CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.5. Các bước phân tích dữ liệu 1. Kiểm định độ tin cậy của thang đo
39 Độ tin cậy của thang đo trong đề tài này được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Sử dụng phương pháp kiểm định qua hệ số Cronbach Alpha và hệ số tương quan biến tổng đối với những nghiên cứu còn mới đối với người trả lời thì hệ số Cronbach Alpha từ 0.6 trở lên là có thể là có thể sử dụng được.
Còn theo Nuaanally và Berstein (1994) thì hệ số Cronbach Alpha từ 0.8 đến 1 là tốt nhất, từ 0.7 đến 0.8 là sử dụng được và hệ số tương quan biến tổng của các biến quan sát lớn hơn 0.3 được xem là thích hợp cho nghiên cứu (theo tác giả Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009).
Dựa trên những cơ sở trên, sau khi kiểm định nhóm nghiên cứu sẽ giữ lại những biến quan sát có hệ số Cronbach Alpha lớn hơn 0.6 và xem xét hệ số tương quan biến tổng phải trên 0.3.
3.5.2. Phân tích nhân tố khám phá (EFA)
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Các tác giả Mayers & cộng sự (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Prinhopcipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Theo Hair & ctg (1998), 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:
ã Factor loading > 0.3 được xem là đạt mức tối thiểu.
ã Factor loading > 0.4 được xem là quan trọng.
ã Factor loading > 0.5 được xem là cú ý nghĩa thực tiễn.
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.
40 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 không 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 toàn bộ (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 %.
3.5.3. Phân tích hồi quy
Phân tích hồi quy (Regression analysis) là kỹ thuật thống kê dùng để ước lượng phương trình phù hợp nhất với các tập hợp kết quả quan sát của biến phụ thuộc và biến độc lập. Nó cho phép đạt được kết quả ước lượng tốt nhất về mối quan hệ chân thực giữa các biến số. Từ phương trình ước lượng được này, người ta có thể dự báo về biến phụ thuộc (chưa biết) dựa vào giá trị cho trước của biến độc lập (đã biết).
Để phân tích mối quan hệ của nhiều biến độc lập với một biến phụ thuộc, ta sử dụng hồi quy đa biến. Khi sử dụng hồi quy đa biến, các tham số cần được chú ý:
• Hệ số hiệu chỉnh (Adjusted coefficient of determination): Dùng để đo lường phần phương sai của biến phụ thuộc, được giải thích bởi các biến độc lập có tính đến số lượng biến phụ thuộc và cỡ mẫu hiệu chỉnh không nhất thiết tăng lên khi nhiều biến được thêm vào phương trình, nó là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của hiệu chỉnh dao động trong khoảng từ 0 đến 1.0, tuy nhiên việc đạt được mức giá trị bằng 1 là không thể, bởi luôn luôn xuất hiện phần dư trong mô hình. Thường chúng ta chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 đến 1.0 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt. Tuy nhiên, tùy vào dạng nghiên cứu và dạng dữ liệu, không phải lúc nào cũng bắt buộc rằng mô hình hồi quy phải đạt giá trị R bình phương hiệu chỉnh lớn hơn 0.5 mới có ý nghĩa.
• Kiểm định độ phù hợp của mô hình: Sử dụng thống kê F (Fishter) để kiểm định mức ý nghĩa thống kê của mô hình. Đặt giả thuyết Ho cho các hệ số β trong mô hình đều bằng 0. Nếu mức kiểm định < 0.05 thì ta có thể bác bỏ giả thuyết Ho nghĩa là mô hình phù hợp với dữ liệu đang khảo sát. Nếu mức kiểm định >= 0.05 thì chấp nhận giả thuyết Ho, nghĩa là mô hình không phù hợp với dữ liệu đang khảo sát.
41
• Hệ số hồi quy chuẩn hóa: Hệ số β (Standardized beta Conficent) giúp cho việc so sánh một cách trực tiếp về mức độ tác động của các biến độc lập.
• Kiểm định mức ý nghĩa của hệ số β: Sử dụng thống kê để kiểm định mức ý nghĩa của hệ số β. Nếu mức ý nghĩa của kiểm định nhỏ hơn 0.05 thì ta có thể kết luận rằng hệ số β có ý nghĩa về mặt thống kê.
• Kiểm định đa cộng tuyến: Một mô hình hồi quy tuyến tính có phù hợp với tập dữ liệu hay không có ý nghĩa là mô hình đó có hay không có hiện tượng đa cộng tuyến. Hiện tượng đa cộng tuyến là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và có quan hệ gần như tuyến tính, nghĩa là nó sẽ cung cấp cho chương trình những thông tin trùng lặp về sự ảnh hưởng của biến độc lập đến biến phụ thuộc. Có hai phương pháp để đo lường đa cộng tuyến như sau:
- Tính độ chấp nhận của biến (Tolerance): Độ chấp nhận của biến càng nhỏ thì dấu hiệu có đa cộng tuyến càng sâu.
- Hệ số phóng đại phương sai (VIF): Khi hệ sốVIF lớn hơn hoặc bằng 10 nghĩa là có hiện tượng đa cộng tuyến.
• Kiểm định giả định hồi quy của mô hình: Giúp xác định giả thuyết phân phối chuẩn có bị vi phạm hay không. Nếu giá trị trung bình Mean = 0 và giá trị Std.dev xấp xỉ bằng 1 thì mô hình không bị vi phạm phân phối chuẩn. Đồng thời xem xét đồ thị phân tán phần dư để xác định có nhân tố tiềm ẩn ảnh hưởng đến biến phụ thuộc hay không.
3.5.4. Phân tích phương sai
Phân tích phương sai một yếu tố (còn gọi là Oneway Anova) dùng để kiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%. Một số giả định khi phân tích ANOVA:
- 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.
Lưu ý: nếu giả định tổng thể có phân phối chuẩn với phương sai bằng nhau không đáp ứng được thì bạn có thể dùng kiểm định phi tham số Kruskal-Wallis sẽ để thay thế cho ANOVA.
42
* ANOVA test
ã H0: “Trung bỡnh bằng nhau”
ã Sig > 0.05: bỏc bỏ H0 => Chưa đủ điều kiện để khẳng định cú sự khỏc biệt…
ã Sig <= 0.05: chấp nhận H0 => Đủ điều kiện để khẳng định cú sự khỏc biệt…
Khi có sự khác biệt thì có thể phân tích sâu hơn để tìm ra sự khác biệt như thế nào giữa các nhóm quan sát.
TÓM TẮT CHƯƠNG 3
Trong chương này tác giả đã trình bày phương pháp nghiên cứu để thực hiện bài báo cáo.
Bài báo cáo sử dụng phương pháp nghiên cứu định tính và nghiên cứu định lượng.
Nghiên cứu định tính được tiến hành thông qua thảo luận nhóm để hiệu chỉnh thang đa bằng việc điều chỉnh, bổ sung các biến của mô hình nghiên cứu và hoàn chỉnh bảng câu hỏi phỏng vấn. Phương pháp nghiên cứu định lượng được tiến hành khảo sát 76 ứng viên có ý định mua hàng trực tuyến trên các trang thương mại điện tử qua app, sau đó phân tích và xử lý dữ liệu bằng phần mềm SPSS.
43