CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Kỹ thuật phân tích dữ liệu thống kê
Trị số Cronbach’s Alpha biến thiên trong khoảng [0; 1] được dùng để đo lường độ tin cậy của thang đo, trị số càng cao thì độ tin cậy càng cao. Khi trị số Cronbach’s Alpha lớn hơn hoặc bằng 0,6 thì thang đo có độ tin cậy đáng kể, tuy nhiên, trị số Cronbach’s Alpha quá lớn (>0,95) thì cho thấy không có sự khác biệt giữa các biến.
Hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo gọi là hệ số tương quan biến tổng. Theo Nunally và Bernstein (1994) biến quan sát có hệ số tương quan biến tổng > 0,3 được giữ lại, các biến có hệ số tương quan biến tổng < 0,3 được xem là biến rác và cần loại bỏ ra khỏi thang đo.
Độ giá trị hội tụ và độ giá trị phân biệt của thang đo được đánh giá thông qua phân tích nhân tố khám phá EFA.
3.4.2. Kiểm định thang đo bằng phân tích nhân tố khám phá
Phân tích nhân tố khám phá (EFA): gồm 4 bước- Tính ma trận các mối liên quan cho tất cả các biến (correlation matrix), Factor extraction, Factor rotation, ra quyết định cuối cùng về số nhân tố cần giữ lại.
Phương pháp EFA kiểm định một tập hợp các biến có tương quan với nhau, phụ thuộc lẫn nhau. Căn cứ mối quan hệ tuyến tính của các nhân tố với các biến quan sát, rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Theo Hair và cộng sự (2010), tiêu chí để đảm bảo mức ý nghĩa thiết thực của EFA là trọng số nhân tố (Factor loading) (còn gọi là hệ số tải nhân tố):
o Trọng số nhân tố > 0,3 : đạt mức tối thiểu o Trọng số nhân tố > 0,4 : quan trọng
o Trọng số nhân tố > 0,5 : có ý nghĩa thực tiễn
Để thực hiện phân tích EFA tập hợp các biến phải đạt đủ 4 điều kiện sau:
Trọng số nhân tố > 0,5;
Hệ số KMO (Kaiser-Meyer-Olkin) dùng để xem xét sự phù hợp của phân tích nhân tố, với 0,5 ≤ KMO ≤ 1. Số lượng nhân tố được xác định dựa vào chỉ số Eigenvalue, đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser, loại ra khỏi mô hình nghiên cứu những nhân tố có Eigenvalue < 1.
Kiểm định Bartlett: kiểm tra tính tương quan giữa các biến quan sát trong tổng thể. Kiểm định này có ý nghĩa thống kê (Sig. < 0,05) khi các biến quan sát có mối tương quan với nhau trong tổng thể.
Phương sai trích của các yếu tố (% Cumulative variance) > 50%: giải thích được bao nhiêu phần trăm (%) biến thiên của các biến quan sát (nếu xem biến thiên là 100%).
3.4.3. Hệ số tương quan và phân tích hồi quy tuyến tính
3.4.3.1 Hệ số tương quan: một chỉ số thống kê đo lường mối liên hệ tương quan giữa hai biến số. Có nhiều hệ số tương quan, hệ số tương quan thông dụng nhất là hệ số tương quan Pearson (Pearson correlation coefficient, kí hiệu r) đo lường mức độ tương quan tuyến tính giữa hai biến. Về nguyên tắc, tương quan Pearson sẽ tìm ra một đường thẳng phù hợp nhất với mối quan hệ tuyến tính của 2 biến X và Y.
Các tính chất quan trọng của r:
-1≤ r ≤1, điều kiện để tương quan có ý nghĩa là giá trị sig. <0,05
| r | càng lớn thì mối quan hệ tuyến tính càng mạnh, mức độ tương quan giữa hai biến càng lớn hoặc dữ liệu càng phù hợp với quan hệ tuyến tính giữa hai biến. Giá trị r bằng +1 hoặc bằng -1 cho thấy dữ liệu hoàn toàn phù hợp với mô hình tuyến tính.
r = 0: không có quan hệ tuyến tính giữa X và Y
r = 1 hoặc r = -1: X và Y tương quan tuyến tính hoàn toàn
Dấu của r cho thấy mối quan hệ giữa X và Y là đồng biến hay nghịch biến 3.4.3.2 Hồi quy tuyến tính
Hàm hồi quy tổng thể tuyến tính có dạng: E(Y|Xi) = α + βXi
o E(Y|Xi) là trung bình (tổng thể) của phân phối của Y với điều kiện Xi
o α, βlà các tham số của mô hình còn được gọi là hệ số hồi quy o αlà tung độ gốc; βlà hệ số góc (độ dốc) của đường hồi quy
Phân tích hồi quy là nghiên cứu sự phụ thuộc của một biến (biến phụ thuộc) vào một hay nhiều biến khác (biến độc lập, biến giải thích) với ý tưởng ước lượng giá trị trung bình (tổng thể) của biến phụ thuộc trên cơ sở các giá trị biết trước (trong mẫu lặp lại) của các biến giải thích.
Phương pháp bình phương nhỏ nhất – Mô hình Ordinal Least Square (OLS) - Phương pháp OLS là phương pháp tạo ra một đường trung bình mà bình phương
khoảng cách giữa các giá trị thật so với giá trị trung bình là nhỏ nhất - Dạng hàm tuyến tính: y = α + βXi + ɛ
Với:
α: hệ số chặn (bao gồm những yếu tố ngẫu nhiên có hệ thống nằm ngoài x) ε: bao gồm những yếu tố ngẫu nhiên không có hệ thống nằm ngoài x β: hệ số hồi quy (độ dốc của đường hồi quy), 𝛽 = Co v(x,y)
Var(x) - Các giả thuyết cơ bản của mô hình OLS
o Là một hàm tuyến tính của các hệ số hồi quy o X không ngẫu nhiên và được cố định qua các mẫu o Phần dư ɛ có phân phối chuẩn ~ N(,2)
o Không có hiện tượng phương sai thay đổi
o Không có hiện tượng đa cộng tuyến hoàn hảo (các biến độc lập tương quan với nhau)
o ɛ và X không tương quan với nhau
o n> k (số quan sát phải lớn hơn số hệ số cần hồi quy) o Phải có biến động trong giá trị của X (2>0)
o Mô hình được xác định đúng (không bỏ sót các biến quan trọng) - Ý nghĩa các hệ số ước lượng trong mô hình hồi quy tuyến tính
o Dấu của β thể hiện hướng tác động của biến X lên biến Y
o Nếu như các biến giải thích khác không đổi, khi một biến giải thích Xki thay đổi một đơn vị thì biến phụ thuộc sẽ thay đổi trung bình là βk đơn vị.
o βk phản ánh sự tác động trực tiếp của của biến giải thích Xki lên biến phụ thuộc sau khi đã loại trừ ảnh hưởng các biến hồi quy khác.
- Độ thích hợp của mô hình: hệ số xác định R2 0 ≤ R2 ≤ 1
R2 = 1: các biến độc lập giải thích 100% sự biến thiên của biến phụ thuộc
R2 = 0: mô hình không giải thích được bất kỳ sự biến đổi nào của biến phụ thuộc - Kiểm định ý nghĩa thống kê của các hệ số hồi quy
o Kiểm định F (kiểm định Wald) Giả thuyết:
H0: β1 = β2 = β3=…= βk = 0
Ha: ít nhất có một tham số βk khác 0 Trị kiểm định F
𝐹 = 𝑀𝑆𝐸
𝑀𝑆𝑅 = 𝐸𝑆𝑆/(𝐾 − 1)
𝑅𝑆𝑆/(𝑛 − 𝐾) ~ 𝐹(𝐾−1,𝑛−𝐾,𝛼)
Quy tắc bác bỏ: Bác bỏ H0 nếu F ≥ F (K-1, n-K, α) hoặc P value ≤ α o Mối quan hệ giữa R2 và F
𝐹 = 𝑅2/(𝐾 − 1) (1 − 𝑅2)/(𝑛 − 𝐾) Khi R2 càng lớn thì F càng lớn
Kiểm định F là thước đo ý nghĩa chung của mô hình hồi quy và cũng là kiểm định ý nghĩa R2
Kiểm định H0: β1 = β2 = β3=…= βk = 0 tương đương với với kiểm định H0: R2 = 0 o Kiểm định hệ số hồi quy riêng:
Kiểm định t-test với giả thuyết H0: β i = 0
Khi chúng ta có mức ý nghĩa (α) thì chúng ta dùng p-value để so sánh với :
p-value > (mức ý nghĩa): chấp nhận H0
p-value < (mức ý nghĩa): bác bỏ H0
Như vậy, nội dung chương 3 trình bày chi tiết quy trình thực hiện đề tài nghiên cứu. Quá trình nghiên cứu được trình bày qua 2 giai đoạn: nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ được thực hiện bằng phương pháp nghiên cứu định tính thông qua kỹ thuật thảo luận nhóm tập trung. Kết quả nghiên cứu sơ bộ được để điều chỉnh thang đo và bảng câu hỏi khảo sát ý kiến cho phù hợp với môi trường và đối tượng nghiên cứu đồng thời được dùng để thu thập dữ liệu cho nghiên cứu chính thức. Nghiên cứu chính thức được thực hiện bằng phương pháp nghiên cứu định lượng thông qua bảng khảo sát ý kiến của 352 khách hàng sử dụng dịch vụ khám chữa bệnh tại các bệnh viện tư nhân tại tỉnh Bình Dương.
Chương này cũng trình bày các tiêu chí đánh giá thang đo, các phương pháp phân tích sử dụng trong quá trình xử lý dữ liệu như: phân tích độ tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá, phân tích tương quan, phân tích hồi quy tuyến tính đơn, phân tích hồi quy bội, phương pháp kiểm định giả thuyết, cũng như phương pháp kiểm tra sự vi phạm của giả thuyết của phương pháp hồi quy. Ở chương tiếp theo, tác giả sẽ trình bày về kết quả nghiên cứu thực tế trong nghiên cứu này.