CHƯƠNG 2: THIẾT KẾ NGHIÊN CỨU
2.6. CÁC PHƯƠNG PHÁP PHÂN TÍCH ĐƯỢC SỬ DỤNG TRONG NGHIÊN CỨU
2.6.1. Lập bảng tần suất và phân tích thống kê mô tả
Lập bảng tần suất để tính toán số lƣợng biểu hiện ở một thuộc tính cụ thể của đối tượng. Trong phạm vi đề tài này, phương pháp bảng tần suất dùng để mô tả mẫu thu thập theo: giới tính, độ tuổi và trình độ học vấn. Một số đại
lƣợng trong bảng tần suất nhƣ: tần suất xuất hiện (Frequency), tần suất tính theo tỷ lệ % (Percent), tỷ lệ phần trăm tích luỹ (Cumulative Percent)..
Phương pháp thống kê mô tả chỉ được tính đối với các biến định lượng, dùng để tính toán các đại lƣợng: Giá trị trung bình (Mean), tổng cộng (Sum), độ lệch chuẩn (Std.Deviation),…
2.6.2. Phân tích hệ số tin cậy Cronbach alpha
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp, hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha. Những biến có hệ số tương quan biến tổng (item-totan correlation) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp nghiên cứu hoàn toàn mới. Thông thường, thang đo có Cronbach alpha từ 0.7 đến 0.8 là sử dụng đƣợc.
Theo Nunnally (1978), Peterson (1994) và Slate (1995), hệ số Alpha được xem xét trong các trường hợp sau [01]:
0,6 ≤ α < 0,7 : Chấp nhận được (trong trường hợp nghiên cứu hoàn toàn mới hoặc mới trong bối cảnh nghiên cứu).
0,7 ≤ α < 0,8 : Chấp nhận đƣợc 0,8 ≤ α < 0,9 : Tốt
0,9 ≤ α < 1 : Chấp nhận đƣợc – không tốt.
2.6.3. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không đảm bảo độ tin cậy. Tiếp tục tiến hành phân tích nhân tố khám phá nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số Kaiser-Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0.5 đến 1 thì phân tích này mới 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 nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới đƣợc giữ lại trong mô hình. Đại lƣợng Eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Component matrix) hay ma trận nhân tố khi các nhân tố đƣợc xoay (Rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hoá bằng các nhân tố (mỗi biến là một đa thức của các nhân tố).
Những hệ số tải nhân tố (Factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau.
Thông thường lựa chọn và sử dụng hệ số tải nhân tố lớn hơn từ +/-0,3 đến +/-0,4 là chấp nhận đƣợc, lớn hơn +/-0,5 là có ý nghĩa thực tế nhƣng theo đề nghị Hair và cộng sự (2009), hệ số tải nhân tố cần đƣợc xác định theo kích thước mẫu cho ở biểu sau [01]:
Bảng 2.3. Hệ số tải nhân tố
Hệ số tải nhân tố Kích thước mẫu
0.30 350
0.35 250
0.40 200
0.45 150
0.50 120
0.55 100
0.60 85
0.65 70
0.70 60
0.75 50
Nghiên cứu sử dụng phương pháp trích nhân tố (Principal component), xác định các hệ số tải nhân tố phải có trọng số lớn hơn 0.45 thì mới đạt yêu cầu.
2.6.4. Phân tích hồi quy
Sau khi phân tích hệ số tin cậy và phân tích nhân tố, tiếp tục sử dụng phương pháp phân tích hồi qui để kiểm định mô hình. Phương pháp này bao gồm 2 bước: Phân tích hệ số tương quan và phân tích hồi qui bội.
a. Phân tích hệ số tương quan
Phương pháp này được thực hiện dựa trên ma trận hệ số tương quan. Ma trận hệ số tương quan thể hiện mối quan hệ tương quan giữa các nhân tố với nhau, đó là mối quan hệ giữa biến số sự hài lòng (biến phụ thuộc) với các nhân tố còn lại (biến độc lập), cũng nhƣ mối quan hệ giữa các nhân tố với nhau. Gía trị Sig tương ứng với các hệ số tương quan phải rất nhỏ (nhỏ hơn 0.05), điều này có nghĩa là các hệ số tương quan này có ý nghĩa về mặt thống kê, tức là các nhân tố có những ảnh hưởng đáng kể đến sự hài lòng. Như thế mới có thể sử dụng các nhân tố này để giải thích cho những biến đổi của biến số sự hài lòng. Ngoài ra, hệ số tương quan giữa các nhóm nhân tố phải là rất nhỏ, để thoả mãn các nhân tố không có mối quan hệ tuyến tính với nhau.
b. Phân tích hồi qui bội
Đây là bước cuối cùng trước khi hình thành nên mô hình hồi qui. Bao gồm: Đánh giá độ phù hợp của mô hình bằng phân tích ANOVA, Kiểm tra tự tương quan, Kiểm tra đa cộng tuyến.
Đánh giá độ phù hợp của mô hình đƣợc thực hiện thông qua bảng Model Summary. Hệ số xác định R-Square thể hiện mức độ ảnh hưởng của các biến độc lập đến biến phụ thuộc, tức là sự biến thiên của các biến độc lập sẽ giải thích đƣợc bao nhiêu % sự biến thiên của biến phụ thuộc. Để trị số R-Square có ý nghĩa thì trị số Sig phải nhỏ hơn 0,05.
Phân tích ANOVA đƣợc sử dụng để xem xét mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập. Trong phân tích này, trị số F phải đủ lớn và Sig tương ứng phải nhỏ hơn 0,05 thì mới có thể kết luận là có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, hay nói cách khác là có tồn tại mô hình tuyến tính.
Kiểm tra tự tương quan thông qua kiểm định Durbin-watson, hiện tượng tự tương quan xảy ra khi các phần dư ei có mối tương quan với nhau, điều này sẽ dẫn đến những hậu quả nghiêm trọng đối với mô hình tuyến tính. Trị số Durbin-watson đƣợc tính toán từ mô hình sẽ đƣợc sử dụng để xem xét hiện tượng tự tương quan như sau:
Có tự tương quan dương
Không có kết luận
Không có tự tương quan
Không có kết luận
Có tự tương quan âm
0 dL dU 4-dU 4-dL 4
Trong đó các giá trị dL và dU được tra từ bảng D – W tương ứng với n quan sát và k biến độc lập trong mô hình.
Kiểm tra đa cộng tuyến đƣợc thực hiện thông qua trị số độ chấp nhận (Tolerance) nhân tử phóng đại phương sai VIF. Tolerance được tính bằng công thức 1 - Ri2, với Ri2 là hệ số xác định của biến Xi với tất cả các biến độc lập còn lại.
Hệ số phóng đại phương sai VIF (Variance Inflation Factor) được tính bằng nghịch đảo của Tolerance. Khi Tolerance càng nhỏ thì VIF càng lớn.
Nhƣ vậy Tolerance lớn gần bằng 1 (hay VIF bé gần bằng 1) thì có thể kết luận là không có đa cộng tuyến giữa các biến độc lập. Thông thường VIF >
10 là xảy ra đa cộng tuyến [01].
CHƯƠNG 3