3.8.1 Hệ số tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ của các mục hỏi trong thang đo tƣơng quan với nhau. Hệ số Cronbach’s Alpha đƣợc sử dụng để loại các biến không phù hợp ra khỏi thang đo. Hệ số Cronbach’s Alpha chỉ đo lƣờng độ tin cậy của thang đo bao gồm 3 biến quan sát trở lên, khơng tính đƣợc độ tin cậy cho từng biến quan sát theo độ tin cậy của thang đo bằng SPSS. Theo lý thuyết, Cronbach’s Alpha càng cao thì càng tốt (Nunnaly và Berntein,1994).
Tiêu chuẩn:
Cronbach’s Alpha của thang đo > 0.95 => các biến quan sát khơng có sự khác biệt nhau.
Cronbach’s Alpha > 0.6 => thang đo tin cậy.
0.7 < Cronbach’s Alpha < 0.80 => thang đo lý tƣởng. Hệ số tƣơng quan tổng của biến quan sát >= 0.3
3.8.2 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (EFA) là thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là khơng có biến phụ thuộc và biến độc lập mà dựa vào mối tƣơng quan giữa các biến, đƣợc sử dụng phổ biến để đánh giá giá trị thang đo hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố đƣợc ứng dụng để tóm tắt tập hợp các biến quan sát vào một số nhân tố nhất định đo lƣờng các thuộc tính của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
Tiêu chuẩn: Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo
đó, EFA đƣợc gọi là thích hợp khi: 0.5 ≤ KMO ≤ 1 và Sig. < 0.05. Trƣờng hợp KMO < 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Tiêu chuẩn rút trích nhân tố gồm chỉ số Engenvalue (đại diện cho lƣợng biến thiên đƣợc giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phƣơng sai trích cho biết phân tích nhân tố giải thích đƣợc bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố chỉ đƣợc rút trích tại Engenvalue > 1 và đƣợc chấp nhận khi tổng phƣơng sai trích ≥ 50%.
Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tƣơng quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và ctg (2009), Factor loading > 0.3 đƣợc xem là đạt mức tối thiểu; Factor loading > 0.4 đƣợc xem là quan trọng; Factor loading > 0.5 đƣợc xem là có ý nghĩa thực tiễn. Trƣờng hợp chọn tiêu chuẩn Factor loading > 0.3 thì cỡ mẫu ít nhất phải là 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0.55; nếu cỡ mẫu khoảng 50 thì Factor loading > 0.75 (Nguyễn Khánh Duy, 2009).
3.8.3 Phân tích thống kê mơ tả (Descriptive Statistic)
Sử dụng phân tích thống kê mơ tả với mục tiêu chính là thống kê và phân tích dữ liệu khảo sát (dạng survey), Thống kê mô tả trong SPSS đƣợc dùng cho mục đích thống kê trung bình cộng, độ lệch chuẩn, tổng sum, minimum, maximum, S.E mean, Kurtosis, Skewness và cách sắp xếp kết quả theo Variable list, Alphabetic, tăng dần theo giá trị trung bình Ascending Means, giảm dần theo giá trị trung bình Descending Means…
Thống kê mô tả SPSS chỉ sử dụng cho các thang đo định danh (ví dụ: giới tính, trình độ học vấn…) và thang đo thứ bậc (ví dụ: độ tuổi, thu nhập…).
3.8.4 Kiểm định Friedman
Kiểm định Friedman hay còn gọi là kiểm định phi tham số (Nonparametric Tests) đƣợc sử dụng trong những trƣờng hợp dữ liệu khơng có phân phối chuẩn, hoặc cho các mẫu nhỏ có ít quan sát. Kiểm định phi tham số cũng đƣợc dùng cho các dữ liệu định danh (nominal), dữ liệu thứ bậc (ordinal) hoặc dữ liệu khoảng cách (interval) có phân phối bất kì. Chúng ta thực hiện kiểm định Friedman khi chúng ta có các đối tƣợng trong một biến độc lập với hai hay nhiều mức trở lên và một biến phụ thuộc không phải là dạng khoảng và phân phối chuẩn (nhƣng ít nhất là có dạng thứ bậc). Chúng ta sẽ sử dụng kiểm định này để xác định xem có sự khác nhau của giá trị trung bình giữa các nhóm biến. Chúng ta sử dụng kiểm định Friedman để kiểm định sự khác nhau giữa trung bình của hai nhóm trở lên và dùng để so sánh nhiều phân nhóm đồng đối tƣợng. Sử dụng kiểm định Friedman chúng ta có thể kiểm định sự khác nhau về hiệu quả giữa các chƣơng trình.
3.8.5 Phân tích hồi qui tuyến tính bội
Q trình phân tích hồi qui tuyến tính đƣợc thực hiện qua các bƣớc:
Bước 1: Kiểm tra tƣơng quan giữa các biến độc lập với nhau và với biến phụ thuộc
thông qua ma trận hệ số tƣơng quan Pearson. Theo đó, điều kiện để phân tích hồi qui là phải có tƣơng quan giữa các biến độc lập với nhau và với biến phụ thuộc. Tuy nhiên, theo John và Benet - Martinez (2000), khi hệ số tƣơng quan < 0.85 thì có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tƣơng quan > 0.85 thì cần xem xét vai trị của các biến độc lập, vì có thể xảy ra hiện tƣợng đa cộng tuyến.
Bước 2: Xây dựng và kiểm định mơ hình hồi qui
Đánh giá độ phù hợp (mức độ giải thích) của mơ hình bằng hệ số xác định R2
(R Square). R2 điều chỉnh (Adjusted R Square) có đặc điểm khơng phụ thuộc vào số lƣợng biến đƣa thêm vào mơ hình đƣợc sử dụng thay thế R2 để đánh giá mức độ phù hợp của mơ hình hồi qui bội. Theo nhiều lý thuyết, R2
phải lớn hơn 50% nhƣng theo 30 S Chatterjee, AS Hadi (2015) nếu mơ hình dùng để dự báo thì mới cần điều kiện trên cịn nếu với mục đích đánh giá mức độ ảnh hƣởng thì R2 khơng có nhiều ý
dụ ng phƣơng pháp phân tích ANOVA để kiểm định giả thuyết H0: (khơng có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập β1= β2= β3= βn = 0). Nếu trị thống kê F có Sig rất nhỏ (< 0.05), thì giả thuyết H0 bị bác bỏ, khi đó chúng ta kết luận tập hợp của các biến độc lập trong mơ hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mơ hình đƣợc xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng đƣợc. Xác định các hệ số của phƣơng trình hồi qui, đó là các hệ số hồi qui riêng phần βk: đo lƣờng sự thay đổi trung bình của biến phụ thuộc khi biến độc lập Xk thay đổi một đơn vị, trong khi các biến độc lập khác đƣợc giữ nguyên. Tuy nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lƣờng của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là khơng có ý nghĩa. Do đó, để có thể so sánh các hệ số hồi qui với nhau, từ đó xác định tầm quan trong (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, ngƣời ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lƣờng độ lệnh chuẩn beta.
Bước 3: Kiểm tra vi phạm các giả định trong hồi qui
Mơ hình hồi qui đƣợc xem là phù hợp với tổng thể nghiên cứu khi khơng vi phạm các giả định. Vì thế, sau khi xây dựng đƣợc phƣơng trình hồi qui, cần phải kiểm tra các vi phạm giả định cần thiết sau đây: Công cụ đƣợc sử dụng để kiểm tra giả định khơng có tƣơng quan giữa các phần dƣ là đại lƣợng thống kê d (Durbin - Watson), hoặc đồ thị phân tán phần dƣ chuẩn hóa (Scatter). Cơng cụ đƣợc sử dụng để phát hiện tồn tại hiện tƣợng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phƣơng sai (Variance inflation factor - VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005) thì qui tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến.
3.8.6 Kiểm định ANOVA
ANOVA là tên gọi tắt của các phƣơng pháp phân tích phƣơng sai (Analysis Of Variance) đƣợc sử dụng để so sánh trung bình từ ba đám đông trở lên. Mơ hình ANOVA sử dụng phổ biến để so sánh trung bình các đám đơng với dữ liệu khảo sát (survey data) và đặc biệt là dự liệu thử nghiệm (experimental data). Ý nghĩa: Dựa trên kết quả phân tích T-test và ANOVA để so sánh mức độ thỏa mãn trong theo một số yếu tố cá nhân. Ví dụ: Kiểm định giả thuyết cho rằng nam có mức độ thỏa mãn trong công việc cao hơn nữ, hay khơng có sự khác biệt về mức độ thỏa mãn trong công việc của ngƣời lao động theo các yếu tố cá nhân cịn lại (trình độ học
vấn, thâm niên làm việc, bộ phận). Chỉ tiêu: Trong bảng Test of Homogeneity of Variances nếu Sig. > 0.05 có nghĩa là khơng có sự khác biệt về phƣơng sai giữa các nhóm và ngƣợc lại. Bảng ANOVA nếu Sig. < 0.05 chứng tỏ có sự khác biệt về giá trị trung bình giữa các nhóm.
TĨM TẮT CHƢƠNG 3
Nội dung đầu tiên trong chƣơng này là giới thiệu về tiến trình nghiên cứu, các bƣớc đã thực hiện trong quá trình nghiên cứu. Mục kế tiếp là đƣa ra mơ hình nghiên cứu đề xuất và các giả thuyết trong mơ hình nghiên cứu. Sau đó giới thiệu về nội dung thang đo, các hình thức thiết kế thang đo và cấu trúc bảng khảo sát. Chƣơng này trình bày về việc thực hiện khảo sát sơ bộ cho nghiên cứu thử, kết quả kiểm định độ tin cậy và giá trị hội tụ của thang đo. Nội dung tiếp theo là xác định tổng thể và phƣơng pháp lựa chọn mẫu nghiên cứu. Trình bày q trình thu thập dữ liệu định tính và dữ liệu định lƣợng. Cuối cùng là giới thiệu các phƣơng pháp thống kê đƣợc sử dụng để phục vụ cho việc phân tích dữ liệu của đề tài.
CHƢƠNG 4 PHÂN TÍCH DỮ LIỆU