CHƯƠNG 3: THIẾT KẾ NGHIÊN CỨU
3.4 SƠ LƯỢC LÝ THUYẾT VỀ QUY TRÌNH NGHIÊN CỨU ĐỊNH LƯỢNG
Tham khảo lý thuyết “Phân tích dữ liệu nghiên cứu với SPSS” của Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008).
3.4.1 Kiểm định thang đo (Cronbach’s Alpha):
Bước này nhằm kiểm tra sự tương quan giữa các mục hỏi và tính toán Cronbach’s Alpha. Ta xem các mục hỏi nào có đóng góp vào việc đo lường khái niệm mà ta đang nghiên cứu và những mục hỏi nào không. Điều này liên quan đến hai phép tính toán: Tương quan giữa bản thân các mục hỏi và tương quan của các điểm số của từng mục hỏi với điểm số toàn bộ các mục hỏi cho mỗi người trả lời.
Hệ số α của Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Nếu có một danh mục quá nhiều các mục hỏi thì sẽ có nhiều cơ hội để có được hệ số α cao.
Công thức của hệ số Cronbach’s Alpha là:
α = Nρ/[1+ρ(N-1)]
Trong đó:
- α : Là hệ số tương quan trung bình giữa các mục hỏi.
- N: Là số mục hỏi.
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hay mới đối với người trả lời trong bối cảnh nghiên cứu.
3.4.2 Phân tích nhân tố (EFA):
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản.
Phân tích nhân tố được thực hiện theo phương pháp rút trích các thành phần chính - Principal Components, chỉ trích xuất các nhân tố có giá trị Eigenvalue lớn hơn 1 (vì những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, do sau khi chuẩn hóa mỗi biến gốc có phương sai là 1), sử dụng phép xoay nguyên góc Varimax của các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố, biến quan sát được chọn là biến có hệ số tải nhân tố lớn hơn hoặc bằng 0. 45. Hệ số này cho biết mỗi mục hỏi “thuộc về” nhân tố chủ yếu nào.
Các tham số trong phân tích nhân tố EFA được sử dụng:
Bartlett’s test of sphericity: đại lượng Bartlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau.
Chọn kiểm định Bartlett. Trong phân tích nhân tố, cần kiểm định mối tương quan của các biến với nhau (H0: các biến không có tương quan với nhau trong tổng thể).
Nếu giả thuyết H0 không được bác bỏ thì phân tích nhân tố có khả năng không thích hợp.
Biến quan sát giải thích cho nhân tố được chọn là biến có hệ số tải nhân tố (Loading Factor) ≥ 0.45.
Kiểm định KMO với 0.5 < KMO < 1 và mức ý nghĩa 95%.
Thực hiện xoay nhân tố để giúp ma trận nhân tố trở nên đơn giản và dễ giải thích hơn.
Việc phân tích nhân tố trong nghiên cứu này nhằm giúp cho việc nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong phân tích hồi quy.
3.4.3 Phân tích hồi quy:
Phần trình bài sau đây nhằm tóm tắt các bước thực hiện bài toán hồi quy.
Trong đó, phần mô hình hồi quy đơn biến cũng được nhắc đến nhằm làm rõ quá trình phân tích.
3.4.3.1. Hệ số tương quan:
Một đồ thị phân tán là công cụ hữu ích có thể cho chúng ta thấy nhiều loại liên hệ giữa hai biến ta đang khảo sát. Một số dạng liên hệ thường gặp giữa hai biến định lượng:
Không có tương quan
r có thể âm hoặc dương, trị tuyệt đối của r tiến gần đến 1 khi hai biến có mối tương quan tuyến tính chặt chẽ.
Trị tuyệt đối của r =1: Khi tất cả các điểm phân tán xếp thành một đường thẳng.
Giá trị r = 0: Khi hai biến không có mối liên hệ tuyến tính.
Người ta dùng một số thống kê có tên là hệ số tương quan Pearson (ký hiệu là r) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Công thức tính hệ số tương quan mẫu như sau:
Trong đó:
r : Hệ số tương quan (-1 ≤ r ≤ 1)
x : Giá trị hệ số nguyên nhân
y: Giá trị hệ số kết quả
: Hệ số trung bình biến nguyên nhân
: Giá trị trung bình biến kết quả
n:Độ lớn mẫu
Giá trị r giữa hai biến có thể là rất thấp nhưng chưa hẳn hai biến đó hoàn toàn không có mối liên hệ, có thể nó lại có dạng liên quan khác như liên hệ phi tuyến.
Giá trị r có thể là rất cao, có khi gần bằng 1. Nhưng thực tế, không có sự liên quan nào, người ta gọi là sự tương quan giả.
Như vậy, hệ số tương quan chỉ được coi là một chỉ số nói lên sự chặt chẽ giữa các biến.
Tương quan nghịch Tương quan thuận
Phân tích hồi quy trước hết là đo mức độ tuyến tính giữa hai biến, nhằm ước lượng hay dự báo một biến trên cơ sở giá trị đã cho của một biến khác. Về mặt kỹ thuật, trong phân tích hồi quy, các biến không có tính chất đối xứng. Biến phụ thuộc là đại lượng ngẫu nhiên, biến giải thích là phi ngẫu nhiên, giá trị của chúng đã được xác định.
3.4.3.2. Hồi quy đơn tuyến tính:
3.4.3.2.1. Xây dựng phương trình của mô hình hồi quy đơn tuyến tính từ dữ liệu mẫu:
Xét mối liên hệ tuyến tính giữa một biến phụ thuộc và một biến độc lập. Mô hình được xây dựng từ dữ liệu mẫu có dạng đường thẳng như sau:
Ŷi = B0 + B1*Xi Trong đó:
Xi : Là trị quan sát thứ i của biến độc lập
Ŷi : Là giá trị dự đoán (hay giá trị lý thuyết) thứ i của biến phụ thuộc, dấu mũ đại diện cho giá trị dự đoán.
B0 và B1 : Là hệ số hồi quy. Phương pháp dùng để xác định B0 (tung độ của vị trí tại đó đường thẳng cắt trục tung) và B1 (độ dốc) là phương pháp bình phương nhỏ nhất thông thường (OLS – Ordinary Least Square), nghĩa là ta phải tìm ra Ŷi sao cho nó càng gần với giá trị thực (Yi) càng tốt. Đường thẳng được tìm ra dựa trên nguyên tắc nó cực tiểu hóa tổng các độ lệch bình phương giữa tung độ của các điểm dữ liệu quan sát và đường thẳng.
Khi chỉ có một biến độc lập thì mô hình hồi quy tuyến tính tổng thể có thể được mô tả như sau: Yi = β0 + β1 * X + ei
β1, β0 : Là các hệ số độ dốc và hằng số của tổng thể
ei : Sai số thực, là chênh lệch giữa giá trị thực Yi quan sát được và giá trị dự báo (do ảnh hưởng của các yếu tố khác chưa nghiên cứu tới), tức là:
ei = (Y - Ŷi) = Yi – (0 + 1 * X)
3.4.3.2.2. Đánh giá độ phù hợp của mô hình:
Một công việc quan trọng của bất kỳ thủ tục thống kê xây dựng mô hình từ dữ liệu mẫu nào cũng đều là chứng minh sự phù hợp của mô hình. Để biết mô hình
hồi quy tuyến tính đã xây dựng phù hợp đến mức độ nào, ta dùng một thước đo là hệ số xác định R2 (Coefficient of Determination).
0 ≤ R2 ≤ 1
Trong đó: