CHƯƠNG 2. CÁC CƠ SỞ LÝ LUẬN
2.7. Một số lý thuyết cơ bản liên quan tới nội dung phân tích
2.5.5. Cơ sở lý luận về khảo sát và thống kê
Sử dụng cách tăng kích thước mẫu ta có thể làm tăng độ chính xác của quá trình khảo sát (thu nhỏ độ rộng của khoảng tin cậy). Tuy vậy, độ chính xác thu được chỉ tăng theo tỷ lệ với căn bậc hai của kích thước mẫu. Hay có thể hiểu
HVTH: TRẦN NHẬT QUANG - 1770421 29
rằng tốc độ tăng lên của sự chính xác trong quá trình khảo sát nhỏ hơn rất nhiều lần so với tốc độ tăng của chi phí khảo sát. Một nghiên cứu đã chỉ ra rằng, phải tăng kích thước mẫu lên tới 4 lần chỉ để thu nhỏ khoảng tin cậy đi một nửa.
Ta có thể suy ra công thức tính toán kích thước mẫu như sau:
Ta có: S𝑥̅ =
√ ; E = Z × S𝑥̅ =Z ×
√ => N = ( × )
Trong đó:
N : Kích thước mẫu;
S𝑥̅ : Độ lệch chuẩn của trị trung bình của mẫu;
Sx : Độ lệch chuẩn của mẫu;
E: Sai số cho phép, khoảng tin cậy;
Z: Giá trị của phân phối chuẩn được xác định theo hệ số tin cậy.
Kích thước mẫu là hàm số phụ thuộc vào mức độ chấp nhận rủi ro (được biểu thị bằng giá trị Z), độ biến thiên của đám đông (ước lượng bằng độ lệch chuẩn) và khoảng tin cậy (sai số cho phép).
Việc tính toán để có thể xác định tương đối chính xác kích thước mẫu trong điều kiện thực tế phức tạp hơn nhiều so với công thức. Đầu tiên, trước khi thực sự bắt đầu lấy mẫu, chúng ta thường không biết độ lệch chuẩn. Nhưng trước khi tiến hành khảo sát, cần biết độ lệch chuẩn để xác định cỡ mẫu. Nói chung, giá trị độ lệch chuẩn được sử dụng trong công thức trên chỉ là phỏng đoán và đôi khi được sử dụng trong các nghiên cứu trước đây, nghiên cứu thử nghiệm hoặc phỏng vấn khảo sát thử nghiệm. Hoặc đôi khi các nhà nghiên cứu họ bắt đầu trước với kích thước mẫu nhất định, sau khi có được một số dữ liệu, họ tính độ lệch chuẩn của mẫu và sau đó đưa giá trị này vào công thức để tính kích thước mẫu.
Nhìn chung, vẫn còn nhiều vấn đề trong công thức tính kích thước mẫu.
Do đó, nếu mục tiêu nghiên cứu không cần độ chính xác quá cao cho các thông số dự đoán, các nhà nghiên cứu hiếm khi sử dụng chúng
Thông thường, ta có thể xác định kích thước mẫu theo kiểu định tính. Độ lớn của mẫu tối đa là 1000 hoặc đơn giản là lấy 10% của đám đông, kích thuớc tối thiểu của mẫu là 30, và tùy thuộc và độ biến thiên của đám đông mà điều chỉnh cho phù hợp. Trong khoảng kích thước tối đa và tối thiểu đó, quyết định thường được suy xét dựa vào ngân quỹ và thời gian.
HVTH: TRẦN NHẬT QUANG - 1770421 30
Nói chung, chúng ta hoàn toàn có thể xác định kích thước mẫu kiểu định tính. Cỡ mẫu tối đa là 1000, hoặc chỉ 10% của đám đông, và kích thước mẫu tối thiểu là 30, và điều chỉnh cho phù hợp theo sự thay đổi của đám đông. Trong việc lựa chọn kích thước mẫu trong khoảng kích thước tối đa và tối thiểu, quyết định sẽ được cân nhắc dựa trên ngân sách và thời gian.
2. Kiểm định độ tin cậy thang đo Cronbach’s Alpha
Trong quá trình nghiên cứu định lượng ta thường hay nghe cụm từ "kiểm định độ tin cậy của thang đo", vậy ở đây độ tin cậy của thang đo là gì? Đối với những vấn đề nghiên cứu về kinh tế - xã hội thì những nhân tố được các nhà nghiên cứu sử dụng trong các mô hình thường rất trừu tượng và phức tạp. Vì vậy, không thể sử dụng thang đo một chỉ báo để đo lường cho từng nhân tố được mà các nhà nghiên cứu phải sử dụng thang đo nhiều chỉ báo. Độ tin cậy của thang đo phụ thuộc rất nhiều vào các câu hỏi thuộc về nhân tố cần đo lường.
Kiểm định độ tin cậy của thang đo là việc kiểm tra xem một câu hỏi khảo sát được đưa ra có độ tin cậy hay có ảnh hưởng nhiều và có khả năng làm rõ cho nhân tố cần đo lường hay không. Qua đó có thể đánh giá để giữ lại những câu hỏi có độ tin cậy cao và những câu hỏi có độ tin cậy thấp cần được loại bỏ.
Hệ số Cronbach’s Alpha là một phép thử thống kê về mức độ phù hợp của các hạng mục hỏi nhằm làm rõ cho nhân tố cần đo lường trong thang đo.
Công thức tính hệ số Cronbach’s Alpha:
= ( ) × ( ∑ ) Trong đó:
n : Số biến (items) trong mẫu;
𝑆𝑖 : hương sai của biến thứ i;
𝑆𝑡 : hương sai của tổng các biến;
: Có giá trị 0<<1; càng lớn thì độ tin cậy càng cao;
Theo quy ước, một tập hợp các câu hỏi hỏi dùng để đo lường cho một nhân tố trong thang đo nhiều chỉ báo được đánh giá tốt nếu có hệ số >= 0,8 nhưng với hệ số >= 0,7 là có thể chấp nhận được.
3. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) EFA là một phương thức dùng để thu gọn tập hợp rất nhiều biến quan sát thành một số lượng nhỏ hơn các nhân tố, tiêu chí có ý nghĩa. Trong một nghiên cứu sử dụng thống kê mô tả, thông thường các nhà nghiên cứu sẽ sử dụng rất
HVTH: TRẦN NHẬT QUANG - 1770421 31
nhiều biến quan sát để đo lường cho một khái niệm nào đó. Tuy nhiên, nếu số lượng biến quan sát quá nhiều thì sẽ không thể xử lý hết được. Trong rất nhiều biến quan sát này có những biễn quan sát có đặc điểm chung với nhau, cùng thể hiện một tính chất nào đó. Ví dụ, có 4 biến quan sát cùng thể hiện cho một tính chất A, thì thay vì đi đo lường cả 4 biến quan sát này thì chỉ cần đi đo lường A là có thể suy ra tính chất của 4 biến quan sát. Bên cạnh đó EFA còn giúp định hình lại thang đo. Trong phân tích EFA cần chú ý tới hai tính chất quan trọng đó là Tính hội tụ và Tính phân biệt:
Tính hội tụ: Các biến quan sát khi cùng thể hiện một tính chất A nào đó thì sẽ nằm chung một cột trong ma trận xoay các nhân tố Rotated Component Matrix.
Tính phân biệt: Các biến quan sát khi cùng hội tụ thể hiện tính chất A thì phải phân biệt với các biến quan sát thể hiện các tính chất khác. Trong ma trận xoay, từng nhóm biến quan sát sẽ được phân bổ về các cột riêng biệt.
Nhờ vào tính hội tụ và tính phân biệt mà có thể đánh giá xem thang đo đã xây dựng có hợp lý không? Có biến quan sát nào được đặt ở nhóm này nhưng thực tế là thuộc về một nhóm khác hay không? Hay có tồn tại một nhóm nhân tố nào mà các biến quan sát bên trong không thể hiện được tính chất của nhân tố chính hay không? Phân tích EFA giúp xác định và loại bỏ bớt các biến quan sát không thực sự phù hợp với thang đo đã xây dựng.
Trong phân tích nhân tố khám phá EFA, cần đánh giá một số tiêu chí để kiểm tra xem việc phân tích có đạt yêu cầu hay không, cụ thể như sau:
Hệ số KMO (Kaiser - Meyer - Olkin) được dùng để đánh giá sự phù hợp của phân tích nhân tố. Giá trị của Hệ số KMO nằm trong khoảng từ 0,5 tới 1 thì ta có thể đánh giá phân tích nhân tố là phù hợp và ngược lại.
Kiểm định Bartlett (Bartlett's test of sphericity) dùng để kiểm định sự tương quan giữa các biến quan sát trong cùng một nhóm nhân tố cần đo lường.
Khi thực hiện EFA thì các biến quan sát được sử dụng để đo lường cho một tiêu chí nào đó cần có sự tương quan với nhau. Sự tương quan này làm nên tính hội tụ trong ma trận nhân tố xoay. Trong kiểm định Bartlett nếu Hệ số Sig artlett's Test < 0,05 thì ta có thể đánh giá rằng các biến quan sát có sự tương quan, Sig
artlett's Test < 0,01 thì các biến quan sát có sự tương quan mạnh mẽ với nhau.
Hệ số Eigenvalue: Trong phân tích EFA một nhân tố chỉ được đánh giá là phù hợp khi có Hệ số Eigenvalue > 1.
Tổng phương sai trích (Total Variance Explained): Hệ số tổng phương sai trích trong phân tích EFA cần phải lớn hơn 50%, điều này cho thấy mô hình
HVTH: TRẦN NHẬT QUANG - 1770421 32
EFA là phù hợp và có thể đánh giá sự cô đọng lại của các tiêu chí được bao nhiêu % và thất thoát bao nhiêu % các biến quan sát.
Hệ số tải nhân tố (Factor Loading) - Trọng số nhân tố: Hệ số này biểu hiện sự tương quan giữa các biến quan sát và nhân tố mẹ. Trọng số nhân tố càng cao thì sự tương quan này càng mạnh và ngược lại. Trọng số nhân tố > 0,5 là biến quan sát có ý nghĩa thống kê tốt.