CHƯƠNG II. TỔNG QUAN NGHIÊN CỨU
CHƯƠNG 3: PHƯƠNG PHÁP VÀ KẾT QUẢ NGHIÊN CỨU
3. Xử lý và phân tích số liệu
3.2. Đánh giá độ tin cậy của thang đo
Đánh giá độ tin cậy của thang đo nhằm loại bỏ các biến không phù hợp, tránh gây nhiễu trong quá trình phân tích. Hệ số Cronbach's Alpha và Hệ số tương quan biến – tổng theo như trình bày trong phần Phương pháp xử lý số liệu.
Khi biến đo lường thỏa các điều kiện trên sẽ được giữ lại để đưa vào phân tích nhân tố khám phá EFA. Ngược lại, biến đo lường nào không thỏa mãn một trong các điều kiện trên sẽ bị loại khỏi mô hình nghiên cứu.
Bảng 2: Kết quả đánh giá độ tin cậy của thang đo
Biến quan sát Tương quan biến tổng Cronbach’s Alpha nếu loại biến này Giá cả (GC): Cronbach’s Alpha = 0,862
GC1 0,766 0,782
GC2 0,733 0,812
GC3 0,721 0,823
An ninh (AN): Cronbach’s Alpha = 0,761
AN1 0,644 0,619
AN2 0,610 0,659
AN3 0,525 0,753
Cơ sở vật chất (CS): Cronbach’s Alpha = 0,901
CS1 0,820
CS2 0,820
Dịch vụ (DV): Cronbach’s Alpha = 0,891
DV1 0,780 0,852
DV2 0,776 0,854
DV3 0,806 0,827
Vị trí (VT): Cronbach’s Alpha = 0,623
VT1 0,297 0,811
VT2 0,520 0,440
VT3 0,567 0,362
Yếu tố khác (YT): Cronbach’s Alpha = 0,842
YT1 0,740 0,772
YT2 0,670 0,804
YT3 0,679 0,800
YT4 0,623 0,824
Quyết định (QĐ): Cronbach’s Alpha = 0,884
QĐ1 0,782 0,828
QĐ2 0,761 0,847
QĐ3 0,779 0,830
Như vậy, qua kết quả kiểm tra độ tin cậy của thang đo, có 19 biến quan sát của 5 thang đo sẽ được đưa vào phân tích nhân tố khám phá EFA, những biến quan sát này giữ nguyên theo những biến quan sát ban đầu đưa vào mô hình.
3.3. Phân tích nhân tố khám phá (EFA)
Kiểm định giá trị thang đo hay phân tích nhân tố là kiểm tra giá trị hội tụ và giá trị phân biệt của từng khái niệm và giữa các khái niệm với nhau thông qua phân tích nhân tố khám phá.
– Hệ số KMO (Kaiser-Meyer-Olkin) trong EFA là chỉ số được dùng để xem sét sự thích hợp của phân tích nhân tố.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,842
Bartlett's Test of Sphericity Approx. Chi-Square 2297,319
df 153
Sig. ,000
Hệ số KMO = 0.842 > 0.5 qua đó cho thấy rằng phân tích nhân tố là thích hợp với dữ liệu nghiên cứu. Mức ý nghĩa Sig. trong kiểm định Barlett nhỏ hơn 0.05, tương đương bác bỏ giả thuyết mô hình nhân tố là không phù hợp, chứng tỏ dữ liệu nghiên cứu thu thập được dùng để phân tích nhân tố là hoàn toàn thích hợp.
– Phương sai trích
Bảng 3. Bảng t4ng phương sai trích Total Variance Explained Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Total % of Variance
Cumulative
%
Total % of
Variance
Cumulative
%
Total % of Variance
Cumulative
%
1 5,233 29,074 29,074 5,233 29,074 29,074 4,876 27,091 27,091
2 3,716 20,646 49,720 3,716 20,646 49,720 3,875 21,527 48,617
3 2,598 14,432 64,152 2,598 14,432 64,152 2,743 15,241 63,858
4 1,344 7,468 71,620 1,344 7,468 71,620 1,397 7,762 71,620
5 ,614 3,409 75,029
6 ,590 3,278 78,308
7 ,525 2,919 81,227
8 ,507 2,818 84,045
9 ,462 2,567 86,613
10 ,378 2,099 88,711
11 ,350 1,946 90,657
12 ,335 1,861 92,519
13 ,298 1,653 94,172
14 ,288 1,601 95,772
15 ,222 1,232 97,004
16 ,213 1,186 98,190
17 ,200 1,111 99,301
18 ,126 ,699 100,000
Extraction Method: Principal Component Analysis.
Eigenvalue = 1,344 > 1 tại nhân tố thứ ba và tổng phương sai trích = 71,620% >
50% điều này cho thấy 71,620% của dữ liệu được giải thích thống qua 3 nhân tố. Như vậy trong 18 nhân tố thì nhóm đã trích được 3 nhân tố đạt yêu cầu trong kiểm định mang thông tin tóm tắt tốt nhất. Như vậy, 3 nhân tố được trích cô đọng được 71,620% và bị thất thoát mất 28,38% của các biến quan sát.
– Phép xoay Varimax thể hiện giá trị phân biệt và giá trị hội tụ của từng khái niệm nghiên cứu.
Như đã trình bày trong chương phương pháp nghiên cứu, để thang đo đạt giá trị hội tụ thì hệ số tải nhân tố phải có giá trị lớn hơn 0.5 giữa các biến trong cùng một khái niệm và để đạt giá trị phân biệt thì đòi hỏi chênh lệch hệ số tải nhân tố giữa các biến đó phải tối thiểu 0.3. Qua kết quả phân tích thì các hệ số của nghiên cứu đều thỏa điều kiện của phân tích nhân tố nên sau khi phân tích nhân tố thì các nhân tố độc lập này được giữ nguyên, không bị tăng thêm hoặc giảm đi nhân tố.
Phân tích nhân tố được thực hiện nhằm đánh giá giá trị hội tụ và phân biệt của thang đo, việc phân tố theo từng yếu tố sẽ giúp cho nhà quản trị nhìn nhận về vấn đề một cách bao quát hơn về từng biến quan sát.
Bảng 4. Ma trâ An xoay các nhân tố Rotated Component Matrixa Component Matrixa
Component
1 2 3 4
DV2 ,839
DV3 ,818
DV1 ,817
CS1 ,816
CS2 ,801
VT2 ,747
VT3 ,709
GC1 ,788
GC2 ,767
GC3 ,762
AN3 ,731
AN1 ,729
AN2 ,678
YT1 ,806
YT2 ,773
YT3 ,771
YT4 ,765
VT1 ,926
Extraction Method: Principal Component Analysis.
a. 4 components extracted.
Từ bảng thống kê trên, nhóm nghiên cứu giữ nguyên các biến vì đều đạt yêu cầu sau khi kiểm định lại.
3.4. Phân tích nhân tố khám phá cho biến phụ thuộc - Hệ số KMO và kiểm định Bartlett’s
Bảng 5. Hệ số KMO và Bartlett’s Test KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,746
Bartlett's Test of Sphericity Approx. Chi-Square 344,450
df 3
Sig. ,000
Từ bảng trên của nhóm nghiên cứu, có thể thấy hệ số KMO của biến phụ thuộc
“Quyết định lựa chọn” = 0,746, thỏa mãn điều kiện 0,5 . Kiểm định Bartlett’s Test of Sphericity: Sig. = 0,000 < 0,05 cho thấy phân tích nhân tố là phù hợp.
– Phương sai trích
Bảng 6. Phương sai trích của biến phụ thuộc Total Variance Explained
Component Initial Eigenvalues Extraction Sums of Squared Loadings
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2,43
4
81,136 81,136 2,434 81,136 81,136
2 ,300 9,999 91,135
3 ,266 8,865 100,000
Extraction Method: Principal Component Analysis.
Giá trị Eigenvalues = 2,434 > 1 và trích được 1 nhân tố duy nhất mang ý nghĩa tóm tắt thông tin tốt nhất. Tổng phương sai trích = 81,136> 50% cho thấy mô mình EFA là phù hợp. Như vậy, nhân tố này giải thích được 81,136 biến thiên dữ liệu của 3 biến quan sát tham gia phân tích EFA.
3.5. Phân tích tương quan Pearson
Với các biến đại diện được đặt ra bằng cách lấy trung bình cộng các biến quan sát sau phần phân tích nhân tố khám phá, nhóm nghiên cứu tiến hành phân tích tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau.
Theo lý thuyết, giá trị của Sig ở ô giao giữa biến độc lập và biến phụ thuộc phải nhỏ hơn 0,05 mới thể hiện được rằng biến độc lập và biến phụ thuộc có sự tương quan với nhau còn nếu Sig lớn hơn 0,05 thì không có sự tương quan giữa 2 biến. Hệ số tương quan Pearson r có giá trị giao động từ -1 đến 1, khi Sig < 0,05 thì hệ số tương quan càng đến gần -1 hoặc 1 thì tương quan càng mạnh còn hệ số tương quan càng đến gần 0 thì tương quan càng yếu. Theo Field (2009):
● |r| < 0.1: mối tương quan rất yếu
● |r| < 0.3: mối tương quan yếu
● |r| < 0.5: mối tương quan trung bình
● |r| ≥ 0.5: mối tương quan mạnh
Đối với các biến độc lập khi Sig < 0,05 và hệ số tương quan r giữa 2 biến độc lập lớn hơn 0,5 thì có thể xảy ra hiện tượng đa cộng tuyến với cặp biến này, nhưng ở bước phân tích tương quan này chúng ta chỉ có thể dừng ở mức nghi ngờ, việc chứng minh có xảy ra hiện tượng đa cộng tuyến hay không phải dựa vào giá trị VIF ở bước phân tích hồi quy.
Correlations
QD GC AN CS DV VT YT
QD Pearson Correlation 1 ,721**,720**-,026 ,038 -,017 -,046
Sig. (2-tailed) ,000 ,000 ,706 ,579 ,810 ,507
N 213 213 213 213 213 213 213
GC Pearson Correlation ,721**1 ,760**,065 ,127 ,105 ,003
Sig. (2-tailed) ,000 ,000 ,345 ,065 ,127 ,965
N 213 213 213 213 213 213 213
AN Pearson Correlation ,720**,760**1 ,027 ,090 ,056 ,031
Sig. (2-tailed) ,000 ,000 ,693 ,192 ,420 ,651
N 213 213 213 213 213 213 213
CS Pearson Correlation -,026 ,065 ,027 1 ,830**,367 ,117**
Sig. (2-tailed) ,706 ,345 ,693 ,000 ,000 ,088
N 213 213 213 213 213 213 213
DV Pearson Correlation ,038 ,127 ,090 ,830**1 ,405**,147*
Sig. (2-tailed) ,579 ,065 ,192 ,000 ,000 ,032
N 213 213 213 213 213 213 213
VT Pearson Correlation -,017 ,105 ,056 ,367**,405**1 ,093
Sig. (2-tailed) ,810 ,127 ,420 ,000 ,000 ,176
N 213 213 213 213 213 213 213
YT Pearson Correlation -,046 ,003 ,031 ,117 ,147*,093 1
Sig. (2-tailed) ,507 ,965 ,651 ,088 ,032 ,176
N 213 213 213 213 213 213 213
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
Kết quả phân tích tương quan Pearson cho thấy kết quả kiểm định correlations của các biến có giá trị Sig < 0.05 và 0 < r < 1. Như vậy các biến độc lập đều có mối liên hệ tương quan tuyến tính với biến phụ thuộc. Với kết quả như trên, tất cả các biến độc lập đều đạt điều kiện để đưa vào phân tích hồi quy.
3.6. Phân tích hồi quy đa biến - Bảng Model Summary
Bảng 7. Kết quả phân tích hồi quy đa biến Model Summary Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate Durbin-Watson
1 ,775a ,601 ,590 ,54997 1,877
a. Predictors: (Constant), CS, AN, YT, VT, GC, DV b. Dependent Variable: QD
– Giá trị hiệu chỉnh bằng 0.590> 0.5 cho thấy biến độc lập đưa vào chạy hồi quy ảnh hưởng 52.9% sự thay đổi của biến phụ thuộc, còn lại 47.1% là do các biến ngoài mô hình và sai số ngẫu nhiên.
– Hệ số Durbin – Watson = 1,877, nằm trong khoảng 1.5 – 2.5 nên không có hiện tượng tự tương quan chuỗi bậc nhất xảy ra.
– Sig kiểm định F = 0.000 < 0.05 như vậy mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được.
– Bảng ANOVA
Bảng 8. Kết quả phân tích hồi quy đa biến ANOVA ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 93,908 6 15,651 51,745 ,000b Residual 62,309 206 ,302
Total 156,217 212
a. Dependent Variable: QD
b. Predictors: (Constant), CS, AN, YT, VT, GC, DV
– Sig kiểm định t hệ số hồi quy của biến độc lập X3 lớn hơn 0.05, biến X3 bị loại khỏi mô hình. Ngoài ra, Sig kiểm định t hệ số hồi quy của biến độc còn lại đều nhỏ hơn 0.05, do đó các biến độc lập này đều có ý nghĩa giải thích cho biến phụ thuộc, không bị loại khỏi mô hình.
Bảng Coefficientsa
Coefficientsa Model Unstandardized Coefficients Standardized
Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1,115 ,309 3,606 ,000
GC ,437 ,071 ,420 6,156 ,000 ,415 2,407
AN ,431 ,072 ,405 5,956 ,000 ,419 2,385
DV ,032 ,070 ,037 ,458 ,648 ,293 3,413
VT -,071 ,049 -,070 -1,450 ,148 ,827 1,209
YT -,055 ,048 -,051 -1,146 ,253 ,974 1,026
CS -,049 ,061 -,063 -,799 ,425 ,307 3,253
a. Dependent Variable: QD
– Hệ số VIF của các biến độc lập đều nhỏ hơn 10, do vậy không có hiện tượng đa cộng tuyến xảy ra.
– Mức ý nghĩa Sig kiểm định t của hai biến GC, AN nhỏ hơn 0,05 do đó ba biến độc lập này có ý nghĩa giải thích cho biến phụ thuộc “QD”, còn mức ý nghĩa Sig kiểm định t của biến DV, VT, YT, CS lần lượt là 0,648; 0,148; 0,253 và 0,425lớn hơn 0,05 vậy suy ra biến DV, VT, YT, CS không có sự tác động lên biến phụ thuộc “QD” và bác bỏ toàn bộ giả thuyết của biến DV, VT, YT, CS hay biến DV, VT, YT, CS không ảnh hưởng tới biến phụ thuộc.Từ các hệ số hồi quy, chúng ta xây dựng được phương trình hồi quy chuẩn hóa như sau:
QD = + 0,420*GC + 0,405*AN+
Trong đó:
QD: Quyết định lựa chọn GC: Giá cả
AN: An ninh Tương ứng với:
– Biến Giá cả ảnh hưởng mạnh thứ nhất đến Quyết định lựa chọn phòng trọ của sinh viên trường Đại học Thương Mại.
– Biến An ninh ảnh hưởng mạnh thứ hai đến Quyết định lựa chọn phòng trọ của sinh viên trường Đại học Thương Mại.
Kiểm định vi phạm giả định phân phối chuẩn của phần dư
– Giá trị trung bình MEAN = -3,046E – 16 gần bằng 0, độ lệch chuẩn là 0.986 gần bằng 1 như vậy có thể nói phân phối phần dư xấp xỉ chuẩn. Do đó có thể kết luận rằng: Giả thiết phân phối chuẩn của phần dư không bị vi phạm.
Biểu đồ phần dư chuẩn hóa Normal P-P Plot
– Các điểm phân vị trong phân phối của phần dư tập trung vào một phần chéo như vậy giả định phân phối chuẩn của phần dư không bị vi phạm.
Liên hệ giữa biến phụ thuộc và biến độc lập
Các điểm phân vị phân tán ngẫu nhiên và tập trung xung quanh đường tung độ 0 do vậy giả định quan hệ tuyến tính không vi phạm.
Như vậy, từ kết quả phân tích dữ liệu định lượng, có thể đi đến kết luận, có 2 yếu tố tác động tới Quyết định thuê trọ của sinh viên Đại học Thương Mại đó là “Giá cả” và
“An ninh”. Trong đó yếu tố “Giá cả” có ảnh hưởng mạnh mẽ nhất rồi đến “An ninh”.