CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.3. NGHIÊN CỨU CHÍNH THỨC
Đây là bước nghiên cứu định lượng với kỹ thuật thu thập dữ liệu bằng cách phỏng vấn theo bảng câu hỏi.
Nghiên cứu định lượng được tham khảo từ lý thuyết nghiên cứu khoa học [6]. Dữ liệu thu thập được sẽ được xử lý bằng phân tích số liệu với phần mềm SPSS theo [45].
Sau khi mã hóa và làm sạch dữ liệu tiếp tục thực hiện các bước tiếp theo như sau:
38
• Kiểm tra độ tin cậy của thang đo: Độ tin cậy của thang đo sẽ được đánh giá qua hệ số tin cậy Cronbach’s Alpha, đây là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát [6]. Qua đó, các tiêu chí đánh giá kết quả kiểm tra độ tin cậy của thang đo là:
o Các biến có hệ số tương quan biến-tổng nhỏ hơn 0.3 sẽ bị loại.
o Thang đo sẽ được chấp nhận khi hệ số Cronbach’s Alpha lớn hơn 0.6. Nếu hệ số Cronbach’Alpha lớn hơn 0.95 cho thấy nhiều biến trong thang đo không có khác biệt gì nhau (nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu) [6].
• Phân tích nhân tố khám phá (EFA):
Phần này đánh giá các giá trị của thang đo, có hai giá trị quan trọng để xem xét đó là giá trị hội tụ và giá trị phân biệt hay hiểu một cách đơn giản để thỏa mãn giá trị hội tụ thì các biến quan sát hội tụ về cùng một nhân tố, để đảm bảo giá trị phân biệt các biến quan sát thuộc về nhân tố này phải phân biệt với nhân tố khác.
Phân tích nhân tố khám phá được sử dụng để kiểm tra độ giá trị của các biến quan sát về khái niệm dùng để rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn [6]. Qua đó, các tiêu chí đánh giá kết quả của phân tích nhân tố khám phá theo [45] như sau:
o 0.5 ≤ KMO (Kaiser-Meyer-Olkin) ≤ 1 thì phép phân tích nhân tố được xem là thích hợp.
o Các biến quan sát có trọng số tương quan đơn giữa biến và các nhân tố nhỏ hơn 0.5 sẽ bị loại [46].
o Tổng phương sai trích được phải lớn hơn 50%.
o Số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có eigenvalues tối thiểu bằng 1 (≥ 1).
• Phân tích tương quan Pearson (r)
Hệ số tương quan Pearson (r) được dùng để lượng hóa mức độ chặt chẽ của mối quan hệ tuyến tính giữa 2 hay nhiều biến định lượng. Điều được mong đợi là có mối tương quan tuyến tính giữa biến độc lập và biến phụ thuộc, nhưng không có tương quan
39
giữa các biến độc lập [6]. Quan trọng cần xem xét mức ý nghĩa với giá trị Sig. < 0.05 thì mới kết luận có mối tương quan tuyến tính [6].
• Phân tích hồi quy đa biến
Điểm khác với tương quan Pearson trong lý thuyết hồi quy tuyến tính các biến không có tính chất đối xứng như phân tích tương quan. Vai trò giữa biến độc lập và biến phụ thuộc là khác nhau. X và Y hay Y và X có tương quan với nhau đều mang cùng một ý nghĩa, trong khi đó với hồi quy, ta chỉ có thể nhận xét: X tác động lên Y hoặc Y chịu tác động bởi X.
Đối với phân tích hồi quy tuyến tính bội hay hồi quy đa biến, giả định các biến độc lập X1, X2, X3 sẽ tác động đến biến phụ thuộc Y. Ngoài X1, X2, X3… còn có rất nhiều những nhân tố khác ngoài mô hình hồi quy tác động đến Y mà chúng ta không liệt kê được [45] .
Trong phân tích hồi quy đa biến, Giá trị R2 (R bình phương), R2 hiệu chỉnh phản ánh phần biến thiên của biến phụ thuộc Y được giải thích bởi biến độc lập X, đây là chỉ số dùng để đánh giá mức độ phù hợp của mô hình hồi quy với dữ liệu thực [6]. Trong nghiên cứu nếu mô hình có nhiều biến độc lập, thì R2 hiệu chỉnh phản ánh sát hơn so với R2 nên dùng hệ số R2 hiệu chỉnh thay cho R2 khi so sánh các mô hình với nhau [45].
Giá trị Sig. của kiểm định F được tính từ giá trị được sử dụng để kiểm định độ phù hợp của mô hình hồi quy. Nếu Sig. < 0.05 thì kết luận rằng mô hình hồi quy tuyến tính bộ phù hợp với tập dữ liệu và có thể được sử dụng [45].
Trị số Durbin – Watson (DW) dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất. DW có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2, nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch.
Theo lý thuyết, nếu DW nhỏ hơn 1 và lớn hơn 3, chúng ta cần thực sự lưu ý bởi khả năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất, thường giá trị DW nằm trong khoảng 1.5 – 2.5 sẽ không xảy ra hiện tượng tự tương quan.
Để đảm bảo chính xác, ta có hệ số k là số biến độc lập đưa vào chạy hồi quy, n là kích thước mẫu, chúng ta sẽ tra ở bảng thống kê Durbin-Watson [47].
40
Hình 3.2: Giá trị biến thiên Durbin - Watson
Trong Hình 3.2 biểu diễn giá trị DW trong khoảng từ 0 – dL thì tự tương quan dương, từ dL đến dU thì không quyết định, từ dU đến 4-dU thì không có tự tương quan, từ 4-dU
đến 4-dL không quyết định, từ 4-dL đến 4 thì tự tương quan âm.
Giả thuyết của hồi quy bội là các biến độc lập không tương quan hoàn toàn với nhau.
Vì vậy cần kiểm tra giả thuyết này thông qua hiện tượng đa cộng tuyến bằng hệ số phóng đại phương sai VIF (Variance Inflation Factor), VIF của biến độc lập < 2 sẽ đảm bảo không có hiện tượng đa cộng tuyến tác động lên kết quả hồi quy [6].
Giá trị Sig. của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy.
Nếu Sig. kiểm định t của hệ số hồi quy của một biến độc lập nhỏ hơn 0.05, ta kết luận biến độc lập đó có tác động đến biến phụ thuộc. Mỗi biến độc lập tương ứng với một hệ số hồi quy riêng, do vậy mà ta cũng có từng kiểm định t riêng [6].
Xem xét hệ số β (beta) dùng để đánh giá trọng số ảnh hưởng của các biến độc lập lên biến phụ thuộc. Mức ý nghĩa của hệ số β có giá trị Sig. < 0.05 thì kết quả hồi quy được chấp nhận [6].
Sau khi phân tích hồi quy lập phương trình hồi quy chuẩn hóa theo công thức ngắn gọn như sau:
Y = 𝛃1*X1 + 𝛃2*X2 + 𝛃3*X3 + …+ 𝛃n*Xn
Trong đó:
o Y: Biến phụ thuộc
o β1 − βn: Các hệ số β (beta) thu được qua kết quả phân tích hồi quy o X1 − Xn: Các biến độc lập
Kiểm tra các giả định hồi quy, bao gồm phần dư chuẩn hóa và liên hệ tuyến tính [6]
• Kiểm tra vi phạm giả định phần dư chuẩn hóa: Hai cách phổ biến nhất là căn cứ vào biểu đồ Histogram và Normal P-P Plot. Đối với biểu đồ Histogram, nếu giá trị trung bình Mean gần bằng 0, độ lệch chuẩn gần bằng 1, ta có thể khẳng định phân phối là xấp xỉ chuẩn. Đối với biểu đồ Normal P-P Plot, nếu
0 dL dU 2 4-dU 4-dL 4
41
các điểm phân vị trong phân phối của phần dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm.
• Kiểm tra vi phạm giả định liên hệ tuyến tính: Biểu đồ phân tán Scatter Plot giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa giúp chúng ta dò tìm xem, dữ liệu hiện tại có vi phạm giả định liên hệ tuyến tính hay không.
Nếu phần dư chuẩn hóa phân bổ tập trung xunh quanh đường hoành độ 0, chúng ta có thể kết luận giả định quan hệ tuyến tính không bị vi phạm.