CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.4 Nghiên cứu chính thức
3.4.3 Phân tích dữ liệu
Phân tích dữ liệu là việc ứng dụng các luận chứng để hiểu, làm rõ và giải thích các dữ liệu thông tin đã được thu thập qua phiếu điều tra (Zikmund và cộng sự, 2010). Các dữ liệu thông tin được thu thập từ phiếu điều tra được làm sạch, nhập liệu và xuất dữ liệu xử lý qua chương trình SPSS 20 và Amos 22. Quy trình phân tích gồm các bước sau:
- Phân tích mô tả
Phân tích mô tả đề cập đến việc chuyển hóa từ dữ liệu thô thành một dạng thức dễ hiểu và dễ giải thích (Zikmund và cộng sự, 2010). Phương pháp này được sử dụng để tính toán sự phân bổ trung bình, tần xuất và tỉ lệ phần trăm của thông tin nhân khẩu học do người trả lời cung cấp.
- Kiểm tra độ tin cậy của thang đo
Các nhà nghiên cứu sử dụng phần mềm SPSS Phiên bản 20 để tiến hành kiểm tra độ tin cậy. Độ tin cậy được xác định thông qua việc giải thích hệ số α của Cronbach, một hệ số tin cậy chỉ ra mức tương quan tích cực giữa những câu hỏi trong bộ phiếu điều tra (Sekaran & Bougie, 2010). Độ tin cậy của mỗi thang đo được đánh giá bởi hệ số α bằng cách sử dụng phần mềm SPSS như mô tả trong dưới đây:
Bảng 3.1: Giải thích Giá trị Hệ số Alpha của Cronbach
Khoảng giá trị Hệ số Alpha Mức Tương quan
< 0,60 Yếu
0,60 đến < 0,70 Trung bình
0,70 đến < 0,80 Khá
0,80 đến < 0,90 Tốt
0,90 Rất mạnh
Nguồn: Zikmund, W. G., Babin, B. J., Carr, J. C., & Griffin, M., 2010.
- Kiểm tra T-Test
T-test được sử dụng để kiểm tra một giả thuyết cho rằng thang điểm của một số biến theo khoảng hoặc tỉ lệ (m) sẽ rất chênh lệch giữa hai mẫu hoặc nhóm độc lập. Trong nghiên cứu này, T-test được tiến hành để kiểm tra liệu giới tính, nghề nghiệp, nền tảng kinh doanh gia đình, yếu tố vùng, miền,… có ảnh hưởng như thế nào đến dự định khởi sự kinh doanh của thanh niên, có sự khác biệt trong phân tích đa nhóm hay không?
- Phân tích Tương quan Pearson
Theo Sekaran & Bougie (2010), Phân tích tương quan Pearson chỉ ra được điểm mạnh, xu hướng và tầm quan trọng của các mối tương quan giữa hai biến số trong toàn bộ các biến được đo bằng thang khoảng hoặc thang đo tỉ lệ. Hệ số tương liên càng lớn thì mức độ liên quan càng mạnh và mức độ đó là tiêu cực hay tích cực thì phụ thuộc vào xu hướng liên quan giữa các biến. Trong nghiên cứu này, phân tích Pearson được dùng để đo lường phương sai và tương quan giữa dự định khởi sự kinh doanh và năm yếu tố (thái độ đối với hành vi, chuẩn mực chủ quan, nhận thức kiểm soát hành vi, giáo dục khởi sự kinh doanh và đặc điểm tính cách) của các giả thuyết 1, 2, 3, 4 và 5.
Nghiên cứu điều tra sẽ được tiến hành ở mức ý nghĩa 5% hoặc 1%.
Bảng 3.2: Giải thích Giá trị Hệ số Tương liên
Khoảng Giá trị Tương liên Mức Tương quan
±0,91 đến ±1,00 Rất mạnh
±0,71 đến ±0,90 Cao
±0,41 đến ±0,70 Khá
±0,21 đến ±0,40 Ít nhưng vẫn định nghĩa được mối liên quan
±0,01 đến ±0,02 Yếu, gần như không đáng kể
Nguồn: Hair, Jr., Money, A. H., Samouel, P., & Page, M., 2007.
-Phân tích nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA) Đối với phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau. 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).
Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất. Đây cũng là phương pháp được tác giả sử dụng trong quá trình phân tích EFA.
Theo Hair & ctg (1998), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
• 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
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
Hệ số tải nhân tố (Factor loading) > 0.5
0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
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.
Phần trăm phương sai trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
Đối với phương pháp phân tích nhân tố khẳng định CFA: CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp các quan sát không. Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường, bởi vì chúng cùng tải lên khái niệm lý thuyết cơ sở. Phương pháp này chấp nhận các giả thuyết nghiên cứu, được xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố.
- Phân tích mô hình cấu trúc (SEM)
Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như tâm lý học (Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học (Lavee, 1988;
Lorence và Mortimer, 1985), nghiên cứu sự phát triển của trẻ em (Anderson, 1987;
Biddle và Marlin,1987) và trong lĩnh vực quản lý (Tharenou, Latimer và Conroy,1994). Mô hình này được coi là một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ phức tạp trong mô hình nhân quả. SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạn (longitudinal), phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hoá, cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn (Non-Normality), hay dữ liệu bị thiếu (missing data). Đặc biệt, SEM sử dụng để ước lượng các mô hình đo lường (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến.
Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (latent Variables) và các biến quan sát (observed variables). Nó cung cấp thông tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị). Các mối quan hệ này giữa các biến có thể mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm. Ngoài ra, với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị.
Với những lợi thế nêu trên của việc sử dụng mô hình SEM, trong nghiên cứu này, tác giả lựa chọn phân tích mô hình cấu trúc thay thế cho việc chạy mô hình hồi quy tuyến tính thông thường. Mô hình cấu trúc sẽ chỉ rõ mối quan hệ giữa các biến số và mức độ ảnh hưởng của các nhân tố trong mô hình nghiên cứu đề xuất.
Sự phù hợp của toàn bộ mô hình trên thực tế được đánh giá thông qua các tiêu chí về mức độ phù hợp như sau:
i) Kiểm định Chi-Square (χ2) :
Biểu thị mức độ phù hợp tổng quát của toàn bộ mô hình tại mức ý nghĩa p- value = 0.05 [Joserkog & Sorbom, 1989]. Điều này thực tế rất khó xảy ra bởi vì χ2 rất nhạy với kích thước mẫu lớn và độ mạnh của kiểm định, nên thực tế người ta dùng chỉ số χ2 /df để đánh giá.
ii) Tỷ số Chi-Square/bậc tự do: χ2 / df
Cũng dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình. Một số tác giả đề nghị 1 < χ2/df < 3 [Hair et al, 1998]; một số khác đề nghị χ2 càng nhỏ càng tốt [Segar, Grover, 1993] và cho rằng χ2/df < 3:1 [Chin & Todd, 1995] Ngoài ra, trong
một số nghiên cứu thực tế người ta phân biệt ra 2 trường hợp : χ2/df < 5(với mẫu N > 200); hay < 3 (khi cỡ mẫu N < 200) thì mô hình được xem là phù hợp tốt [Kettinger và Lee,1995].
iii) Các chỉ số liên quan khác:
GFI, AGFI, CFI, NFI,….. có giá trị > 0.9 được xem là mô hình phù hợp tốt.
Nếu các giá trị này bằng 1, mô hình được coi là hoàn hảo [Segar, Grover, 1993] &
[Chin & Todd, 1995].
GFI: đo độ phù hợp tuyệt đối (không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát.
AGFI: Điều chỉnh giá trị GFI theo bậc tự do trong mô hình.
RMR: Một mặt đánh giá phương sai phần dư của biến quan sát, mặt khác đánh giá tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến quan sát khác.. Giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao, nó phản ánh một mô hình có độ phù hợp không tốt.
RMSEA : là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với tổng thể. Chỉ số RMSEA, RMR yêu cầu < 0.05 thì mô hình phù hợp tốt. Trong một số trường hợp giá trị này < 0.08 mô hình được chấp nhận. [Taylor, Sharland, Cronin và Bullard, 1993].
NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mô hình độc lập (đơn nhân tố, có các hệ số bằng 0) với phép đo phương sai và mô hình đa nhân tố.
NFI = (χ2 null – χ2 proposed) / χ2 null = (χ2 Mo – χ2 Mn) / χ2 Mo Trong đó ký hiệu Mo: Mô hình gốc; Mn: Mô hình phù hợp
Giá trị đề nghị NFI > 0.9 [Hair et al, 1998] & [Chin & Todd, 1995]
iv) Mức xác suất: Giá trị > .05 được xem là mô hình phù hợp tốt [Arbuckle và Wothke, 1999; Rupp và Segal, 1989].
Ngoài ra các quan hệ riêng lẻ cũng được đánh giá tốt dựa trên các mức ý nghĩa thống kê. Tác động của các biến ngoại sinh lên các biến nội sinh và tác động của các biến nội sinh lên các biến nội sinh được đánh giá qua các hệ số hồi quy. Mối quan hệ giữa các biến được biểu thị bằng mũi tên trên mô hình. Chiều mũi tên biểu diễn chiều tác động của biến này lên biến kia. Trong các nghiên cứu thuộc lĩnh vực khoa học xã hội, tất cả các mối quan hệ nhân quả đề nghị có độ tin cậy ở mức 95% (p = .05)[Cohen, 1988].
Với những lợi thế nêu trên của việc sử dụng mô hình SEM, trong nghiên cứu này, tác giả lựa chọn phân tích mô hình cấu trúc thay thế cho việc chạy mô
hình hồi quy tuyến tính thông thường. Mô hình cấu trúc sẽ chỉ rõ mối quan hệ giữa các biến số và mức độ ảnh hưởng của các nhân tố trong mô hình nghiên cứu đề xuất. Trong quá trình xây phân tích mô hình cấu trúc tuyến tính dựa trên kết quả CFA, tác giả cũng đã có sự điều chỉnh mô hình nghiên cứu dựa trên việc loại bỏ các mối quan hệ không có ý nghĩa thống kê để có được mô hình nghiên cứu phù hợp hơn với dữ liệu nghiên cứu. Trên cơ sở mô hình phù hợp được lựa chọn, tác giả đưa kiểm định các giả thuyết nghiên cứu đã được đặt ra trong quá trình nghiên cứu luận án.
Bên cạnh đó, mô hình SEM cũng được sử dụng để phân tích cấu trúc đa nhóm nhằm tìm ra mô hình phù hợp theo các đặc điểm giới tính, nghề nghiệp, kinh nghiệm và truyền thống gia đình.
Như vậy, trong luận án, tác giả đã tuân thủ quy trình nghiên cứu được xây dựng từ đầu, đồng thời vận dụng kết hợp phương pháp nghiên cứu định tính và nghiên cứu định lượng nhằm đạt được mục đích nghiên cứu, nhất là khám phá các nhân tố ảnh hưởng đến dự định khởi sự kinh doanh của thanh niên hiện nay.