Tp .HCM
2.3. Xử lý dữ liệu và phân tích
2.3.1. Kiểm định độ tin cậy của thang đo
Một trong những mục tiêu của đề tài này là xây dựng và kiểm định độ tin cậy của thang đo từng nhân tố ảnh hưởng tới khả năng tiếp cận vốn cho vay mua nhà của đối tượng cĩ thu nhập thấp tại Tp.HCM. Việc kiểm định thang đo sẽ giúp tác giả nhìn nhận lại các nhân tố đánh giá, nhân tố nào hợp lệ, nhân tố nào bị loại bỏ trước khi tiến hành các phân tích tiếp theo. Để kiểm định độ tin cậy của thang đo tác giả đã tính tốn hệ số Cronbach’s Alpha và hệ số tương quan biến tổng thể.
Các thang đo được đánh giá độ tin cậy qua hệ số Cronbach Alpha, qua đĩ các biến khơng phù hợp sẽ bị loại nếu hệ số tương quan tổng biến < 0,3 và thang đo được chấp nhận khi hệ số đạt yêu cầu > 0,6 (Nunnally và Burnstein, 1994). Cronbach Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau.
2.3.2. Phân tích các nhân tố khám phá
Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng cĩ ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thơng tin của tập biến ban đầu (Hair & ctg, 1998). Phân tích nhân tố được sử dụng với mục đích như sau:
+ Nhận diện các khía cạnh hay nhân tố để giải thích được các liên hệ tương quan trong một tập hợp biến.
+ Nhận diện tập hợp gồm một số lượng biến mới tương đối ít khơng cĩ tương quan với nhau để thay thế tập hợp biến gốc cĩ tương quan với nhau để thực hiện một phân tích tiếp theo (phân tích qui hồi). Phân tích nhân tố thường cĩ 4 bước:
• Bước 1: Tính ma trận các mối liên quan cho tất cả các biến (correlation matrix)
• Bước 2: (Xác định nhân tố) Factor extraction
• Bước 4: Ra quyết định cuối cùng về số nhân tố cần giữ lại Sau đĩ:
- Các nhân tố này cĩ ý nghĩa khơng? Cĩ phù hợp với y văn trước đây khơng? - Nên dùng chỉ số nhân tố hay chỉ số thường trong các phân tích tiếp theo?
2.3.3. Mơ hình hồi quy Binary logistic
Hồi quy Binary Logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác suất một sự kiện sẽ xảy ra với những thơng tin của biến độc lập mà ta cĩ được. Khi biến phụ thuộc ở dạng nhị phân (hai biểu hiện 0 và 1) thì khơng thể phân tích với dạng hồi quy thơng thường mà phải sử dụng hồi quy Binary Logistic.
Hàm hồi quy Binary Logistic cĩ dạng như sau: Loge[P(Y=1)/P(Y=0)] = Bo + BiXi Hay viết cách khác:
Loge[Pi/(1-Pi)] = Bo + BiXi với: Xi là các biến độc lập.
Hệ số Bi: cho biết khi Xi tăng 1 đơn vị thì log của tỷ lệ Pi/(1-Pi) tăng Bi đơn vị. Nếu hệ số Bi mang dấu dương thì tăng Xi sẽ làm tăng khả năng Y nhận giá trị 1 trong khi hệ số âm làm giảm khả năng này.
Mơ hình hồi quy cũng địi hỏi đánh giá độ phù hợp của mơ hình dựa trên chỉ tiêu - 2LL (-2 log likelihood). Giá trị -2LL càng nhỏ càng thể hiện độ phù hợp của mơ hình cao.