
tuyến chúng ta sử dụng hệ số VIF(hệ số phóng đại phương sai). Nếu VIF lớn hơn 10 thì
-43‐
hiện tượng đa cộng tuyến nghiêm trọng đang tồn tại. Theo kinh nghiệm, hệ số VIF nên nhỏ hơn 5 là tốt nhất để hạn chế về sự đa cộng tuyến, tuy nhiên nếu nhỏ hơn 10 thì vẫn có thể chấp nhận với ảnh hưởng rất nhỏ (dẫn theo John & Benet-Martinez,2000 – dẫn theo Hoàng Thị Phương Thảo, Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2010 ). Tác giả sử dụng ma trận hệ số tương quan Pearson và độ chấp nhận Tolerance để kiểm tra đo lường đa cộng tuyến với hệ số Pearson nhỏ hơn 0.4 và hệ số Tolerance của các biến phải gần bằng 1(Theo Hair &ctg,2006). Áp dụng các yêu cầu này để loại bỏ các biến không đạt ra khỏi mơ hình.
Kiểm định phần dư
Sau khi thực hiện ước lượng mơ hình hồi qui, chúng ta cần kiểm định phân dư chuẩn hố của mơ hình để bảo đảm phần dư chuẩn hố có dạng phân phối chuẩn với tất cả các biến độc lập. Cách kiểm định có thê sử dụng là vẽ đường cong chuẩn hoá của phân bổ phần dư này. Nếu chúng ta thấy trên đồ thị đường cong chuẩn hố có dạng hình chng như phân phối chuẩn với giá trị Mean xấp xỉ 0 và giá trị độ lệch chuẩn xấp xỉ 1 thì xem như phần dư có phân phối gần chuẩn.
Một cách khác để kiểm định sự chuẩn hoá của phần dư là vẽ và đồ thị P-P plots để so sánh với phân phối chuẩn. Đồ thị này thể hiện những giá trị tích luỹ của các điểm phân vị của phân phối của biến phần dư theo tích luỹ phân vị của phân phối chuẩn. Nếu trên
đồ thị p-p plots các điểm này không nằm quá xa đường thẳng của phân phối chuẩn thì
có thể xem như phần dư có phân phối gần chuẩn.
3.4.4.7 Phân tích sự khác biệt giữa các nhóm
Phân tích ANOVA nhằm tìm ra sự khác biệt về một thuộc tính giữa các nhóm mẫu khác nhau được phân biệt bằng một biến phân loại. Trong phần nghiên cứu này, tác giả sẽ
phân tích ANOVA về sự hài lòng của nhân viên làm việc ở các call center với các biến phân tích như: nơi làm việc, vị trí làm việc, tuổi, giới tính, thời gian làm việc, trình độ văn hố. Những kết quả phân tích này sẽ là cơ sở để xây dựng và cung cấp các hàm ý cho các nhà quản lý các call center ở lĩnh vực di động.
Tóm tắt chương 3
Trong chương này, đề tài đã trình bày rõ một số nội dung về: phương pháp nghiên cứu
định tính và kết quả của nó, phương pháp nghiên cứu định lượng, qui trình phân tích và
xử lý số liệu trong nghiên cứu định lượng. Trong chương kế tiếp, tác giả sẽ trình bày kết quả cụ thể của q trình trình phân tích định lượng.
-44‐