CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.3. CÔNG CỤ NGHIÊN CỨU
3.3.1. Phân tích nhân tố khám phá EFA:
Phân tích nhân tố khám phá (EFA) hướng đến việc khám phá ra cấu trúc cơ bản của một tập hợp các biến có liên quan với nhau. Mục đích của việc phân tích nhân tố khám phá EFA là để rút gọn một tập biến quan sát thành một tập các nhân tố có ý nghĩa hơn, chứa đựng hầu hết các nội dung và thông tin của biến ban đầu.
Các tham số quan trọng trong việc phân tích nhân tố khám phá EFA [11]:
- Hệ số KMO: xem xét dữ liệu có phù hợp cho phân tích nhân tố. Hệ số KMO lớn hơn 0.5 thì dữ liệu thu thập phân tích nhân tố là thích hợp.
- Kiểm định Bartlelt: là đại lượng thống kê dùng để xem xét giả thuyết các biến có tương quan trong tổng thể. Hệ số Sig < 0.05 có nghĩa là phân tích nhân tố EFA thích hợp.
- Hệ số tải nhân tố: là hệ số tương quan đơn giữa các biến và nhân tố. Hệ số này nên lớn hơn hoặc bằng 0.5.
- Hệ số Communaltly (> 0.5): là lượng biến thiên của một biến giải thích chung với các biến khác được xem xét trong phân tích.
- Hệ số Initial Eingenvalue (> 1): phần biến thiên được giải thích bởi mỗi nhân tố.
3.3.2. Mô hình hồi quy đa biến
Hồi quy đa biến là một phân tích thống kê để xác định xem các biến độc lập (biến thuyết minh) quy định các biến phụ thuộc (biến được thuyết minh) như thế nào. Mô hình hồi qui tuyến tính đa biến có dạng:
Y= 0 + 1X1i+ 2X2i +3X3i + ...+ nXni +
Trong đó:
0: là giá trị ước lượng của biến Y khi n biến X có giá trị bằng 0.
i (i=1:n): là các tham số chưa biết, gọi là các hệ số hồi quy, thể hiện mức thay đổi của biến Y khi biến Xi thay đổi một đơn vị
: sai số
Ý nghĩa chỉ số trong hồi quy đa biến
Giá trị Adjusted R2 (R bình phương hiệu chỉnh) và R2 (R Square) phản ánh mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Mức biến thiên của 2 giá trị này là từ 0 - 1. Nếu càng tiến về 1 thì mô hình càng có ý nghĩa.
Ngược lại, càng tiến về 0 tức là ý nghĩa mô hình càng yếu. Cụ thể hơn, nếu nằm trong khoảng từ 0.5 - 1 thì là mô hình tốt, < 0.5 là mô hình chưa tốt [12]
Trị số Durbin – Watson (DW): Có chức năng kiểm tra hiện tượng tự tương quan chuỗi bậc nhất. Giá trị của DW biến thiên trong khoảng từ 0 đến 4. Nếu tương quan của các sai số kề nhau không xảy ra thì giá trị sẽ gần bằng 2. Nếu giá trị gần về 4 tức là các phần sai số có tương quan nghịch, gần về 0 thì các phần sai số có tương quan thuận. Trong trường hợp DW < 1 và DW > 3 thì khả năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất [12].
Giá trị Sig. của kiểm định F có tác dụng kiểm định độ phù hợp của mô hình hồi quy. Ở bảng ANOVA, nếu giá trị Sig. < 0.05 => Mô hình hồi quy tuyến tính bội và tập dữ liệu phù hợp (và ngược lại).
Giá trị Sig. của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu Sig. <0.05 => Biến độc lập có tác động đến biến phụ thuộc.
Hệ số phóng đại phương sai VIF (Variance inflation factor): Kiểm tra hiện tượng đa cộng tuyến. Nếu VIF > 10 thì có hiện tượng đa cộng tuyến. Tuy nhiên, trên thực tế thực hành, so sánh giá trị VIF từ 3-5 [11]. Nếu VIF < 3 không có hiện tượng đa cộng tuyến giữa các biến độc lập (và ngược lại).
3.3.3. Phân tích dữ liệu:
Bảng 3.2. Bảng liệt kê phương pháp và công cụ phân tích STT Phương pháp phân tích Công cụ phân tích
1 Mô tả dữ liệu Thống kê mô tả
2 Kiểm tra độ tin cậy thang đo Hệ số Cronbach Alpha
3 Xếp hạng các yếu tố Trị trung bình
3 Phân nhóm các nhân tố ảnh hưởng đến chi phí marketing .
Phân tích nhân tố khám phá EFA
7 Kiểm định giả thiết tương quan giữa các nhóm nhân tố với chi phí marketing
Hồi quy đa biến
Bảng 3.3. Bảng liệt kê các giá trị tiêu chuẩn STT Công cụ phân tích Giá trị tiêu chuẩn
1
Hệ số Cronbach Alpha Từ 0.8 đến gần bằng 1: thang đo lường rất tốt.
Từ 0.7 đến gần bằng 0.8: thang đo lường sử dụng tốt.
Từ 0.6 trở lên: thang đo lường đủ điều kiện. [12]
2 Phân tích nhân tố khám phá EFA
Hệ số KMO > 0.5 [11]
Sig < 0.05
Hệ số tải nhân tố ≥ 0.5 [11]
Hệ số Communaltly > 0.5 [11]
Hệ số Initial Eingenvalue > 1 [11]
3 Phân tích mô hình hồi quy đa biến
0.5 ≤ R2 ≤ 1, Sig.<0.05 [12]
DW ≤ 2 [12]
VIF ≤ 3 [11]