3 .1Thiết kế nghiên cứu
3.1 .2Thiết kế nghiên cứu
3.1.2.4 Kĩ thuật phân tích số liệu
Phân tích thống kê mơ tả:
Thống kê mơ tả là kỹ thuật giúp người nghiên cứu mô tả tổng quát về đặc điểm của mẫu nghiên cứu và kết quả khảo sát có được.
Mục đích của phân tích là cung cấp thông tin tổng quan về mẫu nghiên cứu dựa vào tần suất, tỉ lệ, trung bình, giá trị lớn nhất, giá trị nhỏ nhất, các biểu đồ thống kê...
Kiểm định Cronbach Alpha:
Hệ số Cronbach Alpha là hệ số cho phép đánh giá xem nếu đưa các biến quan sát nào đó thuộc về một biến nghiên cứu (biến tiềm ẩn, nhân tố) thì nó có phù hợp khơng. Hair et al (2006) đưa ra quy tắc đánh giá như sau:
< 0.6. Thang đo nhân tố là khơng phù hợp (có thể trong mơi trường nghiên cứu đối tượng khơng có cảm nhận về nhân tố đó)
0.6 – 07: Chấp nhận được với các nghiên cứu mới 0.7 – 0.8: Chấp nhận được
0.8 – 0.95: tốt
>= 0.95: Chấp nhận được nhưng không tốt, nên xét xét các biến quan sát có thể có hiện tượng “trùng biến”. Tức là có khả năng xuất hiện biến quan sát thừa ở trong
thang đo. Nó tương tự như trường hợp đa cộng tuyến trong hồi quy, khi đó biến thừa nên được loại bỏ…
Hệ số tương quan biến tổng là hệ số cho biến mức độ “liên kết” giữa một biến quan sát trong nhân tố với các biến cịn lại. Nó phản ánh mức độ đóng góp vào giá trị khái niệm của nhân tố của một biến quan sát cụ thể. Tiêu chuẩn để đánh giá một biến có thực sự đóng góp giá trị vào nhân tố hay không là hệ số tương quan biến tổng phải lớn hơn 0.3. Nếu biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 thì phải loại nó ra khỏi nhân tố đánh giá.
Để tính Cronbach’s Alpha cho một thang đo thì thang đo phải có tối thiểu là 2 biến đo lường. Về lý thuyết, Cronbach’s Alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên, nếu hệ số Cronbach’s Alpha quá lớn (>0.95) cho thấy có nhiều biến trong thang đo khơng có khác biệt gì nhau (nghĩa là cùng đo lường một nội dung nào đó). Hiện tượng này gọi là hiện tượng trùng lặp trong đo lường (redundancy).
- Nếu một biến trong đo lường có hệ số tương quan biến tổng hiệu chỉnh (corrected item total correlation) >=0.3 thì biến đó đạt yêu cầu (Nunnally & Bernstein, 1994).
- Nếu Cronbach’s Alpha >=0.6 là thang đo có thể chấp nhận được về mặt độ tin cậy (Nunnally Bernstein, 1994).
- Thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0.7;0.9].
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là khơng có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
36
Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Principal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
Factor loading > 0.3 được xem là đạt mức tối thiểu Factor loading > 0.4 được xem là quan trọng Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
Hệ số tải nhân tố (Factor loading) > 0.5
0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Phần trăm phương sai trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
Phương pháp phân tích tương quan
Phân tích tương quan Pearson là một trong các bước chúng ta thực hiện trong bài nghiên cứu sử dụng phân tích định lượng SPSS. Thường bước này sẽ được thực hiện trước khi phân tích hồi quy.
Mục đích chạy tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau.
Phân tích hồi quy sẽ xác định mối quan hệ giữa biến phụ thuộc (hài lòng với chất lượng dịch vụ ngân hàng) và các biến độc lập (độ tin cậy, tính đáp ứng, sự đồng cảm, năng lực phục vụ, phương tiện hữu hình).
Mơ hình phân tích hồi quy sẽ mơ tả hình thức của mối liên hệ và qua đó giúp dự đốn được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập.
Phương pháp phân tích được chọn lựa là phương pháp chọn từng bức stepwise (từng bước) hoặc phương pháp Enter (đưa vào một lượt), đây là 2 phương pháp được sử dụng rộng rãi nhất.
Giả định: Biến phụ thuộc là mức độ quyết định lựa chọn.
Biến độc lập bao gồm: Sự thuận tiện, Độ tin cậy, Sự bảo mật, Chất lượng dịch vụ và sản phẩm, Quy trình phục vụ khách hàng, Thái độ phục vụ khách hàng, Giá cả, Đa dạng về sự lựa chọn hàng hóa.
Mức ý nghĩa được xác lập cho các kiểm định và phân tích là 5% (độ tin cậy 95%). Các kết luận dựa trên hàm hồi quy tuyến tính thu được chỉ có ý nghĩa khi hàm hồi quy đó phù hợp với dữ liệu mẫu và các hệ số hồi quy khác 0 có ý nghĩa, đồng thời các giả định của hàm hồi quy tuyến tính cổ điển về phương sai, tính độc lập của phần dư… được đảm bảo. Vì thế, trước khi phân tích kết quả hồi quy ta thực hiện các kiểm định về độ phù hợp của hàm hồi quy, kiểm định ý nghĩa của các hệ số hồi quy và đặc biệt là kiểm định các giả định của hàm hồi quy.
- Tiêu chuẩn chấp nhận sự phù hợp của mơ hình tương quan hồi quy là:
- Kiểm định F phải có giá trị sigα < 0.05
- Tiêu chuẩn chấp nhận các biến có giá trị Tolerance > 0,0001
- Đại lượng chuẩn đoán hiện tượng đa cộng tuyết với hệ số phóng đại phương sai VIF (Variance Inflation Factor) < 10.
Phương pháp phân tích ANOVA
Phân tích phương sai ANOVA là phương pháp so sánh trị trung bình của 3 nhóm trở lên. Có 2 kỹ thuật phân tích phương sai: ANOVA 1 yếu tố (một biến yếu tố để
38
phân loại các quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố (2 hay nhiều biến để phân loại). Ở phần thực hành cơ bản chỉ đề cập đến phân tích phương sai 1 yếu tố (One-way ANOVA).
Một số giả định đối với phân tích phương sai một yếu tố:
Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên.
Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn.
Phương sai của các nhóm so sánh phải đồng nhất.
Dựa vào mức ý nghĩa (Sigα) để kết luận:
Nếu sigα < 0.05: có sự khác biệt có ý nghĩa thống kê.
Nếu sigα >= 0.05: chưa có sự khác biệt có ý nghĩa thống kê.