6. Kết cấu của đề tài
3.3. Mẫu nghiên cứu
3.3.1. Xác định cỡ mẫu
Do đề tài nghiên cứu được chấp nhận là các doanh nghiệp kinh doanh khách sạn nhà hàng tại Thị xã Cửa Lò nên nghiên cứu sẽ lấy mẫu bằng 70 – 78% trên số doanh nghiệp kinh doanh khách sạn nhà hàng là 280 DN. Như vậy mẫu của mô hình nghiên cứu ký hiệu là N = 210. Với tổng thể và kích cở mẫu như thế có thể đảm bảo giải quyết một phần số liệu cho các nghiên cứu của các đề tài sau này khi phạm vi mở ra cho toàn địa bàn thị xã Cửa Lò nói riêng và Tỉnh Nghệ An nói chung.
3.3.2. Xác định quy cách chọn mẫu
Tác giả chọn mẫu theo cơ cấu cụ thể như sau:
Bảng 3.1: Cơ cấu chọn mẫu
Loại hình DN Số lượng Tỷ lệ Doanh nghiệp NN 30 75% Cty TNHH 70 77.7% Cty Cổ phần 60 75% DNTN 50 71% Tổng số 210
Cơ cấu này phù hợp với thực tế tổng thể các loại hình doanh nghiệp khách sạn nhà hàng tại Cửa Lò và cũng đảm bảo được yếu tố khách quan, đầy đủ và đang dạng của các doanh nghiệp được khảo sát. Qua đó đảm bảo độ chính xác và thực thi của mô hình
3.3.3. Phương pháp thu thập thông tin
Thứ nhất, tác giả thu thập thông tin thông qua khảo sát thực tế và phỏng vấn trực tiếp tại các doanh nghiệp khách sạn, nhà hàng tại Cửa Lò. Như vậy, thông tin sẽ đảm bảo tính thực tế và cập nhật nhất. Ngoài ra, tác giả thu thập các thông tin về các doanh nghiệp qua viễ trao đổi trực tiếp qua thư điện tử.
Thứ hai, tác giả tổng hợp các thông tin từ các báo cáo, các tài liệu lưu trữ tại các phòng, ban, cục tại địa phương thị xã Cửa Lò lien quan đến hoạt động kinh doanh của các doanh nghiệp khác sạn, nhà hàng tại Cửa Lò.
Thứ ba, tác giả tìm kiếm các bài viết trên mạng Internet, từ các trang dulichcualo.com, các trang thông tin của thị xã Cửa Lò… và các bài nghiên cứu trước
để có được những thông tin đầy đủ và cập nhật để phục vụ việc nghiên cứu đề tài của tác giả.
Thứ tư, đối với các thông tin về doanh thu, chi phí, lợi nhuận, các khoản đóng góp ngân sách của Doanh nghiệp, tác gia đã trực tiếp khai thác trên cớ sở dữ liệu lưu tại cơ quan thuế.
3.3. Phương pháp phân tích số liệu
3.3.1. Phương pháp phân tích độ tin cậy của thang đo
Phương pháp phân tích độ tin cậy Cronbach alpha là công cụ giúp loại đi những biến quan sát, những thang đo không đạt yêu cầu. Các biến quan sát có hệ số tương quan biến - tổng (item-total correlation) nhỏ hơn 0,30 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach alpha là từ 0,60 trở lên (Nunnally & Burnstein 1994). Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005) cho rằng nhiều nhà nghiên cứu đồng ý rằng cronbach alpha từ 0,80 đến 1 là thang đo lường tốt, từ 0,70 đến 0,80 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach alpha từ 0,60 trở lên là 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.
3.3.2. Phương pháp phân tích nhân tố
a) Khái niệm: 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 là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản. Vì vậy, phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
b) Mô hình phân tích nhân tố
Một số tiêu chuẩn mà các nhà nghiên cứu thường quan tâm khi phân tích nhân tố khám phá (EFA).
Thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin)3 ≥ 0,50, mức ý nghĩa của kiểm định Bartlett ≤ 0,05.
Thứ hai, hệ số tải nhân tố (Factor Loading) ≥ 0,50, nếu biến quan sát nào có hệ số tải nhân tố < 0,50 sẽ bị loại.
Thứ ba, thang đo được chấp nhận khi tổng phương sai trích ≥ 50%. Thứ tư, hệ số eigenvalue phải có giá trị ≥ 1 (Gerbing & Anderson 1988). Thứ năm, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,30 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun &Al-Tamimi 2003)
c) Quy trình phân tích nhân tố Bước 1: Xác định vấn đề
Xác định vấn đề nghiên cứu gồm có nhiều bước. Đầu tiên, ta phải nhận diện các mục tiêu của phân tích nhân tố cụ thể là gì. Các biến tham gia vào phân tích nhân tố phải được phân tích dựa vào các nghiên cứu trong quá khứ, phân tích lý thuyết và đánh giá của các nhà nghiên cứu. Một vấn đề là các biến này phải được đo lường một cách thích hợp bằng thang đo định lượng và cỡ mẫu phải đủ lớn. Thông thường thì số quan sát ít nhất phải bằng 4 hoặc 5 lần số biến trong phân tích nhân tố.
Bước 2: Xây dựng ma trận tương quan
Quá trình phân tích được dựa trên ma trận tương quan của các biến này. Để có thể áp dụng được phân tích nhân tố thì các biến phải có liên hệ với nhau. Trong thực tế thì thường chúng ta luôn có điều này. Nếu hệ số tương quan giữa các biến nhỏ, phân tích nhân tố có thể không thích hợp. Chúng ta trông chờ rằng các biến này có tương quan chặt chẽ với nhau và như vậy sẽ tương quan chặt với cùng một hay nhiều nhân tố.
Chúng ta có thể sử dụng Bartlett's test of sphericity để kiểm định giả thuyết không (H0) là các biến không có tương quan với nhau trong tổng thể, nói cách khác là ma trận tương quan tổng thể là một ma trận đơn vị trong đó các giá trị trên đường chéo đều bằng một còn các giá trị nằm ngoài đường chéo đều bằng 0: Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng Chi-square từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì ta càng có nhiều khả năng bác bỏ giả thuyết H0 này. Nếu giả thuyết H0 không thể bị bác bỏ thì phân tích nhân tố rất có khả năng không thích hợp.
Bước 3: Số lượng nhân tố
Chúng ta có thể tính ra một số lượng nhân tố nhiều bằng số biến. Nhưng làm như vậy thì không có tác dụng gì cho mục đích tóm tắt thông tin. Để tóm tắt thông tin
chứa đựng trong các biến gốc, chúng ta cần rút ra số lượng nhân tố ít hơn số biến. Vấn đề là xác định có bao nhiêu nhân tố? Có 5 phương pháp nhằm xác định số lượng nhân tố: xác định từ trước, dựa vào eigenvalue, biểu đồ dốc, phần trăm biến thiên giải thích được, chia đôi mẫu, kiểm định mức ý nghĩa. Ta tìm hiểu cụ thể hai phương pháp:
- Phương pháp xác định từ trước: đôi khi từ kinh nghiệm và hiểu biết của mình, từ phân tích lý thuyết hay từ kết quả của các cuộc nghiên cứu trước,… người nghiên cứu biết được có bao nhiêu nhân tố có thể rút ra và như vậy có thể chỉ định trước số lượng nhân tố có thể rút ra. Từ đó, có thể chỉ định trước số lượng nhân tố có thể rút ra để báo cho chương trình máy tính.
- Phương pháp dựa vào eigenvalue: chỉ có nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. 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 biến gốc vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
Bước 4: Xoay nhân tố
Một phần quan trọng trong kết quả phân tích nhân tố là ma trận nhân tố. Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố. Những hệ số này (factor loading) biểu diễn tương quan giữa nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có quan hệ chặt chẽ với nhau. Các hệ số này dùng để giải thích các nhân tố.
Mặc dù ma trận nhân tố ban đầu hay ma trận không xoay này cho thấy được mối quan hệ giữa các nhân tố và từng biến một nhưng nó ít khi tạo ra những nhân tố có thể giải thích được một cách dễ dàng bởi các nhân tố có tương quan với nhiều biến. Trong những ma trận phức tạp việc giải thích kết quả khó khăn hơn. Vì vậy, thông qua việc xoay các nhân tố, ma trận nhân tố sẽ trở nên đơn giản hơn và dễ giải thích hơn. Khi xoay nhân tố, chúng ta muốn mỗi nhân tố có hệ số khác không (tức có ý nghĩa) chỉ trong vài biến mà thôi. Tương tự, chúng ta cũng muốn mỗi biến chỉ có hệ số khác không chỉ với vài nhân tố hay nếu có thể chỉ với một nhân tố mà thôi. Nếu nhiều nhân tố có hệ số lớn trong cùng một biến, chúng ta cũng khó mà giải thích được. Việc xoay nhân tố không có ảnh hưởng đến communality và phần trăm của toàn bộ phương sai được giải thích. Tuy nhiên, phần trăm phương sai được giải thích
bởi từng nhân tố có thay đổi. Phần trăm được giải thích bởi từng nhân tố sẽ được phân phối lại khi xoay nhân tố. Vì vậy, các phương pháp xoay khác nhau sẽ nhận diện những nhân tố khác nhau.
Bước 5: Đặt tên và giải thích các nhân tố
Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến có hệ số tải lớn ở cùng một nhân tố. Như vậy, nhân tố này có thể được giải thích bằng các biến có hệ lớn đối với bản thân nó.
3.3.3. Phương pháp phân tích tương quan
Sử dụng phần mềm SPSS để kiểm định sự tương quan giữa các biến độc lập với nhau và giữa biến độc lập với biến phụ thuộc. Để từ đó xem xét cá biến độc lập hay các nhân tố nào giữ sự ảnh hưởng đến biến phụ thuộc và có thể đưa vào mô hình một cách hiệu quả. Phương pháp phân tích tướng quan đóng một vai trò quan trọng trong việc chọn hay loại bỏ các nhân tố ảnh hưởng.
3.3.4. Phương pháp phân tích hồi quy a/ Khái niệm a/ Khái niệm
Phân tích hồi quy là nghiên cứu sự phụ thuộc của một biến (biến phụ thuộc hay biến được giải thích) vào một hay nhiều biến khác (biến độc lập hay biến giải thích) với ý tưởng cơ bản là ước lượng hay dự đoán giá trị trung bình của biến phụ thuộc trên cơ sở đã biết của biến độc lập.
Phương pháp phân tích hồi quy là một trong những phương pháp cơ bản và quan trọng nhất khi xây dựng một mô hình các nhân tố ảnh hưởng đến kết quả kinh doanh của các doanh nghiệp nhà hàng khách sạn tại Cửa Lò. Trong mô hình, phương pháp phân tích hồi quy được sử dụng để dự đoán giá trị của kết quả kinh doanh, cụ thể chính là Doanh thu, lợi nhuận, Tỷ suất lợi nhuận trên doanh thu của các doanh nghiệp khách sạn nhà hàng tại Cửa Lò dựa trên các biến độc lập ( biến nguyên nhân) cụ thể như:
- Mức độ tiếp cận các chính sách hỗ trợ của các doanh nghiệp khách sạn nhà hàng tại Cửa Lò.
- Tuổi doanh nghiệp tức là số năm hoạt động của các doanh nghiệp này. - Trình độ học vấn của các chủ doanh nghiệp
- Quy mô doanh nghiệp
- Vốn xã hội, mối quan hệ của các DN với các hiệp hội và tổ chức tín dụng
b/ Các mô hình hồi qui cơ bản
- Một là mô hình hồi quy tuyến tính thuận
Hình 3.1 Mô hình hồi quy tuyến tính thuận - Hai là mô hình hồi quy tuyến nghịch
Hình 3.2 Mô hình hồi quy tuyến tính nghịch - Mối liên hệ không tuyến tính
- Không có mối liên hệ
Hình 4.4 Mô hình không có mối liên hệ giữa các biến
c) Xây dựng mô hình hồi quy
Các bước xây dựng mô hình:
Bước 1: Xem xét ma trận hệ số tương quan
Để xem xét mối quan hệ giữa biến phụ thuộc và các biến độc lập thông qua xây dựng ma trận tương quan. Đồng thời ma trận tương quan là công cụ xem xét mối quan hệ giữa các biến độc lập với nhau nếu các biến này có tương quan chặt thì nguy cơ xảy ra hiện tượng đa cộng tuyến cao dẫn đến việc vi phạm giả định của mô hình.
Bước 2: Đánh giá độ phù hợp của mô hình
Thông qua hệ số R2 ta đánh giá độ phù hợp của mô hình xem mô hình trên giải thích bao nhiêu % sự biến thiên của biến phụ thuộc.
R2 =
TSS ESS
ESS: tổng bình phương tất cả các sai lệch giữa giá trị dự đoán của Yi và giá trị trung bình của chúng.
TSS: tổng bình phương sai lệch giữa giá trị Yi và giá trị trung bình của chúng. Khi đưa càng nhiều biến vào mô hình thì hệ số này càng cao. Tuy nhiên, R2 ở hồi quy bội không phản ánh đúng sự phù hợp của mô hình như trong mô hình hồi quy đơn. Lúc này, ta phải sử dụng R2 điều chỉnh để đánh giá sự phù hợp của mô hình.
2 R = 1- (1 - R2 ) k n n 1
Sử dụng kiểm định F để kiểm định với giả thiết Ho: B1 = B2 = Bn = 0
Nếu giả thiết này bị bác bỏ thì ta có thể kết luận mô hình ta xây dựng phù hợp với tập dữ liệu.
Bước 4: Xác định tầm quan trọng của các biến
Ý tưởng đánh giá tầm quan trọng tương đối của các biến độc lập trong mô hình thông qua xem xét mức độ tăng của R2 khi một biến giải thích được đưa thêm vào mô hình. Nếu mức độ thay đổi này mà lớn thì chứng tỏ biến này cung cấp thông tin độc nhất về sự phụ thuộc mà các biến khác trong phương trình không có được. Ta đánh giá tầm quan trọng của một biến thông qua hai hệ số:
Hệ số tương quan từng phần: căn bậc hai của R2 change. Thể hiện mối tương quan giữa biến Y và X mới đưa vào. Tuy nhiên, sự thay đổi của R2 không thể hiện tỉ lệ phần biến thiên mà một mình biến đó có thể giải thích. Lúc này, ta sử dụng hệ số tương quan riêng bằng căn bậc hai của Prk
2 , Prk 2 = k 2 k 2 R 1 R R 2 .
Bước 5: Lựa chọn biến cho mô hình
Đưa nhiều biến độc lập vào mô hình hồi quy không phải lúc nào cũng tốt vì những lý do sau (trừ khi chúng có tương quan chặt với biến phụ thuộc):
- Mức độ tăng R2 quan sát không hẳn phản ảnh mô hình hồi quy càng phù hợp hơn với tổng thể.
- Đưa vào các biến không thích đáng sẽ làm tăng sai số chuẩn của tất cả các ước lượng mà không cải thiện được khả năng dự đoán.
- Mô hình nhiều biến thì khó giải thích và khó hiểu hơn mô hình ít biến.
Ta sử dụng SPSS để giải quyết vấn đề trên. Các thủ tục chọn biến trên SPSS: phương pháp đưa vào dần, phương pháp loại trừ dần, phương pháp từng bước (là sự kết hợp của hai phương pháp loại trừ dần và đưa vào dần).
Bước 6: Dò tìm sự vi phạm các giả các giả thiết (đã nêu ở trên bằng các xử lý của SPSS).
Ngoài ra, còn sử dụng phân tích chi bình phương một mẫu để tìm ra quy luật phân phối của mẫu và đánh giá độ tin cậy của thang đo thông qua hệ số Crobach’