CHƯƠNG 2. THIẾT KẾ NGHIÊN CỨU
2.4. NGHIÊN CỨU CHÍNH THỨC
2.4.2. Phương pháp xử lý số liệu
Dữ liệu sau khi thu thập và nhập liệu sẽ đƣợc xử lý bằng phần mềm SPSS 17.0 và AMOS 17.0 để có thể đánh giá độ phù hợp của mô hình lý thuyết đã đề xuất.
a. Tổng quan về mẫu điều tra
Tiến hành lập Bảng tần số, vẽ biểu đồ để mô tả mẫu thu thập đƣợc theo các đặc trƣng cá nhân của đối tƣợng phỏng vấn nhƣ giới tính, nghề nghiệp, trình độ đào tạo, thu nhập…..
b. Đánh giá thang do bằng hệ số tin cậy Cronbach’s Alpha
Hệ số tin cậy Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các biến quan sát trong thang đo tương quan với nhau, là phép kiểm định về sự phù hợp của thang đo đối với từng biến quan sát, xét trên mối quan hệ với một khía cạnh đánh giá.
Phương pháp này cho phép loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu. Những biến quan sát không ảnh hưởng nhiều đến tiêu chí đánh giá, sẽ tương quan yếu với tổng số điểm. Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0.8 đến gần bằng 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 đƣợc trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (dẫn theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, 2005). Đề tài nghiên cứu đƣợc xem là mới đối với dịch vụ này tịa địa bàn tỉnh Đắk Lắk vào thời điểm điều tra, do đó thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng đƣợc.
c. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) Phân tích nhân tố EFA được dùng đến trong trường hợp mối quan hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay không chắc chắn.
Phân tích EFA theo đó đƣợc tiến hành theo kiểu khám phá để xác định xem phạm vi, mức độ quan hệ giữa các biến quan sát và các nhân tố cơ sở nhƣ thế nào, làm nền tảng cho một tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát tải lên các nhân tố cơ sở.
Do sau khi phân tích nhân tố EFA, sẽ tiếp tục tiến hành phân tích nhân tố khẳng định CFA và chạy mô hình cấu trúc SEM cho nên, khi thực hiện phân tích nhân tố EFA cần phải quan tâm đến những tiêu chuẩn sau:
Sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax, theo Gerbing & Anderson (1988), Phương pháp này phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax vì kết quả thu đƣợc có số lƣợng nhân tố là ít nhất, giải thích phương sai chung của tập hợp biến quan sát trong sự tác động qua lại giữa chúng.
Tiêu chuẩn về hệ số tải nhân tố Factor loading, theo Hair & ctg (1998), hệ số tải nhân tố Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0.3 đƣợc xem là đạt đƣợc mức tối thiểu, Factor loading > 0.4 đƣợc xem là quan trọng và Factor loading > 0.5 đƣợc xem là có ý nghĩa thực tiễn. Hair cũng cho rằng, nếu chọn tiêu chuẩn Factor loading
>0.3 thì cỡ mẫu ít nhất là 350. Nếu cỡ mẫu là 100 thì Factor loading phải >
0.55. Nhƣ vậy, trong đề tài này cỡ mẫu là 350 nên hệ số Factor loading > 0.3 là đạt yêu cầu, tuy nhiên để đề tài có ý nghĩa thực tiễn chỉ những biến quan sát có hệ số Factor loading lớn nhất ≥0.5 mới đạt yêu cầu.Tổng phương sai trích
≥ 50% (Gerbing & Anderson, 1988). Trong phân tích nhân tố khám phá, trị số KMO (Kaisor Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân
tích nhân tố. Đơn vị KMO là tỷ lệ giữa bình phương tương quan của các biến với bình phương tương quan một phần của các biến. Trị số của KMO lớn (giữa 0.5 và 1) có nghĩa là phân tích nhân tố thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lƣợng các nhân tố. Chỉ những nhân tố nào có Eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích. Đại lƣợng Eigenvalue đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc.
d. Phân tích hồi qui tuyến tính bội (gọi tắt là hồi qui đa biến)
Sau khi hoàn tất bước kiểm định và đánh giá thang đo. Các mục hỏi (biến số) sẽ đƣợc nhóm lại theo các nhóm biến. Việc xác định mối quan hệ giữa các nhóm biến này cũng nhƣ xác định mối quan hệ giữa các nhóm biến độc lập và biến phụ thuộc trong mô hình nghiên cứu đƣợc thực hiện bằng phương pháp phân tích hồi qui tuyến tính bội.
Giá trị của biến mới trong mô hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó. Nhưng trước khi tiến hành bước phân tích này cần phải thực hiện bước phân tích tương quan nhằm kiểm định mối tương quan tuyến tính giữa các biến trong mô hình.
e. Phân tích tương quan
Kiểm định mối tương quan tuyến tính giữa các biến trong mô hình:
giữa biến phụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau.
Sử dụng hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ mối liên hệ tuyến tính giữa hai biến định lƣợng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ (Hoàng
Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Trong mô hình nghiên cứu, kỳ vọng có mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc và các biến độc lập.
Phân tích hồi qui đa biến
Nghiên cứu thực hiện hồi qui đa biến theo phương pháp từng bước- Stepwise, tức là:
(1) Biến đầu tiên được đưa vào phương trình là biến có tương quan thuận hay nghịch lớn nhất với biến phụ thuộc. Sau đó, dựa vào kiểm định F và tiêu chuẩn xác suất của thống kê F vào (còn gọi là xác suất F vào- Probability of F to enter, ký hiệu là PIN) để xem xét có chấp nhận đưa biến vào phương trình hồi qui hay không. Biến được chấp nhận trong phương trình chỉ khi PIN
<0,05.
(2) Nếu biến được chọn để đưa vào phương trình không thoả mãn tiêu chuẩn vào (PIN<0,05) thì thủ tục này sẽ chấm dứt và không có biến nào đƣợc đưa vào phương trình; nếu biến này thoả mãn điều kiện FIN <0,05 thì sẽ xem xét tiếp biến này có nên loại ra khỏi phương trình không dựa vào tiêu chuẩn POUT = 0,10 (Probability of F to remove)- giá trị tối thiểu mà thống kê F của biến này phải đạt được để lại trong phương trình). Nếu biến này có POUT >
0,10 sẽ bị loại ra khỏi mô hình, nhƣ vậy cũng không có biến nào trong phương trình. Nếu biến trước thoả mãn POUT <= 0,10 thì biến tiếp theo sẽ được chọn đưa vào căn cứ vào hệ số tương quan riêng (partial correlation) với biến phụ thuộc lớn nhất trong các biến còn lại.
Thủ tục này sẽ dừng lại khi không còn biến nào khác thoả mãn tiêu chuẩn nữa.
Kiểm định giả thuyết kết quả hồi qui đa biến
- Đánh giá sự phù hợp của mô hình: R2, R2 hiệu chỉnh, R2 thay đổi.
- Kiểm định về độ phù hợp của mô hình nghiên cứu với mô hình thực của tổng thể dựa trên giá trị Sig. trong kiểm định F.
- Kiểm định t về ý nghĩa của hệ số hồi qui riêng phần βi (i= 1…5).
- Kiểm tra hiện tượng đa cộng tuyến: căn cứ vào hệ số phóng đại phương sai (Variance inflation factor- VIP): qui tắt là khi VIP vƣợt quá 10 thì đó là dấu hiệu của đa công tuyến.
Mục tiêu của phân tích hồi qui đa biến là nhằm xác định mức độ ảnh hưởng của các nhân tố tác động đến ý định sử dụng dịch vụ 3G: nhân tố nào có hệ số β lớn hơn thì nhân tố đó có mức độ ảnh hưởng cao hơn các nhân tố khác trong mô hình nghiên cứu.
f. Phân tích hồi qui Binary Logistic
Do đề tài nghiên cứu về quyết định sử dụng các dịch vụ mới từ một công nghệ mới, trong đó biến phụ thuộc nghiên cứu có hai trạng thái là “chấp nhận sử dụng” hoặc “từ chối sử dụng”. Nên phân tích hồi qui Binary Logistic cho biến phụ thuộc là phù hợp. Các biến độc lập trong mô hình gồm: “điều kiện thuận lợi- FC” và biến “ý định sử dụng- BI” được đưa vào dần trong phương trình có điều kiện bằng phương pháp Forward Stepwise (Likelihood Ratio), phương pháp này sẽ đưa biến vào dần, từng bước từng biến một, sau đó sẽ kiểm tra việc loại biến căn cứ số thống kê Likelihood dựa trên ƣớc lƣợng khả năng chấp nhận sử dụng dịch vụ 3G xãy ra tối đa (maximum likelihood estimates).
Kiểm định giả thuyết của mô hình hồi qui Binary Logistic
- Đánh giá sự phù hợp của mô hình: dựa trên chỉ tiêu -2LL (-2 Log Likelihood), hoặc thông qua tỷ lệ % dự báo chính xác mà SPSS tính
toán đƣa ra.
- Kiểm định về độ phù hợp của mô hình nghiên cứu với mô hình thực của tổng thể dựa vào giá trị Sig. trong bảng Omnibus Tests of Model Coefficient.
- Kiểm định về ý nghĩa của hệ số hồi qui riêng phần βi (i= 1,2): đại lƣợng Wald Chi Square đƣợc sử dụng để kiểm định ý nghĩa thống kê của các hệ số hồi qui tổng thể dựa vào mức ý nghĩa Sig.
Mục tiêu của phân tích hồi qui Binary Logistic là nhằm xác định mức độ ảnh hưởng của hai nhân tố “điều kiện thuận lợi” và “ý định sử dụng” tác động đến biến phụ thuộc “quyết định sử dụng” dịch vụ 3G: nhân tố có hệ số β lớn hơn thì nhân tố đó có mức độ ảnh hưởng cao hơn nhân tố kia trong mô hình nghiên cứu.
g. Phân tích phương sai ANOVA
Phân tích ANOVA nhằm xác định mức độ ảnh hưởng của các nhóm khách hàng khác nhau (giới tính, tuổi, kinh nghiệm sử dụng và kiến thức) đối với các thành phần đã đƣợc kiểm định của mô hình lên ý định sử dụng và quyết định sử dụng, cuối cùng tìm ra sự khác biệt có ý nghĩa của một vài nhóm khách hàng cụ thể. Phương pháp sử dụng là phân tích phương sai một yếu tố (One-way ANOVA). Đây là phương pháp được sử dụng trong trường hợp chỉ có một biến yếu tố để phân loại các biến quan sát thành các nhóm khác nhau với giả thuyết Ho: Không có sự khác biệt về trung bình giữa các nhóm khách hàng với nhau (ví dụ về giới tính, tuổi…).
Các yếu tố đƣợc phân tích trong nghiên cứu này bao gồm: giới tính, tuổi, kinh nghiệm sử dụng và kiến thức hay trình độ chuyên môn kỹ thuật.
Đối với “giới tính” do chỉ chia thành hai nhóm nam và nữ nên việc phân tích tìm ra sự khác biệt có ý nghĩa thống kê giữa hai giới khá đơn giản. Riêng
đối với biến “tuổi”, “kinh nghiệm sử dụng” và “kiến thức” do có trên 2 nhóm đối tƣợng khách hàng nên việc phân tích ANOVA trở nên phức tạp hơn, cần phải kiểm định nhằm xác định cụ thể hơn trung bình của nhóm nào khác với nhóm nào thông qua phân tích sâu ANOVA với một số kiểm định:
Bonferroni, Tukey, Dunnett, Tamhane’s T2… để quyết định có nên bác bỏ giả thuyết Ho hay không, cũng nhƣ xác định chính xác có sự khác biệt giữa các nhóm nào với nhau.
CHƯƠNG 3