3.2 .Quy trình xây dựng bảng hỏi và thang đo
3.4. Phương pháp xử lý dữ liệu
3.4.1. Kiểm định độ tin cậy Cronbach’s Alpha và phân tích EFA
Sau khi tổng hợp, dữ liệu được xử lý trên phần mềm Stata 14. Sau đó nhóm tiến hành phân tích tương quan các biến bao gồm biến độc lập và biến phụ thuộc để kiểm định tương quan. Sử dụng mơ hình hồi quy đa biến để tìm ra quan hệ giữa biến độc lập và các biến phụ thuộc. Kiểm định lại mơ hình để tìm ra sự khác biệt giữa nhóm thu nhập, giới tính.
● Đánh giá hệ số Cronbach’s Alpha
“Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha”” (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Hệ số Cronbach’s Alpha sẽ có giá trị biến thiên trong đoạn [0,1]. Hệ số Cronbach’s Alpha càng cao, độ tin cậy của thang đo càng lớn. Tuy nhiên, nếu hệ số Cronbach’s Alpha quá lớn (trên 0.95) sẽ xảy ra hiện tượng trùng lặp trong thang đo, tức là khơng có sự khác biệt giữa nhiều biến trong thang đo (Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, Trang 364). Thang đo được đánh giá là đo lường tốt khi giá trị hệ số Cronbach’s Alpha trong đoạn từ 0.8 đến 1; hệ số trong đoạn 0.7 đến 0.8, thang đo lường sử dụng tốt; hệ số từ 0.6 trở lên, thang đo lường đủ điều kiện.
Ngoài ra, theo Jum Nunnally, biến đo lường được cho là đạt yêu cầu khi có hệ số tương quan biến tổng Corrected Item - Total Correlation ≥ 0.3” (Nunnally, J., 1978). Khi hệ số tương quan biến tổng này nhỏ hơn 0.3, nhóm nghiên cứu sẽ loại biến để tăng độ tin cậy cho thang đo
● Phân tích nhân tố khám phá EFA
Sau khi kiểm định độ tin cậy với hệ số Cronbach’s Alpha, nhóm nghiên cứu tiếp tục dùng phương pháp phân tích nhân tố khám phá EFA để đánh giá giá trị hội tụ và giá trị phân biệt của thang đo.
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến dựa vào mối tương quan giữa các biến với nhau với mục đích rút gọn số lượng biến với các nhân tố có ý nghĩa hơn.
Nhóm nghiên cứu phân tích nhân tố EFA sử dụng các điều kiện sau:
• Trích xuất (Extraction): Phương pháp Principal Components.
• Ma trận xoay: Phương pháp Varimax.
• Giá trị lựa chọn >= 0.5.
Theo Hair & ctg (1998, 111), “Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu dùng để đảm bảo mức ý nghĩa thiết thực của EFA”. Hệ số nhân tố phải có giá trị từ 0.5 trở lên thì biến quan sát mới được đánh giá là “có ý nghĩa thống kê tốt. Các biến không đáp ứng được hệ số tải nhân tố 0.5 thì sẽ bị loại bỏ. Bên cạnh đó, hệ số KMO
(Kaiser-Meyer-Olkin) được dùng để xem xét về độ phù hợp của phân tích nhân tố với 0.5≤ KMO ≤ 1. Trị số KMO có giá trị càng lớn có nghĩa là phân tích nhân tố có tính phù hợp cao. Kiểm định Bartlett sẽ xem xét độ tương quan của các biến trong tổng thể. Các biến quan sát sẽ có mối tương quan tổng thể khi kiểm định có ý nghĩa thống kê (Sig. < 0.05). Ngoài ra, phần trăm biến thiên của các biến quan sát sẽ được thể hiện thông qua phần trăm phương sai tồn bộ.
3.4.2. Phân tích mơ tả
Các đánh giá trung bình của biến khảo sát được đề cập trong phần này nhằm xác định mức độ đồng ý của đối tượng khảo sát đối với các nhân tố ảnh hưởng cũng như ý định hành vi của các sinh viên.
3.4.3. Phân tích tương quan
Hệ số tương quan Pearson được dùng để đánh giá mối liên hệ qua lại giữa các nhân tố ảnh hưởng và ý định hành vi của các sinh viên. Phương pháp tương quan Pearson correlation coefficient nhằm đánh giá mối quan hệ tương quan giữa các biến trong mơ hình, xác định các nhóm nhân tố có tác động đến ý định sử dụng để đưa vào phân tích hồi quy. Hệ số tương quan này được kí hiệu là r. Hệ số tương quan (r) có giá trị từ -1 đến 1. Trong đó,
1) r = 0 (hay xấp xỉ 0) có nghĩa là hai biến khơng có bất kỳ liên hệ gì.
2) r = -1 hay 1 có nghĩa là hai biến có một mối liên hệ tuyệt đối.
3) 0 < r < 1 có nghĩa là hai biến có tương quan cùng chiều (cùng tăng hoặc cùng giảm) và ngược lại với -1 < r < 0 có nghĩa hai biến có tương quan ngược chiều.
3.3.4. Phân tích hồi quy
Với mục đích ước lượng tốt nhất mối quan hệ và mức độ của các biến độc lập và biến phụ thuộc, nhóm nghiên cứu tiến hành phân tích hồi quy. Theo Hồng Trọng và Mộng Ngọc (2005), qua q trình phân tích hồi quy sẽ thấy được “biến nào có vai trị quan trọng hơn trong việc dự đoán giá trị lý thuyết của Y”. Trong nghiên cứu này, nhóm sẽ phân tích mơ hình hồi quy tuyến tính đa biến. Ngồi ra, nhóm có sử dụng các trị số đánh giá gồm R bình phương hiệu chỉnh thể hiện % sự biến thiên của biến phụ thuộc theo biến độc lập; F là thước đo ý nghĩa chung của mơ hình hồi quy.
3.4.4. Phân tích phương sai một yếu tố ANOVA
Với những biến định tính gồm 3 giá trị trở lên, ta cần dùng phương pháp phân tích phương sai một yếu tố ANOVA để xem xét về sự khác nhau giữa các giá trị trung bình của biến định tính, thay vì dùng kiểm định T-test trên. Cũng bắt đầu với “kiểm định ngang bằng phương sai” giữa các nhóm trong biến định tính sẽ dẫn ra 2 trường hợp: Với mức giá trị (sig) trong thống kê Levene > 0.05 thì phương sai của các yếu tố trong biến định tính khơng khác nhau. Do vậy, ta có thể tiếp tục sử dụng dữ liệu trong bảng ANOVA để đánh giá. Điều này sẽ dẫn đến bước tiếp theo, nếu Sig của bảng ANOVA < 0.05, ta kết luận rằng có sự khác biệt giữa các giá trị trung bình của một biến
đổi định lượng với biến định tính đang xét. Ngược lại, nếu giá trị sig của bảng ANOVA > 0.05 thì sẽ khơng có sự khác biệt.