CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Phương pháp phân tích dữ liệu
Sau khi hoàn tất việc thu thập và sàng lọc dữ liệu từ các đối tượng khảo sát, các bảng hỏi không đạt yêu cầu sẽ được loại bỏ. Tiếp theo, dữ liệu được mã hóa bằng phần mềm SPSS phiên bản 29.0.
3.4.1. Thống kê mô tả
Phương pháp thống kê mô tả được tác giả áp dụng để tổng hợp và trình bày các phương pháp đo lường cũng như số liệu trong lĩnh vực kinh tế. Các bảng thống kê đóng vai trò là công cụ trình bày và tóm tắt dữ liệu, giúp thu thập thông tin cần thiết cho việc phân tích và rút ra kết luận. Nhờ vào việc sử dụng các bảng thống kê, tác giả có thể đưa ra những nhận xét chính xác và sâu sắc về vấn đề nghiên cứu.
3.4.2. Kiểm định độ tin cậy
Hệ số Cronbach’s Alpha là công cụ phổ biến được sử dụng để kiểm định độ tin cậy của thang đo, nhằm xác định xem các biến quan sát trong thang đo có thống nhất cấu trúc hay không. Phương pháp này giúp loại bỏ các biến không phù hợp trước khi thực hiện phân tích nhân tố khám phá (EFA), vì những biến này có thể dẫn đến việc tạo ra các yếu tố giả. Để giữ lại các biến quan sát trong thang đo, các biến phải có hệ số tương quan với biến tổng lớn hơn 0.3 và hệ số Cronbach’s Alpha phải đạt từ 0.6 trở lên.
3.4.3. Phân tích nhân tố khám phá EFA
Sau khi tác giả thực hiện kiểm định độ tin cậy bằng hệ số Cronbach’s Alpha, các thang đo đạt tiêu chuẩn sẽ tiếp tục được xem xét thông qua phân tích nhân tố khám phá (EFA) để đánh giá mức độ hội tụ của các biến quan sát theo các thành phần. Phân tích EFA được thực hiện riêng biệt cho biến độc lập và biến phụ thuộc nhằm rút gọn một tập hợp các biến quan sát thành một tập hợp các yếu tố nhỏ hơn nhưng có ý nghĩa hơn. Trong EFA, hệ số tải nhân tố từ 0,5 trở lên là mức tối ưu, cho thấy các biến quan sát có mối liên hệ tốt với các yếu tố. Các chỉ tiêu quan trọng trong EFA bao gồm:
- Hệ số Kaiser – Meyer – Olkin (KMO), đánh giá mức độ phù hợp của mẫu với phân tích nhân tố; KMO phải lớn hơn 0,5 để phân tích là phù hợp.
- Kiểm định Bartlett, dùng để xác định mối tương quan giữa các biến quan sát;
giá trị Sig. nhỏ hơn 0,05 cho thấy các biến có mối liên hệ đáng kể.
- Eigenvalue, chỉ số xác định số lượng yếu tố; các yếu tố có Eigenvalue nhỏ hơn 1 sẽ bị loại.
- Tổng phương sai trích, phản ánh mức độ biến thiên giải thích bởi các yếu tố;
cần đạt hoặc vượt 50% để được chấp nhận.
- Hệ số tải nhân tố, thể hiện mối tương quan giữa các biến quan sát và các yếu tố; giá trị tối thiểu là 0,3, nhưng trong nhiều trường hợp, hệ số lớn hơn 0,5 là cần thiết để đảm bảo ý nghĩa thống kê tốt.
3.4.4. Phân tích tương quan
Phân tích tương quan được thực hiện để kiểm tra mối tương quan tuyến tính giữa các biến độc lập và biến phụ thuộc trong mô hình nghiên cứu. Sử dụng kiểm định Pearson, nếu giá trị Sig. lớn hơn 0,05 và nằm trong khoảng từ -1 đến 1, kết quả phân tích được coi là có ý nghĩa thống kê. Bên cạnh đó, phân tích tương quan cũng giúp phát hiện hiện tượng đa cộng tuyến, đặc biệt là khi có sự tương quan mạnh mẽ giữa các biến độc lập với nhau, điều này có thể ảnh hưởng đến độ chính xác và độ tin cậy của mô hình phân tích.
3.4.5. Phân tích hồi quy
Phân tích hồi quy tuyến tính là một kỹ thuật thống kê dùng để nghiên cứu mối quan hệ giữa biến phụ thuộc và một hoặc nhiều biến độc lập. Nếu chỉ có một biến độc lập, mô hình này gọi là hồi quy đơn biến (Simple Linear Regression, SLR), trong khi nếu có hai hoặc nhiều biến độc lập, đó là hồi quy bội (Multiple Linear Regression, MLR). Để thực hiện phân tích hồi quy tuyến tính, cần xem xét một số chỉ tiêu quan trọng:
- Hệ số R bình phương hiệu chỉnh (Adjusted R Square): Đây là chỉ số đánh giá mức độ phù hợp của mô hình. R bình phương hiệu chỉnh cho thấy phần trăm biến động của biến phụ thuộc được giải thích bởi các biến độc lập. Nếu các điểm dữ liệu phân bố gần đường hồi quy, giá trị R bình phương hiệu chỉnh sẽ cao, chứng tỏ mô hình càng phù hợp.
- Trị số Durbin – Watson (DW): Chỉ số này giúp đánh giá hiện tượng tương quan chuỗi bậc nhất trong dữ liệu. Khi DW nằm trong khoảng từ 1 đến 3, điều này cho thấy không có sự tương quan chuỗi. Nếu DW rơi vào khoảng từ 0 đến 1 hoặc từ 3 đến 4, có thể có hiện tượng tương quan chuỗi, làm giảm độ chính xác của mô hình.
- Variance Inflation Factor (VIF): Đây là chỉ số dùng để kiểm tra hiện tượng đa cộng tuyến trong hồi quy bội. Nếu VIF của một biến độc lập lớn hơn 10, có thể có đa cộng tuyến, điều này cần phải được khắc phục. Ngược lại, nếu VIF
nhỏ hơn 2, mô hình không gặp phải vấn đề đa cộng tuyến và có thể tin tưởng vào các hệ số hồi quy.
- Kiểm định F: Kiểm định này được dùng để xác định xem mô hình hồi quy có ý nghĩa thống kê hay không. Nếu giá trị Sig của kiểm định F nhỏ hơn 0.05, mô hình được coi là có ý nghĩa và có thể chấp nhận. Nếu Sig lớn hơn 0.05, mô hình không đủ thuyết phục và cần điều chỉnh.
TÓM TẮT CHƯƠNG 3
Ở chương 3, tác giả đã trình bày quy trình nghiên cứu bao gồm nghiên cứu định tính và định lượng, Bên cạnh đó tiến hành xây dựng thang đo. Đồng thời, chương 3 sẽ cung cấp thông tin chi tiết về thiết kế nghiên cứu định lượng, bao gồm việc xây dựng bảng câu hỏi, thiết kế mẫu, cũng như các phương pháp thu thập, xử lý và phân tích dữ liệu. Kết quả phân tích dữ liệu sẽ được trình bày chi tiết trong chương tiếp theo.