Chương 2. ĐẶC ĐIỂM ĐỊA BÀN VÀ PHƯƠNG PHÁP NGHIÊN CỨU38 2.1. Đặc điểm cơ bản của tỉnh Hòa Bình
2.3. Phương pháp nghiên cứu
2.3.3. Phương pháp xử lý và phân tích số liệu
Tài liệu, số liệu thứ cấp được phân loại, tổng hợp theo từng nội dung nghiên cứu của đề tài qua phần mềm Microsoft Word và Microsoft Excel.
Số liệu sơ cấp sau khi khảo sát, thu về sẽ được lọc, loại bỏ những phiếu bất hợp lệ và nhập dữ liệu. Phân tích dữ liệu điều tra khách hàng bằng phần mềm SPSS 22.0
2.3.2.2. Phương pháp phân tích số liệu a) Phương pháp thống kê mô tả
Phương pháp này dùng để sử dụng để phản ánh tình hình cơ bản của BHXH tỉnh Hòa Bình, tình hình về thủ tục hành chính tại BHXH tỉnh Hòa
Bình; công tác tiếp nhận và trả hồ sơ; Tình hình về đội ngũ cán bộ viên chức ngành BHXH tỉnh Hòa Bình; Số lượng cán bộ viên chức được đào tạo bồi dưỡng qua các năm...
b) Phương pháp thống kê so sánh
Phương pháp so sánh được sử dụng trong luận văn để đối chiếu, so sánh các chỉ tiêu nghiên cứu về số tuyệt đối, số tương đối qua các năm.
c) Phương pháp phân tích tỷ lệ
Được sử dụng để đánh giá mức độ đóng góp của các nhân tố ảnh hưởng đến sự hài lòng của người đến giao dịch thủ tục hành chính tại BHXH Hòa Bình, xác định mức độ trọng yếu của từng nhân tố.
d) Phương pháp phân tích định lượng
Dữ liệu sau khi nhập được vào phần mềm SPSS 22.0 phân tích theo các bước sau:
Thứ nhất: Đánh giá độ tin cậy của thang đo đối với dữ liệu từ phiếu khảo sát Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach Alpha. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì hệ số Cronbach Alpha từ 0,8 đến gần 1 thì thang đo lường là tốt, từ 0,7 đến gần 0,8 là thang đo sử dụng được. Tuy nhiên theo J. F. Hair và cộng sự (1998) thì Cronbach Alpha từ 0,5 trở lên là có thể chấp nhận được. Trong nghiên cứu này, để đảm bảo độ tin cậy của thang đo, tác giả sẽ cân nhắc các thang đo đảm bảo hệ số Cronbach Alpha ≥ 0,50.
Việc quyết định nên giữ lại hay bỏ đi một biến quan sát được thực hiện dựa trên hệ số tương quan biến tổng (item – total correclation) và hệ số Cronbach's Alpha if Item Deleted. Các biến có hệ số tương quan biến tổng <
0,3 hoặc có hệ số Cronbach's Alpha if Item Deleted > hệ số Cronbach’s Alpha được coi là biến rác và bị loại khỏi thang đo (Nunnally và Burnstein,1994).
Thứ hai: Kiểm định giá trị thang đo bằng phương pháp phân tích nhân tố EFA.
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) dựa vào mối tương quan giữa các biến với nhau (interrelationships).
Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Phân tích nhân tố khám phá nhằm loại bỏ một lần nữa những thang đo không đủ độ tin cậy, chỉ giữ lại các thang đo có độ kết dính cao, có thể gom gọn lại thành một số nhân tố ít hơn, phản ánh chính xác các thành phần đo lường sự ảnh hưởng của các biến độc lập đến biến phụ thuộc.
Các thang đo đã bị loại trong phân tích hệ số Cronbach’s Anpha sẽ không được đưa vào trong phân tích nhân tố.
Phân tích nhân tố được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm bằng độ giá trị hội tụ (convergence validity) đồng thời đo lường độ giá trị phân biệt giúp đảm bảo sự khác biệt, không có mối quan hệ tương quan giữa các yếu tố sử dụng để đo lường các nhân tố bằng độ giá trị phân biệt (discriminant validity). Theo J. F. Hair và cộng sự (1998) với mẫu nhỏ hơn 350 hệ số tải (factor loading) > 0,5 là đạt giá trị hội tụ và hệ số tải của nhân tố này lớn hơn hệ số tải của nhân tố khác cho thấy tính đảm bảo độ giá trị phân biệt. Trong nghiên cứu này những biến nào có hệ số tải nhân tố dưới 0,5 sẽ bị loại để đảm bảo tính hoàn chỉnh của thang đo.
Phương pháp rút trích nhân tố được sử dụng là phương pháp rút trích các thành phần chính (Principal components) và phương pháp xoay các nhân tố là phương pháp Varimax with Kaiser Normalization. Điểm dừng trích khi các yếu tố có “Initial Eigenvalues”>1. (Mayers, L.S., Gamst, G., Guarino A.J., 2000)
Thứ ba: Phân tích tương quan
Sau khi có kết quả phân tích nhân tố, các nhân tố hội tụ sẽ được nhóm lại và đặt tên chung; các thang đo đảm bảo độ tin cậy và kết dính cao được đưa vào xem xét mức độ tương quan trước khi đưa vào phân tích hồi quy để kiểm định mô hình nghiên cứu và các giả thuyết kèm theo.
Thứ tư: Phân tích hồi quy
Mô hình hồi quy bội MLR (Multiple Linear Regression) biểu diễn mối quan hệ giữa hai hay nhiều biến độc lập với một biến phụ thuộc định lượng.
Tác giả sử dụng phương pháp tương quan Pearson correlation coefficient nhằm đánh giá mối quan hệ tương quan giữa các biến trong mô hình. Hệ số tương quan được ký hiệu là r và có giá trị trong khoảng -1 ≤ r ≤ +1.
Sau khi kết luận về mối liên hệ tuyến tính giữa các biến, tác giả thực hiện mô hình hóa mối quan hệ này bằng hồi quy tuyến tính bội. Mô hình hồi quy tuyến tính được chạy và kiểm định với mức ý nghĩa = 0,1. Nghiên cứu thực hiện hồi quy bội theo phương pháp đưa dần vào (Backward elimination).