CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.5. Phân tích tương quan Pearson
Tương quan tuyến tính Pearson giữa hai biến là mối tương quan mà khi biểu diễn giá trị quan sát của hai biến trên mặt phẳng Oxy, các điểm dữ liệu có xu hướng tạo thành một đường thẳng. Theo Gayen (1951), trong thống kê, các nhà nghiên cứu sử dụng hệ số tương quan Pearson (ký hiệu r) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nếu một trong hai hoặc cả hai biến không phải là biến định lượng (biến định tính, biến nhị phân,…) chúng ta sẽ không thực hiện phân tích tương quan Pearson cho các biến này. Hệ số tương quan Pearson r có giá trị dao động từ -1 đến 1:
❖ Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về 1 là tương quan dương, tiến về -1 là tương quan âm.
❖ Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
❖ Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
❖ Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có hai tình huống xảy ra. Một, không có một mối liên hệ nào giữa hai biến. Hai, giữa chúng có mối liên hệ phi tuyến.
Andy Field (2009) cho rằng mặc dù có thể đánh giá mối liên hệ tuyến tính giữa hai biến qua hệ số tương quan Pearson, nhưng chúng ta cần thực hiện kiểm định giả thuyết hệ số tương quan này có ý nghĩa thống kê hay không. Giả thuyết được đặt ra H0: r = 0. Phép kiểm định t được sử dụng để kiểm định giả thuyết này. Kết quả kiểm định:
❖ Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là r ≠ 0 một cách có ý nghĩa thống kê, hai biến có tương quan tuyến tính với nhau.
❖ Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là r = 0 một cách có ý nghĩa thống kê, hai biến không có tương quan tuyến tính với nhau.
Khi đã xác định hai biến có mối tương quan tuyến tính, chúng ta sẽ xét đến độ mạnh/yếu của mối tương quan này thông qua trị tuyệt đối của . Theo Andy Field r (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
4.5.2. Phân tích tương quan Pearson
Hình 21: Kết quả phân tích Tương quan Pearson (Nguồn: Kết quả thu được từ phân tích dữ liệu)
Sau khi phân tích nhân tố khám phá EFA, nhóm đã có được các biến đại diện cho các biến độc lập và biến phụ thuộc.
● Biến phụ thuộc Y: Mức độ hài lòng khi tham gia trải nghiệm Workshop.
● Biến độc lập X1: Tâm lý
● Biến độc lập X2: Dịch vụ
● Biến độc lập X3: Tính sẵn có
● Biến độc lập X4: Nhóm ảnh hưởng
● Biến độc lập X5: Giá cả
● Biến độc lập X6: Trải nghiệm
● Biến độc lập X7: Rủi ro
Sau đó, nhóm tiến hành phân tích tương quan Pearson để kiểm tra mối quan hệ tương quan tuyến tính giữa các biến.
❖ Mối tương quan giữa biến phụ thuộc Y với biến độc lập X.
Từ bảng phân tích tương quan Correlations, chúng ta có thể thấy các hàng Sig.
(2-tailed) của các biến trên đều có giá trị bằng 0.000 và đều thỏa mãn điều kiện nhỏ hơn mức ý nghĩa α có giá trị 0.05. Từ đó, nhóm bắt đầu phân tích hàng Pearson Correlation tức là r của biến phụ thuộc x có các biến tương quan dương và các biến tương quan âm. Trong đó các biến độc lập tương quan dương lần lượt với các giá trị X1 = 0.295, X2 = 0.719, X3 = 0.560, X4 = 0.392, X5 = 0.423, X6 = 0.447 và biến độc lập tương quan âm với giá trị X7 = -0.747. Các biến độc lập tương quan dương đa số đều lớn hơn 0.4, tiến về 1 và các biến độc lập tương quan âm đều bé hơn -0.4 xuống về -1 chỉ có X1 và X4 nhỏ hơn 0.4. Điều này chứng tỏ các biến độc lập X2, X3, X5, X6, X7 trên có mối tương quan mạnh, liên kết chặt chẽ với biến phụ thuộc Y. Bên cạnh đó, kế bên các chỉ số r có xuất hiện hai dấu sao (**) được gọi là Correlation is significant at the level (2-tailed)** hiểu đơn giản là mối tương quan với độ tin cậy là 99% .
Kết luận: Các biến độc lập X2, X3, X5, X6, X7 có ảnh hưởng mạnh mẽ, tính liên kết chặt chẽ đến biến phụ thuộc Y nhiều hơn biến X1,X4.