CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Phương pháp nghiên cứu (phương pháp định lượng)
3.3.2. Phân tích dữ liệu
Việc đánh giá sơ bộ về giá trị và độ tin cậy của thang đo mô hình trên được thực hiện thông qua cách sử dụng phương pháp kiểm định độ tin cậy bằng “Hệ số Cronbach’s Alpha” và “Phân tích EFA” - Exploratory Factor Analysis, thông qua phần mềm xử lý SPSS để sàng lọc và loại bỏ các biến quan sát không phù hợp.
3.3.2.1. Kiểm định độ tin cậy - Cronbach’s Alpha
Mục đích sử dụng phương pháp này trong bài nghiên cứu để kiểm tra độ chặt chẽ của các biến quan sát và loại bỏ các biến không phù hợp trong mô hình.
Theo Hari & cộng sự (2009) cho rằng, một thang đo tốt cần đảm bảo đạt hệ số tin cậy Cronbach’s Alpha từ 0.7 trở lên, hệ số Cronbach’s Alpha càng cao thì độ tin cậy của thang đo càng cao. Tuy nhiên, trong một vài trường hợp với tính chất là một nghiên cứu khám phá sơ bộ, “Hệ số Cronbach’s Alpha ≥ 0.6” thì vẫn có thể chấp nhận được.
Những biến quan sát khi có “Hệ số tương quan” ở biến tổng nhỏ hơn hoặc bằng (≤) 0.3 và tiêu chuẩn chọn thang đo khi có “Hệ số Cronbach’s Alpha” nhỏ hơn hoặc bằng (≤) 0.6 đều sẽ bị loại (Hoàng Trọng & Mộng Ngọc, 2008).
Các tiêu chí mà thang đo Cronbach’s Alpha đánh giá như sau:
0.8 ≤ Hệ số Cronbach’s Alpha ≤ 1: Thang đo lường tốt
0.7 ≤ Hệ số Cronbach’s Alpha ≤ 0.8: Thang đo lường sử dụng được
Hệ số Cronbach’s Alpha ≤ 0.6: Thang đo lường thấp. Nếu dưới 0.5 là không chấp nhận được.
3.3.2.2. Phân tích nhân tố khám phá - EFA
Theo Hair (2009), “Phân tích EFA” được sử dụng nhằm rút gọn một tập hợp gồm nhiều biến quan sát tương quan thành một tập biến (hay gọi là các nhân tố) ít hơn và có ý nghĩa hơn nhưng vẫn giữ nội dung thông tin của tập biến ban đầu. Trong
nghiên cứu, việc sử dụng phân tích EFA giúp cho nhiều người nghiên cứu tiết kiệm thời gian hơn.
Các tiêu chí được đề ra trong “Phân tích EFA”:
Chỉ số đo mức độ thỏa đáng của mẫu KMO (Kaiser-Meyer-Olkin): Là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Phân tích nhân tố phù hợp phải đạt điều kiện nếu: 0.5 ≤ KMO ≤ 1 (nghĩa là “Chỉ số KMO” phải đạt từ giá trị 0.5 trở lên). Nếu chỉ số KMO nhỏ hơn (<) 0.5 thì phân tích nhân tố có thể không phù hợp với dữ liệu nghiên cứu.
Hệ số kiểm định Bartlett (Bartlett’s test of sphericity): Được sử dụng để xem xét mối tương quan của các biến quan sát trong cùng một nhân tố. Hệ số kiểm định Bartlett có ý nghĩa thống kê khi có sig nhỏ hơn (<) 0.05 thì các biến quan sát trong nhân tố có tương quan với nhau.
Trị số Eigenvalue: Là tiêu chí đại diện cho mức độ biến thiên được giải thích bởi nhân tố nhằm xác định số lượng nhân tố trong “Phân tích EFA”. Những nhân tố được giữ lại trong mô hình nghiên cứu khi có Eigenvalue lớn hơn (>) 1.
Tổng phương sai trích (Total Variance Explained): Là chỉ số được dùng để kiểm định sự phù hợp của mô hình trong bài nghiên cứu. Mô hình EFA được xem là phù hợp khi tổng phương sai phải thỏa điều kiện lớn hơn hoặc bằng (≥) 50%.
Trọng số nhân tố (Factor Loading) - còn gọi là hệ số tải nhân tố: Hệ số này biểu thị sự tương quan giữa các biến quan sát và các nhân tố. “Factor Loading”
càng cao thì biến quan sát đó với nhân tố có mối tương quan càng lớn và ngược lại. Biến quan sát đạt chất lượng tốt khi trọng số nhân tố này từ 0.5 trở lên (Hair & cộng sự, 2009).
“Factor Loading” ở mức ± 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại.
“Factor Loading” ở mức ± 0.5: Biến quan sát có ý nghĩa thống kê tốt.
“Factor Loading” ở mức ± 0.7: Biến quan sát có ý nghĩa thống kê rất tốt.
3.3.2.3. Phân tích tương quan Pearson
Trong bài nghiên cứu, phân tích tương quan được sử dụng nhằm kiểm định mối liên hệ tương quan tuyến tính giữa các độc lập với biến phụ thuộc, từ đó xác định mối quan hệ tuyến tính giữa các biến là phù hợp tuyến tính và cũng có thể kiểm tra được vấn đề đa cộng tuyến nếu các biến độc lập cũng có tương quan mạnh với nhau.
“ Phân tích tương quan Pearson là một trong các bước được thực hiện trong bài nghiên cứu sử dụng phương pháp phân tích định lượng SPSS. Bước này thường sẽ được thực hiện trước khi tiến hành phân tích hồi quy” (Lộc Phạm, 2013).
Theo Gayen (1951) cho rằng, các số liệu thống kê trong nghiên cứu sử dụng
“Hệ số tương quan Pearson” (được kí hiệu là r) để đo cường độ chặt chẽ của sự kết nối 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,…) thì “Phân tích tương quan Pearson” sẽ không được tiến hành trên các biến đó.
Giá trị hệ số tương quan Pearson (kí hiệu r) dao động từ -1 đến 1:
+ Khi r càng tiến gần về -1 hoặc 1: Tương quan tuyến tính càng mạnh và càng chặt chẽ. Nếu r tiến về phía -1 là tương quan âm, về phía 1 là tương quan dương.
+ Khi r càng tiến về gần 0: Tương quan tuyến tính càng yếu.
+ Khi r = 0: Nghĩa là không có tương quan tuyến tính. Tại đây, sẽ có một trong hai tình huống được xảy ra. Thứ nhất là, không có một mối liên hệ nào giữa hai biến. Thứ hai là, trong hai biến có mối liên hệ phi tuyến.
+ Khi r =1 : Tương quan tuyến tính xảy ra là tuyệt đối (các điểm được biểu diễn sẽ nhập thành một đường thẳng).
Mặc dù có thể đánh giá mối liên hệ tuyến tính giữa hai biến thông qua giá trị
“Hệ số tương quan Pearson”, nhưng cũng cần thực hiện kiểm tra giả thuyết hệ số
tương quan này có ý nghĩa hay không. Nếu kết quả trong quá trình kiểm định có sig kiểm định nhỏ hơn (<) 0.05 thì hai biến có tương quan tuyến tính với nhau; ngược lại, nếu sig lớn hơn (>) 0.05 thì hai biến không tương quan tuyến tính (mức ý nghĩa giả định là 5% = 0.05) (Field, 2009).
3.3.2.4. Phân tích hồi quy
Sau bước “Phân tích tương quan Pearson”, biến phụ thuộc và các biến độc lập sẽ được sử dụng để tiến hành phân tích hồi quy đa biến để kiểm định mức độ ảnh hưởng giữa các biến độc lập đối với sự thay đổi của biến phụ thuộc trong mô hình.
3.3.2.5. Kiểm định phương sai (ANOVA):
Theo Ronald Fisher (1918) cho rằng, phương pháp kiểm định phương sai ANOVA được sử dụng trong các bài nghiên cứu dùng để phân tích sự khác nhau giữa giá trị trung bình giữa các biến phụ thuộc với nhau. Trong quá trình nghiên cứu này, tác giả sẽ sử dụng kiểm định phương sai một yếu tố (hay còn gọi là “One-way ANOVA”) để kiểm định giá trị trung bình biến ý định MHTT (bị tác động qua các yếu tố liên quan đến các KOLs) ở các nhóm sinh viên, thời gian sử dụng mạng xã hội và tần suất mua hàng trên mạng xã hội bị tác động qua các yếu tố của KOLs có khác nhau hay không. Theo Lộc Phạm (2022), quy trình kiểm định One-way ANOVA trong SPSS sẽ đi qua hai bước như sau:
(1) Kiểm tra sự khác biệt phương sai trong các nhóm giá trị
+ Nếu tính đồng nhất của các phương sai (Sig Levene < 0.05): Bác bỏ giả thuyết, nghĩa là có sự khác biệt phương sai theo ý nghĩa thống kê giữa các nhóm giá trị (phương sai không đồng nhất).
+ Nếu tính đồng nhất của các phương sai (Sig Levene > 0.05): Chấp nhận giả thuyết, nghĩa là không có sự khác biệt phương sai theo ý nghĩa thống kê giữa các nhóm giá trị (phương sai đồng nhất).
(2) Kiểm tra khác biệt trung bình giữa các nhóm giá trị
+ Nếu mức ý nghĩa (Sig F) ở bảng ANOVA < 0.05 (Sig F < 0.05): Không chấp nhận giả thuyết, nghĩa là có sự khác biệt trung bình theo ý nghĩa thống kê giữa các nhóm giá trị.
+ Nếu mức ý nghĩa (Sig F) ở bảng ANOVA ≥0.05 (Sig F ≥ 0.05): Chấp nhận giả thuyết, nghĩa là không có sự khác biệt trung bình theo nghĩa thống kê giữa hai nhóm giá trị.
TÓM TẮT CHƯƠNG 3
Trong chương 3 của bài nghiên cứu, tác giả đã nêu về quy trình và xây dựng thang đo của mô hình “Các yếu tố ảnh hưởng của KOLs đến ý định mua hàng trực tuyến của sinh viên Trường Đại học Ngân Hàng TP. Hồ Chí Minh”. Phương pháp định lượng là phương pháp nghiên cứu chính thức được sử dụng để thực hiện nghiên cứu này. Thang đo trong bài gồm 26 biến quan sát. Bên cạnh đó, trong phương pháp nghiên cứu định lượng tác giả cũng trình bày về phương pháp chọn mẫu và phân tích dữ liệu. Kết quả của bài nghiên cứu sẽ được tác giả đưa ra ở chương 4.