CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
2.2. Các phương pháp phân tích dữ liệu sử dụng trong nghiên cứu
Sử dụng phương pháp phân tích mô tả nhằm có những đánh giá sơ bộ:
- Thông tin về đối tƣợng điều tra.
- Các giá trị trung bình của các thành tố để làm cơ sở phân tích.
2.2.2. Phân tích độ tin cậy bằng hệ số Cronbach Alpha
Hệ số Alpha của Cronbach là một ph p kiểm định thống kê về mức độ chặt chẽ mà các biến (mục hỏi) trong thang đo tương quan với nhau. Phương pháp này cho ph p người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại.
Thang đo có hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thường, thang đo có Cronbach alpha từ 0,7 đến 0,8
33
là sử dụng đƣợc. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo lường tốt.
2.2.3. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không đủ độ tin cậy, phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt dữ liệu (nhóm tất cả các biến thành một số các nhân tố). Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem x t sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 thì phân tích này mới thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lƣợng nhân tố. Đại lƣợng Eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố.Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.Theo tiêu chuẩn Kaiser, chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới đƣợc giữ lại trong mô hình và tiêu chuẩn phương sai trích (Variance explained criteria) là tổng phương sai trích phải lớn hơn 50%.
Một phần quan trọng trong kết quả phân tích nhân tố là ma trận nhân tố (Component matrix) hay ma trận nhân tố sau khi xoay (Rotated component matrix).Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố).Những hệ số này gọi là hệ số tải nhân tố (Factor loading) biểu diễn tương quan giữa các biến và các nhân tố.Hệ số này lớn cho biết nhân tố và biến có liên quan chặt chẽ với nhau.
34
Nghiên cứu này sử dụng phương pháp trích nhân tố là Principal components với ph p quay Varimax, đồng thời loại bỏ các biến có hệ số tải nhân tố nhỏ hơn 0,5.
Việc giải thích các nhân tố đƣợc thực hiện trên cơ sở nhận ra các biến có hệ số factor loading lớn ở cùng một nhân tố.Theo đó, nhân tố này có thể đƣợc giải thích bằng các biến có hệ số lớn đối với bản thân nó.
Sau khi giải thích các nhân tố, cần tính toán các nhân số (trị số của các biến tổng hợp, đại diện cho các nhân tố hay thành phần đƣợc rút trích ở trên) để sử dụng trong các phương pháp phân tích đa biến tiếp theo. Nhân số này chƣa chuẩn hóa và đƣợc tính bằng cách lấy trung bình giá trị các biến trong nhân tố tại từng quan sát.
2.2.4. Xây dựng phương trình hồi quy và phân tích tương quan
Sau khi rút trích đƣợc các nhân tố từ phân tích nhân tố khám phá EFA, tiến hành phân tích tương quan (nếu r<0.3: quan hệ yếu, 0.3<r<0.5:quan hệ trung bình, r>0.5: quan hệ mạnh) và hồi quy để thấy đƣợc mối quan hệ giữa nhân tố tác động đến sự lựa chọn của khách hàng và mức độ tác động của các nhân tố này.
Dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bộ như kiểm tra phần dư chuẩn hóa, kiểm tra hệ số phóng đại phương sai VIF để phát hiện hiện tƣợng đa cộng tuyến. Quy tắc là khi VIF vƣợt quá 10, đó là dấu hiệu của đa cộng tuyến.
2.2.5. Phân tích phương sai một yếu tố (Oneway-Anova):
Sau khi mô hình đã được xử lý, việc thực hiện phân tích phương sai một yếu tố đặt ra để kiểm định có sự khác biệt hay không sự lựa chọn của KHCN đối với dịch vụ của Ngân hàng theo những đặc điểm khác nhau nhƣ:
tuổi tác, giới tính, trình độ học vấn. Kiểm định Test of Homogeneity of Variances sử dụng thống kê Leneve cho biết kết quả kiểm định phương sai.
Với mức ý nghĩa lớn hơn 0.05 có thể nói phương sai của biến đánh giá giữa
35
các nhóm nhân viên không khác nhau một cách có ý nghĩa thống kê. Nhƣ vậy, phân tích ANOVA có thể đƣợc sử dụng.