CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU
3.2. Phương pháp nghiên cứu
Nguồn: Tác giả tổng hợp và tự đề xuất Nền tảng Google Forms đã được tác giả sử dụng để gửi phiếu khảo sát đến sinh viên của trường với mục đích thu thập dữ liệu cho phân tích. Phiếu khảo sát được gửi đến các nhóm học tập, group lớp, câu lạc bộ sinh viên,.. trên các mạng xã hội
Hình 3.1: Sơ đồ các bước trong quy trình nghiên cứu
Facebook, Zalo, Messenger. Và để đánh giá mức độ đồng ý của sinh viên với các biến trong bảng câu hỏi, các thang đo và các biển quan sát sử dụng thang điểm Likert, được tạo thành từ 5 mức độ:
- 1 = Rất không đồng ý - 2 = Không đồng ý - 3 = Bình thường - 4 = Đồng ý - 5 = Rất đồng ý
Theo Gorsuch (1983), số mẫu cần gấp năm lần số biến. Cỡ mẫu tối thiểu là N bằng hoặc lớn hơn ít nhất 5*x, trong đó N là số lượng mẫu và x là tổng số biến quan sát (Hair và ctg, 1998). Mô hình có tất cả 21 biến quan sát. Theo tiêu chuẩn, kích thước mẫu tối thiểu cho nghiên cứu là 5*21 = 105. Theo tác giả, khảo sát sẽ được thực hiện với cỡ mẫu ít nhất là 210.
3.2.2. Phương pháp phân tích số liệu 3.2.2.1. Phân tích độ tin cậy của thang đo
Độ tin cậy của một thang đo đo lường độ chính xác và sự ổn định của kết quả đo lường. Đây là một khái niệm quan trọng trong nghiên cứu khoa học và thống kê, vì nó cho biết mức độ mà các kết quả đo lường có thể tin cậy và lặp lại được. Hệ số Cronbach’s alpha là một trong những phương pháp phổ biến để đo lường tính nhất quán (reliability) của thang đo trong nghiên cứu khoa học và thống kê. Được đặt tên theo nhà tâm lý học Lee Cronbach, hệ số alpha thường được sử dụng để ước tính mức độ đồng nhất của các câu hỏi hoặc mục trong một thang đo. Một thang đo có độ tin cậy đạt yêu cầu khi Cronbach’s Alpha ≥ 0.6. Bên cạnh đó, nếu thang đo có Cronbach’s Alpha đạt yêu cầu thì cần phải xem xét giá trị của hệ số tương quan biến tổng (corrected item – total correlation) của các biến đo lường trong thang đo, nếu hệ số của biến đo lường nào ≥ 0.3 thì biến đó có thể được chấp nhận (Nguyễn Đình Thọ, 2013).
3.2.2.2. Phân tích nhân tố khám phá
Phương pháp phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) là một công cụ mạnh mẽ để hiểu cấu trúc ẩn của các biến trong một thang đo. Sau khi đã kiểm định thang đo bằng các phương pháp như hệ số Cronbach’s alpha để đo độ tin cậy, EFA có thể được sử dụng để khám phá cấu trúc bên trong của thang đo đó.
Điều này giúp cho việc hiểu rõ hơn về mối quan hệ giữa các mục hoặc câu hỏi trong thang đo và xác định các nhân tố (factors) có thể đang ảnh hưởng đến kết quả đo lường.
Chỉ số KMO (Kaiser-Meyer-Olkin) dùng cung cấp thông tin về mức độ phù hợp của dữ liệu để tiến hành phân tích nhân tố khám phá. 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.
Hệ số Eigenvalues (giá trị riêng) là một khái niệm quan trọng trong phân tích nhân tố, được sử dụng để đánh giá sự quan trọng của từng nhân tố trong một phân tích nhân tố khám phá. Khi thực hiện phân tích nhân tố, ma trận tương quan của các biến được phân tích thành các giá trị riêng và các vector riêng tương ứng. Các giá trị riêng (Eigenvalues) là các giá trị số thực mô tả mức độ biến thiên của các nhân tố.
Giá trị riêng càng lớn, nhân tố tương ứng có vai trò quan trọng hơn trong giải thích sự biến thiên của dữ liệu. Theo đó, chỉ những yếu tố có chỉ số Eigenvalues ≥ 1 mới được giữ lại trong mô hình.
Tổng phương sai trích (Total Variance Explained): Cho biết tổng phần trăm phương sai của các biến mà các nhân tố đã trích xuất từ dữ liệu. Điều này giúp đánh giá khả năng của các nhân tố trong giải thích sự biến thiên của dữ liệu gốc. Để đảm bảo rằng phân tích nhân tố của bạn có ý nghĩa thống kê và có thể giải thích được một phần đáng kể của sự biến thiên trong dữ liệu, thì tổng phương sai trích nên đạt mức trên 50%.
Hệ số hội tụ (Factor loading) trong phân tích nhân tố là một chỉ số quan trọng để đo lường mối quan hệ giữa các biến (hay mục) và các nhân tố đã được trích xuất
từ dữ liệu. Đây là các hệ số số học được tính toán để biểu thị mức độ mà mỗi biến ảnh hưởng đến từng nhân tố. Mối tương quan giữa các biến và nhân tố trong hệ số tăng lên khi giá trị của nó tăng lên, và ngược lại. Mô hình EFA yêu cầu hệ số hội tụ phải ≥ 0,5. Ngoài ra trong mô hình EFA, nếu hệ số phân biệt giữa các nhân tố ≥ 0,3, điều này cho thấy rằng các nhân tố được phân biệt rõ ràng đủ để tiếp tục phân tích và hiểu rõ hơn về cấu trúc dữ liệu.
3.2.2.3. Phân tích hồi quy
Giá trị Sig của kiểm định F (F-test) trong phân tích nhân tố (Factor Analysis) thường được sử dụng để đánh giá tính chất thống kê của mô hình nhân tố. Nếu Sig ≤ 0,05, điều này có nghĩa là chúng ta có đủ bằng chứng để bác bỏ giả thuyết không có nhân tố (null hypothesis) và chấp nhận rằng mô hình nhân tố là phù hợp.
Phương pháp phân tích hồi quy được áp dụng nhằm mục đích xác định các yếu tố và đo lường mức độ ảnh hưởng của chúng đối với quyết định chọn ngành Marketing của sinh viên Đại học Ngân hàng tại Thành phố Hồ Chí Minh. Phương trình hồi quy trong nghiên cứu này có dạng:
Y = β0 + β1H1 + β2H2 + β3H3 + β4H4 + β5H5 + ε
Y: Biến phụ thuộc (Quyết định lựa chọn chuyên ngành Marketing) Hi: Biến độc lập
βi: Các hệ số hồi quy β0: Hằng số
ε: Sai số
H1: Ý kiến người thân
H2: Đặc điểm trường đại học
H3: Bản thân các nhân của sinh viên H4: Cơ hội việc làm trong tương lai H5: Đặc điểm chuyên ngành
Kiểm định mức độ phù hợp của mô hình nghiên cứu được thực hiện thông qua giá trị hệ số R² và R² hiệu chỉnh, nhằm xác định phần trăm (%) sự biến thiên của biến
phụ thuộc mà các biến độc lập có thể giải thích. Thông thường, nếu R² ≥ 50%, mô hình được coi là phù hợp.
Để kiểm tra sự phù hợp của mô hình, phương pháp kiểm tra giá trị F và các giá trị Sig < 0.05 được sử dụng. Khi Sig < 0.05, điều này chỉ ra rằng các biến độc lập có mối quan hệ đáng kể với biến phụ thuộc, từ đó giúp đánh giá mức độ ảnh hưởng của các yếu tố đến quyết định của người tiêu dùng.
Ngoài ra, kiểm định đa cộng tuyến được thực hiện với chỉ số VIF (Variance Inflation Factor) phải nhỏ hơn 5 để đảm bảo không có sự đồng biến quá mức giữa các biến độc lập trong mô hình.
Hệ số phóng đại phương sai (Variance Inflation Factor - VIF) là một chỉ số được sử dụng để đánh giá mức độ của sự tương quan giữa các biến độc lập trong mô hình hồi quy tuyến tính hoặc phân tích hồi quy đa biến. Đặc biệt, nó đánh giá mức độ mà các biến độc lập có sự phụ thuộc tuyến tính lẫn nhau. VIF được sử dụng để kiểm tra vấn đề đa cộng tuyến (multicollinearity) trong mô hình. Cụ thể, hệ số VIF của mỗi biến độc lập đo lường mức độ mà biến này bị phóng đại phương sai do sự phụ thuộc tuyến tính với các biến khác trong mô hình. Nếu một biến có VIF cao (thường được coi là ≥ 10 hoặc 5 tùy vào tiêu chuẩn được chọn), điều này cho thấy rằng biến đó có sự phụ thuộc tuyến tính mạnh vào các biến khác trong mô hình, và điều này có thể làm giảm độ chính xác của các ước tính trong mô hình.
Đôi khi phần dư không tuân theo phân phối chuẩn, do đó nên khảo sát bằng đồ thị phần dư chuẩn hóa gồm biểu đồ Histogram và Normal probability plot. Biểu đồ Histogram sẽ cho phép chúng ta biết được hình dạng của phân phối của dữ liệu. Nếu phần dư tuân theo phân phối chuẩn, Histogram sẽ có hình dạng hình chuông, tức là dữ liệu sẽ phân bố đối xứng quanh giá trị trung bình, với một đỉnh cao nhất ở trung tâm và đuôi nhọn hai bên. Nếu không tuân theo phân phối chuẩn, Histogram có thể có hình dạng không đều, lệch trái hoặc lệch phải.
3.2.2.4. Kiểm định sự khác biệt
Bằng cách sử dụng kiểm định T-Test và phân tích ANOVA, chúng ta có thể xác định có sự khác biệt hay không trong quyết định chọn theo các nhóm thống kê như giới tính, năm học,…
Nếu: Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là có sự khác biệt phương sai một cách có ý nghĩa thống kê giữa các nhóm giá trị. Chúng ta sử dụng kết quả kiểm định Welch ở bảng Robust Tests of Equality of Means.
Nếu: Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là không có sự khác biệt phương sai một cách có ý nghĩa thống kê giữa các nhóm giá trị. Chúng ta sử dụng kết quả kiểm định F ở bảng ANOVA.