Phân tích số liệu cho nghiên cứu “Các nhân tố ảnh hưởng đến quyết định mua xe máy của người tiêu dùng- khu vực thành phố Nha Trang” gồm các bước sau:
Bước 1: Thống kê mô tả mẫu nghiên cứu
Đầu tiên, tác giả phân tích thống kê mô tả cho mẫu nghiên cứu. Mục đích nhằm phân tích sơ bộ dữ liệu, mô tả những đặc điểm của mẫu. Một số đại lượng sử dụng trong phương pháp thống kê mô tả : mean, mode, sum, st.deviation (σ), range (R=xmax-xmin), max và min, … Trong nghiên cứu này, tác giả thống kê về độ tuổi, trình độ học vấn, tình trạng hôn nhân, mức thu nhập hàng tháng, nghề nghiệp, nhãn hiệu xe sử dụng.
Bước 2: Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s alpha
Sau khi phân tích phân tích thống kê mô tả cho mẫu nghiên cứu, tác giả đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s alpha để đánh giá độ tin cậy của các thang đo: “nhu cầu”; “yếu tố xã hội gồm gia đình và nhóm tham khảo”; bốn giá trị cảm nhận gồm “giá trị chất chất lượng”, “giá trị tính theo giá”, “giá trị cảm xúc”, “giá trị xã hội” và thang đo “quyết định mua hàng”.
Ý nghĩa của hệ số Cronbach Alpha: Cronbach alpha (ký hiệu: α) là hệ số đánh giá độ tin cậy của thang đó tổng, cho phép kiểm định xem các mục hỏi, câu hỏi có liên kết, đo lường rõ ràng một tiêu chuẩn nào đó hay không.
Ý nghĩa của hệ số tương quan biến – tổng: là hệ số để xem xét tương quan của một biến đo lường nào đó với tổng các biến còn lại của thang đo.
Với Cronbach’s Alpha sẽ giúp loại đi những biến quan sát không đạt yêu cầu hay các thang đo chưa đạt yêu cầu cho quá trình nghiên cứu. Các biến quan sát có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại và tiêu chuẩn để thang đo đạt yêu cầu khi Cronbach’s Alpha lớn hơn 0,6 trở lên (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2004). Các nhà nghiên cứu cho rằng Cronbach’s Alpha từ 0,8 đến 1 thì thang đo lường này tốt, từ 0,7 đến 0,8 là sử dụng được. Tuy nhiên nhiều tác giả cho rằng Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp các khái niệm nghiên cứu là mới hoặc mới đối với người trả lời (Theo Hoàng Trọng & Chu Mộng Ngọc, 2005).
Bước 3: Phân tích khám phá (EFA)
Với kỹ thuật đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s alpha, tác giả sẽ loại đi các biến quan sát không phù hợp trong từng thang đo và các biến quan sát tốt sẽ được đưa vào để tiếp tục phân tích nhân tố EFA. Phân tích nhân tố được thực hiện với các biến quan sát của biến độc lập và các biến quan sát của biến phụ thuộc để rút ra được các nhân tố tiếp tục được đưa vào để phân tích tương quan và phân tích hồi qui ở phần sau.
Khi phân tích yếu tố khám phá EFA, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn như sau:
Một là, hệ số KMO (Kaiser-Meyer-Olkin)8 >=0.5, mức ý nghĩa của kiểm định
8
KMO là một chỉ tiêu dùng để xem xét thích hợp của EFA, 0.5 <=KMO<=1 thì phân tích yếu tố khám phá là thích hợp. kiểm đỉnh Bartlett xem xét giả thuyết về sự tương quan giữa các biến quan sát bằng không trong tổng
Bartlett <= 0,5. Hai là, số tải nhân tố (Factors loading) >=0.5, nếu biến quan sát nào có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại (Hair &ctg, 1998). Ba là, thang đo được chấp nhập thì tổng phương sai trích >= 50%. Bốn là hệ số Eigenvalue có giá trị lớn hơn 1. Năm là, các điểm số nhân tố tổng hợp được ước lượng cho từng quan sát trên các nhân tố được rút ra (còn được gọi là nhân số) >= 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2004).
Khi phân tích EFA đối với thang đo về các yếu tố ảnh hưởng đến hành vi tiêu dùng, tác giả sử dụng phương pháp trích Principal Component Analysis với phép xoay Varimax và điểm dừng khi trích các yếu tố có Engenvalue lớn hơn 1.
Bước 4: Phân tích tương quan và hồi quy
Từ kết quả có được của phân tích nhân tố, bước tiếp theo tác giả sẽ tiến hành phân tích tương quan giữa các biến độc lập với biến phụ thuộc và phân tích tương quan giữa các biến độc lập với nhau. Mục tiêu của phân tích tương quan là xác định mối tương quan giữa các biến để xem có hiện tượng đa cộng tuyến giữa các biến độc lập xảy ra hay không (nếu hệ số tương quan giữa các biến lớn gần bằng 1: xảy ra hiện tượng đa công tuyến) và các biến độc lập này khi đưa vào mô hình thì có giải thích được cho biến phụ thuộc hay không (hệ số tương quan giữa biến phụ thuộc và biến độc lập lớn hơn 0).
Tiếp theo, tác giả tiến hành phân tích hồi qui để xây dựng mô hình hồi qui, xác định các biến độc lập nào có tác động đến biến phụ thuộc và các biến độc lập này giải thích được bao nhiêu phần trăm sự thay đổi của biến phụ thuộc.
Bước 5: Kiểm định sự phù hợp của mô hình
Sau khi có kết quả mô hình hồi qui đa biến, tác giả tiến hành kiểm định sự phù hợp của mô hình qua các phép kiểm định sau:
- Kiểm định liên hệ tuyến tính giữa các biến độc lập và biến phụ thuộc: tác giả sử dụng phương pháp vẽ đồ thị phân tách giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa để kiểm định mối liên hệ tuyến tính giữa các biến độc lập và biến phụ thuộc.
- Kiểm định tự tương quan trong phần dư: Để xác định mô hình xây dựng được có khả năng dự báo tốt. Yêu cầu của kiểm định này là các phần dư phải độc lập, không có quan hệ với nhau. Tác giả dùng thống kê kiểm định d của Durbin-Watson
thể. Nếu kiểm định này có ý nghĩa thống kê (Sig<=0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Mộng Ngọc, 2005).
Trong thực tế, khi tiến hành kiểm định Durbin-Watson người ta thường áp dụng quy tắc kiểm định đơn giản như sau:
- Nếu 1 < d < 3 thì kết luận mô hình không có tự tương quan. - Nếu 0 < d < 1 thì kết luận mô hình có tự tương quan dương. - Nếu 3 < d < 4 thì kết luận mô hình có tự tương quan âm.
- Kiểm định đa cộng tuyến: Đối với kiểm định này ta chỉ xét tương quan giữa các biến độc lập với nhau, để kiểm tra xem các biến độc lập có trùng nhau không hay xét tính độc lập giữa các biến độc lập. Dựa vào bảng tính hệ số hồi qui, từ giá trị hệ số phóng đại phương sai (VIF) của các biến độc lập thì ta có thể kết luận mô hình không xảy ra hiện tượng đa cộng tuyến hay không.
- Kiểm định phương sai của sai số không đổi: Tác giả sử dụng kiểm định tương quan hạng Spearman để kiểm định phương sai của sai số không đổi. Phương sai của sai số là không đổi khi hệ số tương quan hạng tổng thể giữa phần dư và các biến độc lập khác không.
- Kiểm định phân phối chuẩn phần dư: Tác giả sử dụng phương pháp xây dựng biểu đồ tần số của các phần dư để kiểm định phân phối chuẩn phần dư. Kiểm định này nhằm đảm bảo các ước lượng OLS là tuyến tính, không chệch thì các phần dư ei phải có phân phối chuẩn. Nếu các giá trị Mean ≈ 0 và Std.Dev ≈ 1 thì kết luận phần dư có phân phối chuẩn hay mô hình được xây dựng đã chuẩn hoá.
Bước 6: Phân tích ANOVA
Mục đích phân tích ANOVA: Phân tích phương sai (ANOVA- Analysis of Variance) là phương pháp kiểm định giả thuyết về sự bằng nhau của hai trung bình hay nhiều hơn dựa trên đại lượng thống kê F.
ANOVA một nhân tố (One-Way ANOVA) là phương pháp kiểm định ảnh hưởng của một biến độc lập (nhân tố) lên biến phụ thuộc.
Điều kiện áp dụng phương pháp: Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên.Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem xét như tiệm cận phân phối chuẩn.Phương sai của các nhóm so sánh phải đồng nhất.