CHƯƠNG 2. NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
2.3 Phương pháp nghiên cứu
2.3.3. Mô hình nghiên cứu
Trong đó :
H1: bạo lực gia đình tác động đến thể chất của trẻ em H2: bạo lực gia đình tác động đến nhận thức của trẻ em H3: bạo lực gia đình tác động đến hành vi của trẻ em H4: bạo lực gia đình tác động đến cảm xúc của trẻ em
BẢNG MÔ TẢ BIẾN
Mã hóa Mô tả biến Phương pháp
Biến phụ thuộc Tâm lý của trẻ em
TLCTE
Về thể chất: Có biểu hiện cảnh giác quá mức, dễ giật mình, ngủ không yên giấc, đau mỏi và đau đớn.
Về nhận thức: Trẻ thường có những suy nghĩ, ký ức về sự kiện (dù không muốn), các cơn ác mộng.
Về hành vi: Trẻ thường né tránh những địa điểm và hoạt động gợi nhớ đến sự kiện gây sang chấn, né tránh tiếp xúc hoặc cách ly về mặt xã hội, có xu hướng bạo lực.
Về cảm xúc: Trẻ thường sợ hãi, trầm cảm, tội lỗi, tức giận và dễ bị kích động, lo âu và hoảng loạn.
Lập bảng khảo sát, phỏng vấn
Biến độc lập Bạo lực gia đình
BLGĐ
Bạo lực về thể chất: là hành vi ngược đãi, đánh đập trẻ em, làm tổn thương tới sức khỏe, tính mạng của trẻ.
Bạo lực về tinh thần: là những lời nói, thái độ, hành vi làm tổn thương tới danh dự, nhân phẩm, tâm lý của trẻ.
Lập bảng khảo sát, phỏng vấn
Dựa trên bảng mô tả biến để thiết lập xây dựng mô hình như sau:
T LCTE=α0+β1B LGĐ1+β2B LGĐ2+β3B LGĐ3+β4B LGĐ4+β5B LGĐ5+β6B LGĐ6+εi
Phương pháp kiểm định mô hình:
Kiểm định giả thuyết:
- H0: Bạo lực gia đình không tác động đến tâm lí của trẻ em - H1: Bạo lực gia đình có tác động đến tâm lí của trẻ em
Kiểm định Cronbach Alpha
Độ tin cậy Cronbach Alpha là một thang đo giúp cho chúng ta xác định được các biến quan sát cho một nhân tố có phù hợp hay không, ngoài
ra, nó còn chỉ ra được những biến nào đóng góp trong việc đo lường khái niệm về nhân tố đó và biến nào không.
Hệ số Cronbach Alpha có giá trị lớn hơn hoặc bằng 0,9 thể hiện thang đo lường rất tốt.
Hệ số Cronbach Alpha có giá trị từ 0,8 đến 0,9 thể hiện thang đo lường sử dụng tốt.
Hệ số Cronbach Alpha có giá trị từ 0,7 đến 0,8 thì thang đo này chấp nhận được.
Hệ số Cronbach Alpha có giá trị từ 0,6 đến 0,7 thì thang đo này cần xem lại.
Hệ số Cronbach Alpha có giá trị nhỏ hơn 0,5 thì thang đo này không chấp nhận được.
Yếu tố khám phá (EFA)
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.
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.
Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những
nhân tố nào có Eigenvalue > 1 mới được giữ lại trong mô hình phân tích.
Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
Factor loading (hệ số tải nhân tố hay trọng số nhân tố) giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố.
Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại :
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
Tương quan correlation
Hệ số tương quan còn được gọi là Correlation Coefficient. Là chỉ số thống kê đo lường mức độ quan hệ tuyến tính giữa hai biến số, không phân biệt biến này phụ thuộc vào biến kia.
Trong đó, hệ số tương quan có giá trị từ -1.0 đến 1.0. Nếu kết quả được tính ra lớn hơn 1.0 hoặc nhỏ hơn -1 có nghĩa là phép tính hệ số tương quan đó đang lỗi.
Hệ số tương quan có giá trị âm: Thể hiện 2 biến số có mối quan hệ nghịch biến hoặc tương quan âm (nghịch biến tuyệt đối khi giá trị bằng -1).
Hệ số tương quan có giá trị dương: Thể hiện 2 biến số có mối quan hệ đồng biến hoặc tương quan dương (đồng biến tuyệt đối khi giá trị bằng 1).
Hệ số tương quan bằng 0: Thể hiện 2 biến số độc lập với nhau.
ANOVA ( phân tích phương sai)
Phân tích phương sai (Analysis of Variance) là một kỹ thuật thống kê tham số được sử dụng để so sánh các bộ dữ liệu. Mục tiêu của phân tích phương sai là so sánh trung bình của nhiều nhóm (tổngthể) dựa trên các số trung bình của các mẫu quan sát từ các nhóm này và thông qua kiểm định giả thuyết để kết luận về sự bằng nhau của các số trung bình này. Trong nghiên cứu, phân tích phương sai được dùng như là một công cụ để xem xét ảnh hưởng của một hay một số yếu tố nguyên nhân (định tính) đến một yếu tố kết quả (định lượng).
Có hai loại phân tích phương sai thông dụng nhất là phân tích phương sai một yếu tố và hai yếu tố:
Phân tích phương sai một yếu tố : giả sử cần so sánh số trung bình của k tổng thể độc lập. Ta lấy k mẫu có số quan sát là n1, n2…nk; tuân theo phân phối chuẩn. Trung bỡnh của cỏc tổng thể được ký hiệu là à1; à2 ….àk thỡ mô hình phân tích phương sai một yếu tố ảnh hưởng được mô tả dưới dạng kiểm định giả thuyết như sau:
Ho: à1= à2= ….= àk
H1:Tồn tại ớt nhất 1 cặp cú ài ≠àj ; i≠j
Kiểm định đa cộng biến:
Kiểm nghiệm đa cộng biến bằng giá trị VIF
Nếu VIF < 10 thì ta đánh giá không có hiện tượng đa cộng biến. Tuy vậy mốc đánh giá ở mức này sẽ thường dùng trong những nghiên cứu về kỹ thuật không sử dụng thang đo Likert. Còn ở những nghiên cứu về kinh tế, xã hội, các nhà nghiên cứu cho rằng VIF > 2 sẽ có khả năng xãy ra hiện tượng đa cộng biến, còn >5 chắc chắn có đa cộng biến.
Xây dựng mô hình dự báo (mục đích)
Dự báo là một dự đoán được đưa ra bằng cách nghiên cứu dữ liệu lịch sử và khuôn mẫu trong quá khứ. Các doanh nghiệp sử dụng những công cụ phần mềm và hệ thống để phân tích khối lượng dữ liệu lớn được thu thập trong một khoảng thời gian dài. Sau đó, phần mềm sẽ dự đoán nhu cầu cũng như xu hướng trong tương lai để giúp các công ty đưa ra những quyết định tài chính, tiếp thị và hoạt động chính xác hơn.
Các phương pháp dự báo có thể mang tính định tính hoặc định lượng:
Phương pháp định tính
+ Dự báo định tính dựa trên việc các chuyên gia tiếp thị đưa ra các dự đoán ngắn hạn. Bạn có thể sử dụng các phương pháp định tính khi không có đủ dữ liệu lịch sử.
Phương pháp định lượng
+ Các mô hình dự báo định lượng sử dụng số liệu thống kê và dữ liệu lịch sử có giá trị để dự đoán các xu hướng dài hạn trong tương lai.
Quá trình lập mô hình dự đoán trải qua ba bước sau đây:
1. Đặt câu hỏi và thu thập tập dữ liệu chuỗi thời gian mẫu trả lời cho câu hỏi này trong một khoảng thời gian trước đây.
2. Đào tạo phần mềm máy tính hoặc thuật toán dự báo bằng cách sử dụng những giá trị trong quá khứ.
3. Sử dụng thuật toán dự báo để đưa ra những dự đoán về tương lai.