CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.2. Nghiên cứu sơ bộ
3.3.5. Công cụ, quá trình thu thập dữ liệu sơ cấp
Sau khi xem xét nhu cầu thu thập dữ liệu, những lợi ích và hạn chế của bảng câu hỏi tác giả nghiên cứu quyết định sử dụng bảng câu hỏi để thu thập dữ liệu sơ cấp cho đề tài.
Việc sử dụng bảng câu hỏi sẽ tiết kiệm được thời gian, chi phí và nguồn nhân lực, đảm bảo thông tin thu thập được một cách có hệ thống, thuận tiện trong việc kiểm tra, nhập liệu, tổng hợp, phân tích. Để giảm thiểu hạn chế, bảng câu hỏi được thiết kế thêm phần gạn lọc đối tượng và sử dụng các thuật ngữ đơn giản, phù hợp với đối tượng nghiên cứu.
Phương pháp thu thập dữ liệu: kết hợp áp dụng phương pháp phỏng vấn trực tiếp (ĐTV đến đơn vị điều tra, hỏi thông tin và ghi vào phiếu khảo sát) và phương pháp gián tiếp (ĐTV gửi phiếu đến đơn vị điều tra, hướng dẫn ghi phiếu trực tiếp hoặc qua điện thoại và hẹn ngày gửi trả phiếu đã điền thông tin đầy đủ cho ĐTV).
Thời gian thu thập số liệu được tiến hành trong giai đoạn từ tháng 8 đến tháng 10 năm 2017.
Thời gian nhập liệu và xử lý dữ liệu trên phần mềm SPSS được tiến hành từ tháng 11 năm 2017.
3.3.6. Kỹ thuật phân tích dữ liệu nghiên cứu
Trước khi tiến hành phân tích, thực hiện các bước làm sạch dữ liệu bằng cách loại bỏ các phiếu khảo sát mà đối tượng CCTT trả lời không phù hợp. Ví dụ như: Phiếu khảo sát không đầy đủ thông tin, phiếu có toàn bộ các câu trả lời theo phương pháp an toàn là chọn toàn bộ mã 3 (bình thường)… Đồng thời sử dụng các phương pháp thống kê để phát hiện lỗi trong quá trình nhập tin.
Dữ liệu sau khi làm sạch được phân tích bằng phần mềm SPSS 20.0.
3.3.6.1. Phương pháp thống kê mô tả
Sử dụng phương pháp thống kê mô tả để mô tả dữ liệu nghiên cứu bằng các phép tính và các chỉ số thống kê như: Trung bình mẫu (Sample mean), Phương sai (variance), Độ lệch chuẩn (Standard deviation), Tần số (Frequency), Tần suất …
3.3.6.2. Đánh giá độ tin cậy của thang đo
Kiểm tra độ tin cậy của các thang đo đo lường chất lượng dịch vụ và sự hài lòng, nghiên cứu sử dụng hai công cụ là: xác định hệ số Cronbach’s Alpha và phân tích nhân tố khám phá EFA.
Cronbach’s Alpha (1951) đưa ra hệ số tin cậy cho thang đo, để tính Cronbach’s Alpha cho một thang đo thì thang đo phải có tối thiểu là 3 biến đo lường. Hệ số Cronbach’s Alphabiến thiên trong khoảng [0,1]. Về lý thuyết Cronbach’s Alpha càng cao càng tốt (thang đo càng có độ tin cậy cao).
“Một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0.7-0.8]” (Nguyễn Đình Thọ, 2013). “Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu” (Nunnally, 1978; Peterson, 1994; Slater, 1995, dẫn theo Hoàng
Trọng và Chu Nguyễn Mộng Ngọc, 2008); “Nếu Cronbach’s Alpha ≥ 0.6 là thang đo có thể chấp nhận được về mặt độ tin cậy” (Nunnally & Bernstein 1994).
Do đó, đối với nghiên cứu này Cronbach’s Alpha từ 0.6 trở lên là có thể chấp nhận được. Tính toán Cronbach’s Alpha để loại bỏ các biến không phù hợp, không đảm bảo độ tin cậy, đánh giá độ tin cậy của thang đo. Nếu biến nào mà sự tồn tại của nó làm giảm độ lớn của Cronbach’s Alphathì biến đó sẽ bị loại bỏ.
Các biến đo lường dùng để đo lường cùng một khái niệm nghiên cứu nên chúng phải có tương quan chặt chẽ với nhau. Vì vậy, khi kiểm tra từng biến đo lường chúng ta sử dụng hệ số tương quan biến tổng. Trong SPSS sử dụng hệ số tương quan biến tổng hiệu chỉnh (Corrected Item – Total Correlation). Nếu một biến đo lường có hệ số tương quan biến tổng (hiệu chỉnh) ≥ 0.3 thì biến đó đạt yêu cầu, các biến có hệ số tương quan với biến tổng < 0.3 được xem là biến rác và sẽ bị loại khỏi thang đo.
3.3.6.3. Phân tích nhân tố khám phá – EFA (Exploratory Factor Analysis) Theo Hair và cộng sự (1998), “EFA là một phương pháp phân tích thống kê dùng để rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu”.
Trong nghiên cứu, chúng ta thu thập thông tin trên một lượng biến khá lớn nhưng các biến có liên hệ với nhau nên chúng ta sẽ gom chúng thành các nhóm biến có liên hệ để xem xét.Một số tiêu chuẩn cần quan tâm trong quá trình phân tích như sau:
- Trị số “Kaiser – Meyer – Olkin (KMO) là một chỉ số dùng để xem xét sự thích hợp của EFA. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủđể phân tích nhân tố là thích hợp” (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
- Kiểm định Bartlett’s test sphericity xem xét giả thuyết H0: tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa (Sig. <0.05) thì giả thuyết H0 bị bác bỏ, tức là các biến quan sát có tương quan với nhau trong tổng thể.
- Những hệ số tải nhân tố (Factor Loading) biểu thị mối quan hệ tương quan giữa các các nhân tố và các biến. Hệ số này lớn cho biết giữa nhân tố và biến quan sát có liên hệ chặt chẽ với nhau và ngược lại. Trong nghiên cứu này sử dụng hệ số tải nhân tố >0.5.
- Trong phân tích EFA còn dựa vào Eigenvalue (Determination based on eigenvalue) để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 và tổng phương sai trích ≥ 50% thì mới được giữ lại trong mô hình phân tích. Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố.
3.3.6.4. Phân tích hồi quy tuyến tính đa biến
Sau khi hoàn thành phân tích EFA tiến hành bước phân tích hồi quy. Trước hết xem xét mối số tương quan giữa các biến, kiểm tra phần dư chuẩn hóa, kiểm tra hiện tượng tự tương quan bằng hệ số Durbin – Watson (1< Durbin-Watson < 3 ), kiểm tra hệ số phóng đại phương sai VIF (Variance Inflation Factor). Nếu các giả định không vi phạm, mô hình hồi quy tuyến tính bội được xây dựng là phù hợp.
Phân tích hồi quy đa biến là một phương pháp phân tích thống kê được sử dụng để xác định mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Phương trình hồi quy tuyến tính bộicó dạng:
Yi = β0+ β1X1i+ β2X2i+ ... + βpXpi + ei
Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp dự đoán được giá trị củabiến phụ thuộc (với độ chính xác trong phạm vi giới hạn) khi biết trước giá trị của biến độc lập.
Hệ số xác định R2 đã được điều chỉnh (Adjusted square) (là hệ số xác định tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi biến độc lập trong mô hình hồi quy) được dùng để đo lường độ phù hợp của mô hình hồi quy theo quy tắc R2càng gần 1 thì mô hình xây dựng càng phù hợp, R2 càng gần 0 mô hình càng kém phù hợp với tập dữ liệu mẫu.
Kiểm định F trong phân tích phương sai được dùng để kiểm định giả thuyết về độ phù hợp của mô hình tuyến tính với tổng thể. Nếu giả thuyết H0của kiểm định F bị bác bỏ thì có thể kết luận mô hình hồi quy đa biến phù hợp với tập dữ liệu và có thể sử dụng được cho tổng thể.
Kiểm định One way ANOVA được sử dụng để xem xét ảnh hưởng các đặc điểm của đối tượng CCTT đến mức độ hài lòng chung.
Kết luận: Trong chương 3 trình bày về phương pháp nghiên cứu với các cội dung chính: quy trình nghiên cứu, cách thức nghiên cứu sơ bộ, các bước nghiên cứu chính thức như: xây dựng thang đo và mã hóa dữ liệu, thiết kê bảng câu hỏi, cách thức chọn mẫu nghiên cứu, các kỹ thuật phân tích dữ liệu nghiên cứu được sử dụng như:
phương pháp thống kê mô tả; kiểm tra độ tin cậy của các thang đo bằng hệ số Cronbach’s Alpha; phân tích nhân tố khám phá; phân tích hồi quy tuyến tính đa biến;
kiểm định One way ANOVA.