CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
2.3 PHƯƠNG PHÁP NGHIÊN CỨU
2.3.4 Phương pháp phân tích
2.3.4.1 Phân tích tống kê
Phương pháp phân tích thống kê mô tả
Phương pháp phân tích thống kê mô tả là các phương pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán và mô tả các đặc trưng
22
khác nhau để phản ánh một cách tổng quát đối tượng nghiên cứu. Các đại lượng thường được dùng mô tả tập dữ liệu như: (1) Đại lượng mô tả mức độ tập trung: mean, mode, median; (2) Đại lượng mô tả mức độ phân tán: Phương sai, độ lệch chuẩn, khoảng biến thiên.
Phương pháp phân tích thống kê tần số
Phương pháp phân tích tần số sẽ mô tả và tìm hiểu về đặc tính phân phối của một mẫu số liệu thô là lập bảng phân phối tần số cần phải lập bảng tần số. Bảng phân phối tần số là bảng tóm tắt các dữ liệu được sắp xếp các dữ liệu theo một thứ tự nào đó – tăng dần hoặc giảm dần. Sau đó, thực hiện các bước sau: (1) Xác định số tổ của dãy số phân phối ; (2) Xác định khoảng cách tổ; (3) Xác định giới hạn trên và giới hạn dưới của mỗi tổ; (4) Xác định tần số của mỗi tổ bằng cách đếm số quan sát rơi vào giới hạn của tổ đó. Cuối cùng trình bày kết quả trên biểu bảng, sơ đồ. Ngoài ra, để thực hiện phân tích số liệu tốt hơn cũng nên cần thực hiện phân tích phân phối tần số tích lũy. Phân phối tần số tích lũy
sẽ cộng dồn các tần số nhằm đáp ứng một mục đích khác của phân tích thống
kê là khi thông tin được đòi hỏi muốn biết số quan sát mà giá trị của nó ít hơn một giá trị cho sẵn nào đó.
2.3.4.2 Kiểm định độ tin cậy của thang đo
Khi sử dụng các thang đo likert để thu thập các thông tin cần thiết, chúng
ta cần sử dụng phép thống kê để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát trong các nhóm nhân tố. Điều này liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời. Theo nghiên cứu của Cronbach (1951), để kiểm định độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha (α). Cronbach’s Alpha (α) là hệ số tin cậy được sử dụng kiểm định thang đo lường tương quan giữa các cặp biến quan sát.
Trong đó, hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [0,1]. Các giá trị từ 0.8 < α ≤ 1 nói lên là thang đo lường rất tốt. Các giá trị từ 0.7 < α
≤ 0.8 cho biết thang đo lường sử dụng tốt. Các giá trị từ 0.6 < α cho thấy thang
đo lường đủ điều kiện. Cuối cùng, giá trị từ 0.95 < α thì hiện tường trùng lắp thang đo xảy ra. Việc kiểm định độ tin cậy thang đo có thể được xác định nhờ
hệ số tương quan biến tổng nhằm loại bỏ các biến rác khỏi thang đo lường. Hệ
số tương quan biển tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally
và Burnstein (1994), các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác, các biến rác cần loại bỏ, quá trình này được lập lại cho đến khi lựa chọn được hệ số Cronbach’s Alpha tốt nhất.
23
2.3.4.3 Phân tích nhân tố khám phá
Sau khi thực hiện kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha, chúng ta cần nhóm các biến quan sát có các đặc điểm chung vào các nhóm khác nhau, hình thành các nhóm thông qua phương pháp phân tích nhân tố khám phá. Theo Hair và ctg (1998) (Trích bởi Nguyễn Thị Cẩm Nhung, 2015), định nghĩa rằng phân tích nhân tố khám phá EFA là kỹ thuật phân tích rút gọn một tập hợp gồm nhiều biến quan sát thành một số nhân tố ít hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin và ý nghĩa thống kê của tập biến ban đầu. Mô hình phân tích nhân tố EFA được thể hiện bằng phương trình:
Yi = ai1F1 + ai2F2 + ....+ aijFj + ViUi
Trong đó:
Yi : Biến quan sát thứ i
aij : Hệ số hồi quy bội của nhân tố j đối với biến i
Fj : Nhân tố chung
Vi : Hệ số hồi qui nhân tố của biến i
Ui : Nhân tố đặc trưng của biến i
Mô hình phân tích nhân tố EFA được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
(1) Hệ số tải nhân tố (Factor Loadings) : là những hệ số tương quan đơn giữa các biến và các nhân tố. Theo Hair & ctg (1998), hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố lớn hơn 0,3 được xem là đạt được mức tối thiểu, hệ số tải nhân tố lớn hơn 0,4 được xem là quan trọng và lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Theo Hair & ctg,
hệ số tải nhân tố lớn hơn 0,3 được cho là phù hợp với quy mô mẫu lớn hơn 350
số quan sát, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn hệ số tải nhân tố > 0.55, nếu cỡ mẫu của bạn khoảng 50 thì hệ số tải nhân tố phải > 0.75. Vậy trong bài nghiên cứu này, sinh viên thực hiện đề tài chọn cỡ mẫu quan sát là 150 thì
hệ số tải nhân tố thích hợp nhất bằng 0,5.
(2) Tính thích hợp của EFA bằng kiểm định KMO (Kaiser – Meyer – Olkin): là chỉ số dùng xem xét sự thích hợp của phân tích nhân tố nếu 0,5 ≤ KMO ≤ 1 (Hair và ctg, 1998) (Trích bởi Nguyễn Thị Cẩm Nhung, 2015); (3) Kiểm định Bartlett: kiểm định các biến không có tương quan với nhau trong tổng thể . Ý nghĩa kiểm định Bartlett cho biết nếu bác bỏ giả thuyết H0: đại lượng ChiSquare lớn, ý nghĩa thống kê nhỏ hơn 0,05 thì phân tích nhân tố
là thích hợp;
(4) Phương sai cộng dồn (cumulative of variance): là phần trăm phương sai toàn bộ được giải thích bởi các nhân tố, nghĩa là coi biến thiên 100% thì giá trị này cho biến phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát
24
bao nhiêu %. Tiêu chuẩn để chấp nhận phân tích nhân tố có phương sai cộng dồn lớn hơn 50% với Eigenvalue phải lớn hơn 1 (Trích bởi Nguyễn Thị Cẩm Nhung, 2015).
2.3.4.4 Phân tích hồi qui Binary Logistic
Khi biến phụ thuộc ở dạng nhị phân (biểu hiện 0 và 1) thì không thể phân tích với dạng hồi qui thông thường (hồi qui đa biến) mà phải sử dụng hồi quy Logistic. Nhà thống kê học David R.Cox đã phát triện mô hình có tên Logistic Regression Model (năm 1970) để phân tích biến phụ thuộc là biến nhị phân. Theo đó, để ước lượng mối quan hệ giữa các biến độc lập (định lượng, định tính) và phụ thuộc (hai trạng thái biểu hiện) được thực hiện thông qua phân tích hồi qui Logistic. Hồi qui Binary Logistic sử dụng biến phụ thuộc dạng nhị phân
để ước lượng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập có được. Phương trình hồi qui Binary Logistic có dạng như sau:
Loge(P (Y = 1)/( P (Y = 0)= β0 + β1X1i + β2X2i +…+ βkXki + 𝜇
Trong đó:
Y : Biến phụ thuộc có hai trạng thái (0,1)
X1, X2,…, Xk : Các biến độc lập (Định lượng, định tính)
P(Y=1) = P0 : Xác suất xảy ra sự kiện. Trong bài này là xác suất để ra quyết định mua căn hộ.
P(Y=1) = 1 - P0 : Xác suất xảy ra sự kiện. Trong bài này là xác suất để ra không quyết định mua căn hộ.
Loge: là log của cơ số e (e = 2714)
Dạng hàm dự báo hồi qui Binary Logistics
E(Y/X1) = P / (1-P) = e β0 + β1X1i + β2X2i +…+ βkXki
E(Y/Xi) : Xác suất để Y=1 xuất hiện biến độc lập Xi có giá trị cụ thể.
=> P = e β0 + β1X1i + β2X2i +…+ βkXki / (1+ e β0 + β1X1i + β2X2i +…+ βkXki)