- Kiểm định mô hình Kiểm định giả thuyết.
2.3.3. Phương pháp phân tích số liệu
2.3.3.1. Phương pháp phân tích độ tin cậy của thang đo
Những mục hỏi đo lƣờng cùng một khái niệm tiềm ẩn thì phải có mối liên quan với những cái còn lại trong nhóm đó. Hệ số của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tƣơng quan với nhau.
Công thức của hệ số Cronbach Alpha là: = N/[1 + (N – 1)]
Trong đó: là hệ số tƣơng quan trung bình giữa các mục hỏi.
Phƣơng pháp này cho phép ngƣời 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 bằng hệ số thông qua hệ số Cronbach alpha. Những biến có hệ số tƣơng 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 đƣợc trong trƣờng hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thƣờng, thang đo có Cronbach
alpha từ 0.7 đến 0.8 là sử dụng đƣợc. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lƣờng tốt.
2.3.3.2. Phương pháp thống kê mô tả
a. Khái niệm thống kê mô tả
Thống kê mô tả đƣợc sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập đƣợc từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thƣớc đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lƣợng về số liệu. Bƣớc đầu tiên để mô tả và tìm hiểu về đặc tính phân phối của một bảng số liệu thô là lập bảng phân phối tần số. Sau đó, sử dụng một số hàm để làm rõ đặc tính của mẫu phân tích. Để hiểu đƣợc các hiện tƣợng và ra quyết định đúng đắn, cần nắm đƣợc các phƣơng pháp cơ bản của mô tả dữ liệu. Có rất nhiều kỹ thuật hay đƣợc sử dụng, có thể phân loại các kỹ thuật này nhƣ sau:
- Biểu diễn dữ liệu bằng đồ họa trong đó các đồ thị mô tả dữ liệu hoặc giúp so sánh dữ liệu;
- Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu;
- Thống kê tóm tắt (dƣới dạng các giá trị thống kê đơn nhất) mô tả dữ liệu. b. Các đại lƣợng thống kê mô tả
- Mean: Số trung bình cộng. - Sum: Tổng cộng.
- Std.deviation: Độ lệch chuẩn.
- Minimum, maximum: Giá trị nhỏ nhất, giá trị lớn nhất. - df: Tần số.
- Std error: Sai số chuẩn.
- Median: Là lƣợng biến của tiêu thức của đơn vị đứng ở vị trí giữa trong dãy số lƣợng biến, chia số lƣợng biến thành hai phần (phần trên và phần dƣới) mỗi phần có cùng một số đơn vị bằng nhau.
- Mode: Là biểu hiện của tiêu thức đƣợc gặp nhiều nhất trong tổng thể hay trong dãy phân phối. Trong dãy lƣợng biến, mode là lƣợng biến có tần số lớn nhất.
2.3.3.3. Phương pháp phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu sau khi đã đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không đảm bảo độ tin cậy. Trong nghiên cứu, chúng ta có thể thu thập đƣợc một số lƣợng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lƣợng của chúng phải đƣợc giảm bớt xuống đến một số lƣợng mà chúng ta có thể sử dụng đƣợc. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau đƣợc xem xét và trình bày dƣới dạng một số ít các nhân tố cơ bản. Vì vậy, phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
b. Mô hình phân tích nhân tố
Về mặt tính toán, phân tích nhân tố hơi giống phân tích hồi quy bội ở chỗ mỗi biến đƣợc biểu diễn nhƣ là một kết hợp tuyến tính của các nhân tố cơ bản. Lƣợng biến thiên của một biến đƣợc giải thích bởi những nhân tố chung trong phân tích gọi là communality. Biến thiên chung của các biến đƣợc mô tả bằng một số ít các nhân tố chung cộng với một nhân tố đặc trƣng cho mỗi biến. Những nhân tố này không bộc lộ rõ ràng.
Nếu các biến đƣợc chuẩn hóa thì mô hình nhân tố đƣợc thể hiện bằng phƣơng trình:
Xi = Ai1F1 + Ai2F2 + Ai3F3 + … + AimFm+ViUi
Trong đó:
Xi: biến thứ i đƣợc chuẩn hóa.
Aim: Hệ số hồi quy bội chuẩn hóa của nhân tố m đối với biến i. Fi: Nhân tố chung.
Vi: Các hệ số hồi quy chuẩn hóa của nhân tố đặc trƣng i đối với biến i. Ui : Nhân tố đặc trƣng của biến i.
m: Số nhân tố chung.
Các nhân tố đặc trƣng có tƣơng quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể diễn tả nhƣ những kết hợp tuyến tính của các biến quan sát:
Trong đó:
Fi: Ƣớc lƣợng trị số của nhân tố thứ i. Wi : Quyền số hay trọng số nhân tố. k : Số biến.
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích đƣợc phần biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta chọn một tập hợp các quyền số thứ hai sao cho nhân tố thứ hai giải thích đƣợc phần lớn biến thiên còn lại và không có tƣơng quan với nhân tố thứ nhất.
Nguyên tắc này đƣợc áp dụng nhƣ vậy để tiếp tục chọn quyền số cho các nhân tố tiếp theo. Do vậy, các nhân tố đƣợc ƣớc lƣợng sao cho các quyền số của chúng, không giống nhƣ các giá trị của các biến gốc, là không tƣơng quan với nhau. Hơn nữa, nhân tố thứ nhất giải thích đƣợc nhiều nhất biến thiên của dữ liệu, nhân tố thứ hai giải thích đƣợc nhiều thứ nhì…
c. Các tham số trong phân tích nhân tố: