5. Bố cục của luận văn
2.2.4. Phương pháp phân tích thông tin
2.2.4.1. Phương pháp thống kê mô tả
Phương pháp này được sử dụng trong việc mô tả điều kiện tự nhiên, điều kiện kinh tế - xã hội của địa bàn nghiên cứu, đặc điểm của mẫu điều tra… sử dụng các chỉ tiêu như số bình quân, số phần trăm…
2.2.4.2. Thang đo Likert
Thang đo Likert được sử dụng trong phân tích mức độ ảnh hưởng của các nhân tố đến sự hài lòng của NNT do Chi cục Thuế huyện Na Hang, tỉnh Tuyên Quang trực tiếp quản lý. Thang đo Likert được đánh giá theo 5 mức độ:
Mức 1: Hoàn toàn không đồng ý Mức 2: Không đồng ý
Mức 3: Không ý kiến Mức 4: Đồng ý
Mức 5: Hoàn toàn đồng ý
Giá trị trung bình đối với thang đo được tính theo giá trị khoảng cách (Maximum-minimum)/n = (5-1)/5 = 0.8 giữa các mức đánh giá. Với thang đo mức độ có thể cho biết các mức đánh giá như sau :
Với giá trị từ 1 đến 1,80 được đánh giá là hoàn toàn không đồng ý; Với giá trị từ 1,81 đến 2,60 được đánh giá là không đồng ý;
Với giá trị từ 2,61 đến 3,40 được đánh giá là không ý kiến; Với giá trị từ 3,41 đến 4,20 được đánh giá là đồng ý;
Với giá trị từ 4,21 đến 5 được đánh giá là hoàn toàn đồng ý;
2.2.4.3. Phương pháp phân tích các nhân tố khám phá
- Sử dụng hệ số tin cậy Cronbachs Alpha để kiểm định mức độ chặt chẽ và sự tương quan giữa các biến quan sát trong mô hình nghiên cứu.
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach Alpha. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ
số Cronbach Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp nghiên cứu khái niệm mới (Nunnally, 1978 ; Peterson, 1994 ; Slater, 1995). Thông thường, thang đo có Cronbach Alpha từ 0,7 đến 0,8 là sử dụng tốt. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo lường tốt.
- Sử dụng mô hình phân tích nhân tố khám phá (Exploratory factor analysis - EFA) để kiểm định các yếu tố ảnh hưởng và nhận diện các yếu tố được cho là phù hợp với mức độ hài lòng của người nộp thuế.
Phương pháp phân tích nhân tố khám phá EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phục thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau.
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach Alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Cơ sở của việc rút gọn này là dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và sử dụng để tìm mối quan hệ giữa các biến với nhau.
Theo Hari & ctg (1998, 111), hệ số nhân tố (Factor loading) là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA :
+ Hệ số tải các nhân tố > 0,3 được xem là đạt mức tối thiểu + Hệ số tải các nhân tố > 0,4 được xem là quan trọng
+ Hệ số tải các nhân tố > 0,5 được xem là có ý nghĩa thực tiễn
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 thì phân tích này mới thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Ngoài ra, phân tích nhân tố còn dựa vào ergenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình (Gerbing & Anderson, 1988).
Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố được xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có quan hệ chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp phân tích nhân tố principal components với phép xoay Varimax nên các hệ số tải nhân tố phải có trọng số lớn hớn >=0,5 thì mới có ý nghĩa thực tiễn.
2.2.4.4. Hồi quy tuyến tính bội
Mô hình hồi quy tuyến tính bội được sử dụng để xác định các yếu tố ảnh hưởng và mức độ ảnh hưởng của các yếu tố này đến mức độ hài lòng của người nộp thuế đối với chất lượng phục vụ của Chi cục Thuế huyện Na Hang và đảm bảo có ý nghĩa thống kê.
Sau khi rút trích được các nhân tố từ phân tích nhân tố khám phá EFA, phân tích ma trận tương quan, hồi quy tuyến tính bội, kiểm tra hệ số phóng đại phương sai VIF (Variance inflatinon factor - VIF). Nếu các giả định về đa cộng tuyến không bị vi phạm, mô hình hồi quy tuyến tính bội được xây dựng. Và hệ số R2 đã được điều chỉnh (adjusted R square) cho biết mô hình hồi quy được xây dựng phù hợp đến mức nào.
Từ mô hình hồi quy chúng ta tiến hành đánh giá độ phù hợp của mô hình và kiểm định các giả thuyết kỳ vọng