CHƯƠNG 3: THIẾT KẾ NGHIÊN CỨU
3.5 Phương pháp xử lí và phân tích dữ liệu:
Nhóm tác giả sử dụng phần mềm SPSS làm cơng cụ hô trợ cho nghiên cứu đề tài.
3.5.1 Dùng phương pháp đánh giá độ tin cậy Cronbach’s Alpha:
Việc đánh giá sơ bộ độ tin cậy và giá trị của thang đo được thực hiện bằng phương pháp hệ số tin cậy Cronbach alpha và phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) thông qua phần mềm xử lý SPSS 20 để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn độ tin cậy (biến rác). Trong đó:
Cronbach alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) thông qua hệ số Cronbach alpha. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr.257,258) cùng nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach alpha có giá trị từ 0,7 trở lên là sử dụng được. Trong khi đó, nhiều nhà nghiên cứu ((ví dụ: Nunally (1978); Peterson (1994); Slater (1995)) đề nghị hệ số Cronbach alpha từ 0,6 trở lên là có thể chấp nhận được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả
lời trong bối cảnh nghiên cứu 2
Tuy nhiên, theo Nunnally et al (1994), hệ số Cronbach alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Bởi vậy, bên cạnh hệ số Cronbach alpha, người ta còn sử dụng hệ số tương quan biến tổng (Corrected Item - Total Correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ.
3.5.2 Phân tích nhân tố EFA
Phân tích nhân tố khám phá (EFA) là thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà dựa vào mối tương quan giữa các biến, được sử dụng phổ biến để đánh giá giá trị thang đo (tính đơn hướng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các thuộc tính của các khái niệm nghiên cứu.
Phân tích nhân tố EFA bằng phương pháp trích Principal Components và phép xoay Varimax. Khi phân tích nhân tố, nhóm tác giả quan tâm đến một số tiêu chuẩn sau:
Thứ nhất: Tiêu chuẩn Bartlett và hệ số KMO (Kaiser-Meyer-Olkin)
dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến khơng có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 < KMO < 1 và Sig < 0,05. Trường hợp KMO< 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005, tr. 262).
2
Đây cũng là tiêu chuẩn được sử dụng trong các nghiên cứu của Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2007, 2008, 2009); Trần Kim Dung (2005, 2007).
Thứ hai: Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương
quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair & ctg, 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. Trường hợp chọn tiêu chuẩnFactor 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,tr. 14). Ngoài ra, trường hợp các biến có Factor loading được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận < 0,3), tức không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó cũng bị loại và các biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Thứ ba: Tiêu chuẩn rút trích nhân tố gồm chỉ số Engenvalue (đại diện
cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số
Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố có Engenvalue < 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Engenvalue > 1 và được chấp nhận khi tổng phương sai trích > 50%. Tuy nhiên, trị số Engenvalue và phương sai trích là bao nhiêu cịn phụ thuộc vào phương pháp trích và phép xoay nhân tố. Theo Nguyễn Khánh Duy (2009, tr. 14), nếu sau phân tích EFA là phân tích hồi qui thì có thể sử dụng phương pháp trích Principal components với phép xoay Varimax.
Thứ tư: Khác biệt hệ số tải nhân tố của một biến quan sát giữa các
3.5.3 Phân tích hồi quy tuyến tính bội:
Trong bài nghiên cứu, nhóm tác giả sử dụng mơ hình hồi quy bội, nhằm mục đích xác định các yếu tố chủ yếu dùng để ảnh hưởng mạnh đến hành vi sử
dụng nhựa một lần tại TP.HCM, cũng như tầm quan trọng của từng nhân tố đó.
Mơ hình hồi quy bội theo nhóm tác giả đề xuất có dạng như sau:
Y = po + piF1 + p2F2 + ... + pnFn + Si
Trong đó:
Y là mức độ hài lịng của người dân tại TP.HCM
F1, F2, ..., Fn là các yếu tố (biến độc lập) ảnh hưởng để hành vi sử
dụng nhựa một lần của người dân tại TP.HCM (Y)
pl, p2, ..., pn là hệ số hồi quy từng phần (Trong bài nghiên cứu này
nhóm tác giả sử dụng hế số p chưa chuẩn hóa).
£i là sai số ngẫu nhiên có phân phối chuẩn, trung bình bằng 0,
phương sai khơng đổi và độc lập.
Quá trình phân tích hồi qui tuyến tính được thực hiện qua các bước:
Bước 1: Kiểm tra tương quan giữa các biến độc lập với nhau và với
biến phụ thuộc thông qua ma trận hệ số tương quan. Theo đó, điều kiện để phân tích hồi qui là phải có tương quan giữa các biến độc lập với nhau và với biến phụ thuộc. Tuy nhiên, theo John và Benet -Martinez (2000), khi hệ số tương quan < 0,85 thì có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tương quan > 0,85 thì cần xem xét vai trị của các biến độc lập, vì có thể xảy ra hiện tượng đa cộng tuyến (một biến độc lập này có được giải thích bằng một biến khác).
Bước 2: Xây dựng và kiểm định mơ hình hồi qui. Được thực hiện
thơng qua các thủ tục: