CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.2. PHƯƠNG PHÁP NGHIÊN CỨU
3.2.5. Xử lý dữ liệu
Dữ liệu được thu thập sẽ xử lý bằng phần mềm SPSS 20.0 với hai giai đoạn:
Giai đoạn 1 là kiểm định thang đo gồm kiểm định độ tin cậy và độ giá trị của thang đo. Giai đoạn 2 là kiểm định mô hình và giả thuyết thông qua phân tích tương quan và phân tích hồi qui đa biến. Nếu dữ liệu cho nghiên cứu không có được thang đo có giá trị và tin cậy cần thiết thì các kết quả sau đó sẽ không có nhiều ý nghĩa.
a. Thống kê mô tả
Để có cách nhìn tổng quan về dữ liệu mẫu thu thập được, đầu tiên tiến hành lập bảng thống kê mô tả thông tin mẫu theo các biến phân loại: Khoa, thời gian, hình thức và loại hình khám chữa bệnh; giới tính, tình trạng hôn nhân, độ tuổi, trình độ, nghề nghiệp và mức thu nhập bình quân hàng tháng.
b. Kiểm định thang đo
Một thang đo có giá trị phải đảm bảo độ tin cậy và độ giá trị của thang đo thông qua 2 thông số: Độ tin cậy Cronbach Alpha và độ giá trị EFA (gồm giá trị hội tụ và giá trị phân biệt).
- Phân tích hệ số Cronbach’s Alpha:
Hệ số Cronbach’s Alpha được sử dụng để đánh giá mức độ chặt chẽ giữa các biến quan sát trong cùng thang đo, và nó biến thiên trong khoảng [0,1]. Thông thường một thang đo có độ tin cậy tốt biến thiên trong khoảng [0.7 – 0.8], tuy nhiên khi thang đo đạt độ tin cậy từ 0.6 trở lên là có thể chấp nhận được, đặc biệt là với các trường hợp hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally & Bernstein, 1994; trích dẫn từ Hùng, 2011).
Cronbach alpha phải thực hiện trước phân tích EFA để loại bỏ các biến rác, vì các biến này sẽ gộp chung lại trong EFA tạo nên các nhân tố giả không có quan hệ với các biến đo lường khác, nên sẽ không có cơ sở để giải thích nó (Hùng, 2011). Cùng
với đó là hệ số tương quan biến tổng, là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Hệ số này càng cao thì tương quan giữa biến đang xem xét với các biến còn lại trong cùng thang đo càng chặt chẽ. Các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác và sẽ bị loại khỏi mô hình (Hùng, 2011).
- Phân tích nhân tố khám phá EFA:
Là phân tích đa biến phụ thuộc lẫn nhau (mối tương quan giữa các biến) nhằm đánh giá tính định hướng, giá trị hội tụ và giá trị phân biệt của thang đo; nó dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) hay các biến mô tả cùng một khái niệm nghiên cứu sẽ hội tụ thành một nhóm, cơ sở rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (Hùng, 2011). Phân tích EFA được xem là phù hợp khi thỏa yêu cầu về các hệ số sau:
- KMO có giá trị trong khoảng [0.5 - 1] là thích hợp (Trọng & Ngọc, 2008).
- Mức ý nghĩa sig. (p-value) của Bartlett’s Test nhỏ hơn 0.05. (Hùng, 2011).
- Hệ số tải nhân tố có giá trị lớn hơn 0.5 được xem là có ý nghĩa, và chênh lệch hệ số tải của cùng một biến trong nhân tố đó > 0.3 (Aron & ctg, 1994; trích dẫn từ Hùng, 2011).
- Phương pháp trích nhân tố Principal Axis Factoring sử dụng phép quay Promax với những nhân tố có chỉ số Eigenvalue (chỉ số này đại diện cho phần biến thiên được giải thích bởi một nhân tố) lớn hơn 1 mới được giữ lại trong mô hình nghiên cứu, tổng phương sai trích TVE phải đạt từ 50% trở lên (Gerbing &
Anderson, 1988; trích dẫn từ Hùng, 2011) thì có thể kết luận mô hình EFA phù hợp.
Hệ số TVE cho biết các nhân tố trích được bao nhiêu phần trăm của các biến quan sát.
c. Kiểm định mô hình và giả thuyết
Để kiểm định mô hình lý thuyết, phân tích tương quan được thực hiện trước nhằm phát hiện ra mức độ tương quan giữa 2 biến, không có giả thiết về quan hệ nhân quả. Trên cơ sở đó tiến hành phân tích hồi quy giữa biến độc và biến phụ thuộc thông qua phương pháp phân tích hồi qui đa biến MVR (Multi Variate
Regresion), về thực chất nó là một tập các mô hình hồi qui bội MLR (Multiple Linear Regression), với mức ý nghĩa 5%.
Giả thiết là các biến độc lập không có tương quan hoàn toàn với nhau, khi phân tích hồi qui ta kiểm tra giả thiết này thông qua hiện tượng đa cộng tuyến bằng cặp hệ số đó là hệ số phóng đại phương sai VIF (Variance Inflation Factor) và dung sai T (Tolerance), với hệ số VIF là giá trị nghịch đảo của dung sai T (phần riêng của các biến độc lập); dung sai T càng lớn nghĩa là phần riêng của nó càng lớn nên hệ số VIF càng nhỏ, khi đó khả năng đa cộng tuyến sẽ giảm. Nếu VIF lớn đều này đồng nghĩa với việc các biến độc lập khác có thể sẽ giải thích thay cho biến độc lập hiện đang được xem xét và hiện tượng đa cộng tuyến sẽ xảy ra. Thường VIF < 2.2 thì không có hiện tượng đa cộng tuyến, một biến độc lập nào đó có VIF > 10 thì biến này hầu như không có giá trị cho việc giải thích biến thiên của biến phụ thuộc (Hair
& ctg., 2006; trích dẫn từ Hùng, 2011).
Để đánh giá độ phù hợp của mô hình, dùng kiểm định F với p < 0.05 và hệ số xác định R2điều chỉnh thay cho R2 vì mô hình thường không phù hợp với dữ liệu thực tế như giá trị R2 thể hiện và R2điều chỉnh < R2 nên nó an toàn hơn do không thổi phồng độ phù hợp của mô hình.
Để kiểm định các giả thuyết, sử dụng hệ số sig. hay p value, với p <0.05 thì giả thuyết H0 bị bác bỏ hay giả thuyết xây dựng trong mô hình được chấp nhận. Hệ số beta (β) đã chuẩn hóa để so sánh mức độ tác động của các biến độc lập vào biến phụ thuộc, biến độc lập nào có hệ số β này càng lớn nghĩa là biến đó có tác động mạnh vào biến phụ thuộc.
Mô hình PATH được sử dụng để xem xét tác động của các biến dộc lập sự lắng nghe của bác sĩ, sự giải thích của bác sĩ, nghiệp vụ chuyên môn của bác sĩ đến biến phụ thuộc lòng trung thành của bệnh nhân thông qua các biến trung gian sự hài lòng của bệnh nhân và sự tin tưởng của bệnh nhân. Có nhiều cách để xác định mức độ phù hợp của mô hình PATH, trong đó cách đơn giản và hiệu quả nhất là dùng hệ số phù hợp tổng hợp R2tổng được tính từ các R2điều chỉnh của các mô hình hồi qui thành phần (Pedhazur, 1982; trích dẫn từ Hùng, 2011).
d. Phân tích ANOVA – Kiểm định khác biệt trung bình mẫu
Tiến hành phân tích ANOVA để tìm ra sự khác biệt giữa các nhóm bệnh nhân trong quá trình khám và chữa bệnh. Thực hiện phân tích khác biệt trung bình dùng kiểm định t - test khi so sánh hai trung bình mẫu và kiểm định ANOVA khi so sánh trung bình từ ba mẫu trở lên.