CHƯƠNG I: TỔNG QUAN VỀ NGHIÊN CỨU
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.3. NGHIÊN CỨU ĐỊNH LƯỢNG
3.3.4 Phân tích dữ liệu
3.3.4.1 Đánh giá độ tin cậy thang đo bằng phương pháp Cronbach Alpha Kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach Alpha nhằm loại trừ các biến có hệ số tương quan biến tổng nhỏ hơn 0,3. Tiêu chuẩn chọn thang đo khi nó có độ tin cậy Cronbach Alpha ≥ 0,7. Thang đo có độ tin cậy Cronbach Alpha
≥ 0,6 cũng được chọn khi nó được sử dụng lần đầu (Nunnally & Burnstein, 1994).
Về lý thuyết, Cronbach Alpha càng cao càng tốt (thang đo càng có độ tin cậy).
3.3.4.2 Phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá (EFA) được sử dụng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu này, phương pháp EFA dựa vào mối tương quan giữa các biến với nhau để rút gọn thành những nhân tố có ý nghĩa hơn. Cụ thể, khi đưa tất cả các biến thu thập được (36 biến – đã loại biến YTN6) vào phân tích, các biến có thể có liên hệ với nhau. Khi đó, chúng sẽ được gom thành các nhóm biến có liên hệ để xem xét và trình bày dưới dạng các nhân tố cơ bản tác động đến quyết định MSTT của sinh viên các trường đại học tại TP.HCM.
Nghiên cứu tiến hành sử dụng phương pháp trích hệ số Principal Component với phép quay Varimax tại điểm dừng khi trích các yếu tố có Eigenvalue > 1. Thang đo nào có tổng phương sai trích (Variance Explained Criteria) từ 50% trở lên là
chấp nhận (Gerbing & Anderson, 1988). Các biến có trọng số (Factor Loading) nhỏ hơn 0,5 sẽ bị loại. Tại mỗi khái niệm có chênh lệch trọng số (Factor Loading) lớn nhất và bất kỳ phải đạt ≥ 0,3 (Jabnoun & AL-Tamini, 2003). Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser – Meyer – Olkin) phải có giá trị lớn (0,5
≤ KMO ≤ 1), điều này thể hiện phân tích nhân tố là thích hợp. Nếu hệ số KMO <
0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Theo Kaiser (1974), KMO ≥ 0,9 là rất tốt; 0,9 ≥ KMO ≥ 0,8 là tốt; 0,8 ≥ KMO ≥ 0,7 là được; 0,7
> KMO > 0,6 là tạm được, 0,6 > KMO ≥ 0,5 là xấu và KMO < 0,5 là không thể chấp nhận được (Hoàng Trọng và Mộng Ngọc, 2008).
3.3.4.3 Xây dựng mô hình hồi quy
Phân tích hệ số tương quan Pearson: Hệ số tương quan Pearson (Pearson Correlation Coefficient) đo lường mức độ tương quan tuyến tính giữa hai biến. Do đó, nghiên cứu phân tích hệ số tương quan Pearson nhằm xem xét tổng quát mối quan hệ giữa từng biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau. Hệ số tương quan Pearson sẽ nhận giá trị từ -1 đến +1. Khi hệ số này tiến gần đến 1 thì mối quan hệ tuyến tính càng chặt chẽ. Nếu giữa hai biến độc lập có sự tương quan chặt chẽ thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau.
Vấn đề của hiện tượng đa cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Nếu hệ số phóng đại phương sai (VIF) của một biến độc lập bất kì lớn hơn 10 thì biến này hầu như không có giá trị giải thích biến thiên của biến phụ thuộc trong mô hình hồi quy đa biến (Hair et al, 1998; theo Nguyễn Đình Thọ, 2011).
Phân tích hồi quy đa biến là phương pháp được sử dụng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập. Phương trình hồi quy tuyến tính đa biến có dạng:
Yi = β0 + β1X1i + β2X2i + …+ βpXpi + ei
Mục đích của việc phân tích hồi quy đa biến là dự đoán mức độ biến phụ thuộc (với độ chính xác trong phạm vi giới hạn) khi biết trước giá trị của biến độc lập.
Các tham số quan trọng trong phân tích hồi quy đa biến theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), gồm có:
- Hệ số Beta (hệ số hồi quy chuẩn hóa): hệ số đo lường sự thay đổi trong giá trị trung bình của biến phụ thuộc khi một biến độc lập thay đổi một đơn vị (các biến độc lập còn lại không đổi).
- Hệ số xác định R2 hiệu chỉnh: nhằm xác định tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi biến độc lập trong mô hình hồi quy. Hệ số này có thể thay đổi từ 0 đến 1, theo quy tắc: R2 càng gần 1 thì mô hình xây dựng càng thích hợp, và R2 càng gần 0 thì mô hình càng kém phù hợp.
- Kiểm định ANOVA: là xem xét toàn bộ biến thiên quan sát được của biến phụ thuộc chia làm hai phần: biến thiên hồi quy và biến thiên phần dư và so sánh hai biến thiên này. Nếu biến thiên hồi quy lớn hơn nhiều so với biến thiên phần dư thì mô hình hồi quy càng phù hợp. Nếu ý nghĩa của kiểm định Sig. < 0,05 thì mô hình hồi quy phù hợp với tập dữ liệu.
3.3.4.4 Kiểm định khác biệt trung bình
Mô hình T-test dùng để kiểm định sự khác biệt giữa trung bình hai đám đông.
Nếu đám đông của độ khác biệt có phân phối chuẩn (mức ý nghĩa của Levene’s Test
> 0,05), ta xem nếu giá trị Sig. > 0,05 thì không có sự khác biệt về cảm nhận giữa hai nhóm này.
Để kiểm định sự khác biệt giữa trung bình các đám đông (khi các đám đông không có phân phối chuẩn), ta sử dụng kiểm định One-way ANOVA. Nếu mức ý nghĩa quan sát cảu kiểm định lớn hơn 0,05 thì ta có thể kết luận không có sự khác biệt giữa trung bình các đám đông.
TÓM TẮT CHƯƠNG 3
Chương 3 trình bày phương pháp nghiên cứu được sử dụng để xây dựng và đánh giá thang đo lường các khái niệm nghiên cứu, kiểm định mô hình lý thuyết. Phương pháp nghiên cứu được thực hiện thông qua kỹ thuật thảo luận nhóm với nhóm nghiên cứu, chuyên viên các phòng liên quan và đại diện sinh viên. Kết quả thảo luận nhóm là xây dựng thang đo chính thức để khảo sát 350 mẫu. Thang đo chính thức được nhóm thông qua gồm có 8 nhân tố tác động đến quyết định MSTT các sản phẩm tiêu dùng của sinh viên các trường đại học tại TP.HCM.