Chương 2: TỔ CHỨC NGHIÊN CỨU
4. Phương pháp phân tích dữ liệu
Thử nghiệm Kaiser-Meyer-Olkin (KMO) được thực hiện để kiểm tra khả năng nhân tố của các ma trận tương quan. Sử dụng hệ số KMO (Kaiser-Meyer-Olkin) để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu. Dùng kiểm định Bartlett (Bartlett’s test of sphericity) để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.
Phương pháp phân tích nhân tố được thực hiện để so sánh phương sai tổng thể, được giải thích bởi hai kỹ thuật thống kê. Phân tích nhân tố được sử dụng để xác định kích thước tiềm ẩn của các chỉ số cơ bản đo lường sự tham gia của người trả lời.
Phương pháp thống kê này liên quan đến việc tìm cách cô đọng thông tin về một số biến ban đầu thành một tập hợp kích thước (yếu tố) nhỏ hơn với sự mất thông tin tối thiểu (Hairet al., 1998). Mỗi yếu tố được giải thích theo tải trọng của nó, nghĩa là sức mạnh của mối tương quan giữa yếu tố và các biến ban đầu (Tabachnick và Fidell, 1996). Tạo ra một tập hợp nhỏ các yếu tố có thể tiết lộ các mẫu mối quan hệ tiềm ẩn của các mối quan hệ giữa các biến. Về mặt này, một yếu tố có thể được coi là một biến duy nhất (không quan sát) phản ánh các biến thể trong một tập hợp các biến với tải trọng cao. Phân tích thành phần chính (PCA) đã được sử dụng để trích xuất các yếu tố sử dụng phép quay Varimax để đảm bảo rằng các yếu tố được trích xuất là độc lập và không liên quan với nhau, và để tối đa hóa tải trên mỗi biến và giảm thiểu tải cho các yếu tố khác (Bryman và Cramer, 2005).
Phép phân tích thành phần chính (PCA) được tính toán để xác định cấu trúc cơ bản của các yếu tố thúc đẩy (n = 205). Phân tích nhân tố được tiến hành độc lập cho một tập hợp các biến ở trên bằng cách sử dụng phần mềm SPSS 20. Phân tích các cấu trúc bao gồm hai giai đoạn: khai thác nhân tố và xoay nhân tố. Khai thác yếu tố được thực hiện thông qua bao thanh toán trục chính. Trong nghiên cứu hiện tại, PCA được chọn làm phương pháp chiết xuất bởi vì nó dễ giải thích và có kết quả chính xác (Tabachnick & Fidell, 2001). Theo Hair, Black, Babin, Anderson và Tatham (2005) và Tabachnick và Fidell đều đề xuất phương pháp quyết định số lượng các yếu tố thông qua kiểm tra màn hình của các giá trị ban đầu được vẽ dựa trên các yếu tố bằng cách tìm kiếm điểm mà đường thẳng được vẽ qua các điểm thay đổi độ dốc. Như Gorsuch (được trích dẫn trong Tabachnick & Fidell) đã báo cáo, kết quả kiểm tra màn hình là rõ ràng và đáng tin cậy.
Trong phân tích PCA, các yếu tố có giá trị riêng vượt quá 1.0 được coi là đáng kể theo tiêu chí của Kaiser. “Trong phân tích thống kê, nhiều biến độc lập có liên hệ tương quan chặt chẽ với nhau và vì vậy chúng biến đổi cùng nhau. Trong tình huống này, người ta không thể tách riêng ảnh hưởng của bất kỳ biến nào trong các biến độc lập đối với biến phụ thuộc khi thực hiện phân tích hồi quy” (Tài liệu tham khảo:
Nguyễn Văn Ngọc, Từ điển Kinh tế học, Đại học Kinh tế Quốc dân), vấn đề này được gọi là đa cộng tuyến. Sự tồn tại của tính đa hình cao làm tăng độ lệch chuẩn (S.E.) của các hệ số β. Do đó, độ tin cậy của β giảm. Cuối cùng, tính đa cộng tuyến cao thường gây ra kết quả khó hiểu và gây hiểu lầm. Vì vậy, để phát hiện sự tồn tại của đa cộng tuyến, các hệ số phóng đại phương sai (VIF - variance inflation factor) của mỗi yếu tố dự đoán được tính toán. Nếu một công cụ dự đoán có giá trị VIF ≥ 10 thì có xảy ra đa cộng tuyến. Đa cộng tuyến có thể bị bỏ qua nếu mối quan tâm chỉ là ước tính và dự đoán, nhưng nếu mục đích là thiết lập các mẫu liên kết giữa các biến X và Y, thì có thể loại bỏ một số dự đoán khỏi mô hình. Do đó không có vấn đề về đa cộng tuyến. Phương pháp phân tích thành phần chính sau đó đã được tiến hành và xoay vòng nhân tố được thực hiện thông qua phép xoay varimax (trực giao). Phân tích nhân tố tuân theo quy trình hoặc tiêu chí riêng của mình để tóm tắt biến / chỉ số vào các yếu tố.