Phương pháp phân tích dữ liệu sơ cấp

CHƯƠNG 4: PHƯƠNG PHÁP NGHIÊN CỨU

4.3. PHÂN TÍCH DŨ LIỆU

4.3.2. Phương pháp phân tích dữ liệu sơ cấp

Trên cơ sở dữ liệu thu thập được, tác giả triển khai quá trình phân tích thông qua 2 giai đoạn: (1) Giai đoạn phân tích sơ bộ dữ liệu sơ cấp nhằm có được “bức tranh”

chung về mẫu nghiên cứu; (2) Phân tích chính thức dữ liệu sơ cấp để phát hiện ra các kết quả nghiên cứu cho đề tài. Cụ thể như sau:

4.3.2.1. Phân tích sơ bộ dữ liệu sơ cấp

Tính toán các chỉ tiêu thống kê của dữ liệu để người đọc biết được tổng quan về các mẫu đã thu thập ra sao, có các thông số gì. Nó bao gồm các thông tin về trung bình, độ lệch, phương sai, quy luật dữ liệu .

 Trung bình mẫu (mean) trong thống kê là một đại lượng mô tả thống kê, được tính ra bằng cách lấy tổng giá trị của toàn bộ các quan sát trong tập chia cho số lượng các quan sát trong tập.

 Số trung vị (median) là một số tách giữa nửa lớn hơn và nửa bé hơn của một mẫu, một quần thể, hay một phân bố xác suất. Nó là giá trị giữa trong một phân bố, mà

số số nằm trên hay dưới con số đó là bằng nhau. Điều đó có nghĩa rằng 1/2 quần thể sẽ có các giá trị nhỏ hơn hay bằng số trung vị, và một nửa quần thể sẽ có giá trị bằng hoặc lớn hơn số trung vị.

 Độ lệch chuẩn, hay độ lệch tiêu chuẩn, là một đại lượng thống kê mô tả dùng để đo mức độ phân tán của một tập dữ liệu đã được lập thành bảng tần số. Có thể tính ra độ lệch chuẩn bằng cách lấy căn bậc hai của phương sai. Nếu gọi X là giá trị của công cụ tài chính, m = E(X) là trung bình động của X, S là phương sai, d là độ lệch chuẩn thì độ lệch chuẩn sẽ được tính toán như sau: S = E[(X – m)2] d = Căn bậc hai của S

 Tần suất và biểu đồ phân bổ tần suất, tần suất là số lần suất hiện của biện quan sát trong tổng thể, giá trị các biến qua sát có thể hội tụ, phân tán, hoặc phân bổ theo một mẫu hình nào đó, quy luật nào đó.

 Kiểm định độ tin cậy của thang đo tác giả đã tính toán hệ số Cronbach’s Alpha và hệ số tương quan biến tổng thể. Nhiều nhà nghiên cứu đồng ý rằng hệ số Cronbach Alpha từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Hoàng Trọng - Chu Nguyễn Mộng Ngọc, 2008). Vì vậy đối với nghiên cứu này thì Cronbach Alpha từ 0.6 trở lên là sử dụng được.

 Hệ số tương quan biến tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally &

Burnstein(1994), hệ số tương quan các biến sẽ có các mức độ phân loại như sau:

- ±0,01 đến ±0,1: Mối tương quan quá thấp, không đáng kể - ±0,2 đến ±0,3 : Mối tương quan thấp

- ±0,4 đến ±0,5: Mối tương quan trung bình - ±0,6 đến ±0,7: Mối tương quan cao

- ±0,8 trở lên: Mối tương quan rất cao

Trong đó các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 được coi là biến rác và sẽ bị loại khỏi thang đo.

4.3.2.2. Phân tích chính thức dữ liệu sơ cấp

 Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật sử dụng để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng như tìm ra các mối quan hệ giữa các biến với nhau.

Phép phân tích nhân tố của các khái niệm nghiên cứu được xem xét để cung cấp bằng chứng về giá trị phân biệt và giá trị hội tụ của thang đo. Mức độ thích hợp của tương quan nội tại các biến quan sát trong khái niệm nghiên cứu được thể hiện bằng hệ số KMO (Kaiser – Mever – Olkin). Trị số KMO lớn ( giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.

 Bartlett’s Test of Sphericity, Đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Bartlett’s Test of Sphericity trong phân tích khám phá dùng để xem xét sự thích hợp của phân tích nhân tố. Rút trích nhân tố đại diện bằng các biến quan sát được thực hiện với phép quay Varimax và phương pháp trích nhân tố Principle components.

 Các thành phần với giá trị Eigenvalue lớn hơn 1 và tổng phương sai trích bằng hoặc lớn hơn 50% được xem như những nhân tố đại diện các biến.

 Hệ số tải nhân tố (Factor loading) biểu diễn các tương quan đơn giữa các biến và các nhân tố bằng hoặc lớn 0,5 mới có ý nghĩa.

Từ kết quả phân tích nhân tố khám phá, tác giả sẽ xem xét lại mô hình nghiên cứu giả thiết, cân nhắc việc liệu có phải điều chỉnh mô hình hay không, thêm, bớt các nhân tố hoặc các giá trị quan sát của các nhân tố hay không?

 Hồi quy tuyến tính bội thường được dùng để kiểm định và giải thích lý thuyết nhân quả. Ngoài chức năng là công cụ mô tả, hồi quy tuyến tính bội được sử dụng như công cụ kết luận để kiểm định các giả thuyết và dự báo các giá trị của tổng thể nghiên cứu. Như vậy, đối với nghiên cứu này, hồi quy tuyến tính bội là phương pháp thích hợp để kiểm định các giả thuyết nghiên cứu.

 Phương pháp lựa chọn biến Enter/ Remove được tiến hành. Hệ số xác định R2 điều chỉnh được dùng để xác định độ phù hợp của mô hình, kiểm định F dùng để

khẳng định khả năng mở rộng mô hình này áp dụng cho tổng thể cũng như kiểm định t để bác bỏ giả thuyết các hệ số hồi quy của tổng thể bằng 0.

Khi giải thích về phương trình hồi quy, tác giả đã lưu ý hiện tượng đa cộng tuyến. Các biến mà có sự đa cộng tuyến cao có thể làm bóp méo kết quả làm kết quả không ổn định và không có tính tổng quát hóa. Độ chấp nhận (Tolerance) thường được sử dụng đo lường hiện tượng đa cộng tuyến. Nguyên tắc nếu độ chấp nhận của một biến nhỏ thì nó gần như là một kết hợp tuyến tính của các biến độc lập khá và đó là dấu hiệu của đa cộng tuyến. Cuối cùng, nhằm đảm bảo độ tin cậy của phương trình hồi quy được xây dựng cuối cùng là phù hợp, một loạt các dò tìm sự vi phạm của giả định cần thiết trong hồi quy tuyến tính cũng được thực hiện. Các giả định được kiểm định trong phần này gồm liên hệ tuyến tính (dùng Kiểm định giả thuyết về hệ số hồi qui:

(Mức ý nghĩa =0,05),Kiểm định giả thuyết về hệ số hồi qui j, mục đích là xem xét liệu j có bằng 0 hay không, nếu j=0 thì biến độc lập Xj không có tác động riêng phần đến biến phụ thuộc. Giả thuyết:

H0: j=0; j0,k

H1: j0

Với mức ý nghĩa  miền bác bỏ là:

 







 

value p

t

t /2;(n k)

 Chấp nhận H0: Các biến độc lập Xj không có tác động riêng phần đến biến phụ thuộc

Bác bỏ H0: Các biến độc lập Xj có tác động riêng phần đến biến phụ thuộc

 Kiểm định đa cộng tuyến (sử dụng hồi qui phụ): Kiểm định này nhằm phát hiện ra hiện tượng đa cộng tuyến là hiện tượng mà các biến độc lập có quan hệ tương quan với nhau.Mô hình hồi qui chính:

t i t ki k t

i t

i t

i X X X

Y, 01 1, 2 2, ... , , . Xét các mô hình hồi qui phụ sau: Xj,t

=0+1X1i,t+2X2i,t +…+j-1Xj-1i,t +j+1Xj+1i,t +i,t. Giả thuyết:

H0: Rj2=0: Không có đa cộng tuyến H1: Rj20: Có đa cộng tuyến Với mức ý nghĩa  miền bác bỏ là:

F> F;(k-2,n-k+1) hay p-value<

Chấp nhận H0: Không có đa cộng tuyến giữa Xj với các biến độc lập còn lại.

Chấp nhận H1: Có đa cộng tuyến giữa Xj với các biến độc lập còn lại.

 Kiểm định chi bình phương về phương sai sai số thay đổi (sử dụng hồi qui phụ): Kiểm định này nhằm phát hiện ra phương sai sai số thay đổi; là hiện tượng mà các biến độc lập có quan hệ tương quan với phần dư của mô hình. Mô hình hồi qui chính là : Phần dư của mô hình nghiên cứu bình phương = f(các nhân tố nghiên cứu)

H0: Không có hiện tượng phương sai sai số thay đổi H1: Có hiện tượng phương sai sai số thay đổi

Tiêu chuẩn kiểm định: : LMqs = n*R2 > χ2α (k) => Bác bỏ Ho

Tóm tắt chương 4

Trong chương 3, tác giả đã đi vào trình bày phương pháp nghiên cứu của luận văn.

Dữ liệu nghiên cứu trong mô hình bao gồm cả dữ liệu thứ cấp và dữ liệu sơ cấp. Dữ liệu thứ cấp được thu thập từ báo cáo tài chính và số liệu sơ cấp được thu thập từ bảng hỏi 200 chuyên gia tài chính có mối quan hệ với công ty. Phương pháp phân tích được sử dụng đối với dữ liệu tài chính bao gồm: (1) Phương pháp so sánh; (2) Phương pháp tỷ số; (3) Phương pháp Du-Pont; (4) Ngoài ra trong bài còn sử dụng phương pháp liên hệ cân đối.

Dữ liệu sơ cấp được phân tích thông qua 2 giai đoạn: (1) Giai đoạn phân tích sơ bộ dữ liệu sơ cấp nhằm có được “bức tranh” chung về mẫu nghiên cứu; (2) Phân tích chính thức dữ liệu sơ cấp để phát hiện ra các kết quả nghiên cứu cho đề tài.