8. Kết cấu của đề tài
2.5.2.Kiểm định thang đo
Thang đo là công cụ dùng để mã hoá các biểu hiện khác nhau của các đặc trưng nghiên cứu. Để thuận lợi cho việc xử lý dữ liệu trên máy vi tính người ta thường mã hoá thang đo bằng các con số hoặc bằng các ký tự. Việc thiết kế thang đo giúp ta có thể đo lường được các đặc tính của sự vật (chiều cao, cân nặng, mức độ hài lòng của người tiêu dùng đối với 1 sp,…), phục vụ cho việc phân tích định lượng các vấn đề nghiên cứu, mặt khác tạo thuận lợi cho việc thiết kế bảng câu hỏi phục vụ cho việc điều tra và cho việc xử lý dữ liệu.
- Kiểm tra độ tin cậy bằng hệ số Cronbach’s Alpha.
Các thang đo trong nghiên cứu thường được đánh giá thông qua phương pháp hệ số tin cậy Cronbach Alpha. Tiêu chuẩn để đánh giá một thang đo đạt tiêu chuẩn là: trong phân tích Cronbach’s Alpha: α > 0.6, hệ số tương quan biến tổng > 0.3 (Nunnally & Burnstein, 1994). Tuy nhiên cũng cần lưu ý rằng nếu Cronbach’s Alpha quá cao (> 0.95) thì có khả năng xuất hiện biến quan sát thừa ở trong thang đo. Biến quan sát thừa là biến đo lường một khái niệm hầu như trùng với biến đo lường khác, tương tự như trường hợp đa cộng tuyến trong hồi quy, khi đó biến thừa nên được loại bỏ.
- Phân tích nhân tố khám phá EFA.
Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
Các tác giả Mayers, L.S, Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA.
• Factor loading > 0.3 được xem là đạt mức tối thiểu • Factor loading > 0.4 được xem là quan trọng
• Factor loading > 0.5 được xem là có ý nghĩa thực tiễn.
2.5.3. Phân tích tương quan- hồi quy * Phân tích tương quan
- Phân tích định tính về bản chất của mỗi quan hệ, đồng thời dùng phương pháp phân tổ hoặc đồ thị để xác định tính chất và xu thế của mỗi quan hệ đó.
- Biểu hiện cụ thể mỗi liên hệ tương quan bằng phương trình hồi quy tuyến tính hoặc phi tuyến tính và tính các tham số của các phương trình.
- Đánh giá mức độ chặt chẽ của mỗi liên hệ tương quan bằng các hệ số tương quan hoặc tỉ số tương quan.
* Phân tích hồi qui
Đây là một phương pháp thống kê mà giá trị kỳ vọng của một hay nhiều biến ngẫu nhiên được dự đoán dựa vào điều kiện của các biến ngẫu nhiên (đã tính toán) khác. Cụ thể, có hồi qui tuyến tính, hồi qui lôgic, hồi qui Poisson và học có giám sát. Phân tích hồi qui không chỉ là trùng khớp đường cong (lựa chọn một đường cong mà vừa khớp nhất với một tập điểm dữ liệu); nó còn phải trùng khớp với một mô hình với các thành phần ngẫu nhiên và xác định. Thành phần xác định được gọi là bộ dự đoán và thành phần ngẫu nhiên được gọi là phần sai số.
Hồi qui có thể được biểu diễn bằng phương pháp hàm hợp lý ước lượng các tham số của một mô hình nào đó. Tuy nhiên, với một lượng nhỏ dữ liệu, ước lượng này có thể có phương sai lớn. Các phương pháp Bayesian có thể được sử dụng để ước lượng các mô hình hồi qui. Các tham số có một phân phối điều kiện được giả định trước, nó bao gồm mọi thông tin thống kê đã biết trước về các biến. (Ví dụ, nếu một tham số được biết là không âm thì một phân phối không âm sẽ được gán cho nó). Phân phối được giả định trước này sau đó được áp dụng cho vector tham số. Phương pháp
Bayes có ưu điểm là khai thác được toàn bộ các thông tin đã có và nó là ước lượng chính xác, không phải ước lượng chệch và do đó rất tốt cho các tập số liệu nhỏ. Trong thực hành, người ta sử dụng phương pháp MAP maximum a posteriori, phương pháp này đơn giản hơn phân tích Bayes đầy đủ, trong đó các tham oố dược chọn sao cho cực đại hóa phân phối giả định trước posterior. Các phương pháp MAP có liên hệ với Occam's Razor: ở chỗ có sự ưu tiên cho sự đơn giản, khi có nhiều mô hình hồi qui (đường cong) cũng như khi có nhiều lí thuyết thì chọn cái đơn giản.
2.5.4. Phân tích ANOVA
ANOVA là kỹ thuật thống kê được sử dụng khi chúng ta muốn so sánh số trung
bình của ≥ 3 nhóm. Kỹ thuật này chia phưong sai của 1 quan sát thành 2 phần: phương sai giữa các nhóm và phương sai nội nhóm. Do phưong sai là độ phân tán tương đối của các quan sát so với số trung bình nên việc phân tích phương sai giúp so sánh các số trung bình dễ dàng (bên cạnh việc so sánh các phương sai).
Phần này chỉ đề cập đến ANOVA một chiều (one-way ANOVA) theo đó các nhóm được so sánh dựa trên 1 biến số (yếu tố).
ANOVA xem xét biến thiên của tất cả các quan sát với số đại trung bình và phân chúng ra làm 2: biến thiên nội nhóm và biến thiên giữa các nhóm. Nếu số trung bình của các nhóm khác nhau nhiều thì sự biến thiên giữa chúng và đại trung bình (biến thiên giữa các nhóm) sẽ đáng kể hơn so với các biến thiên giữa các quan sát trong 1 nhóm với trung bình của nhóm (biến thiên nội nhóm). Nếu số trung bình của các nhóm không khác nhau nhiều thì biến thiên giữa các nhóm sẽ không lớn hơn so với biến thiên nội nhóm. Phép kiểm định giả thuyết về 2 phương sai, F test, có thể được sử dụng để kiểm định tỉ số phương sai giữa các nhóm và phương sai nội nhóm.Giả thuyết trống của F test cho rằng 2 phương sai này bằng nhau; nếu đúng thì có nghĩa là biến thiên giữa các nhóm sẽ không lớn hơn so với biến thiên nội nhóm. Trong tình huống này, không thể kết luận là các trung bình khác lẫn nhau (không có 1 cặp trung bình nào khác nhau).Ngược lại, nếu từ chối được thì kết luận được là không phải tất cả các trung bình đều bằng nhau (có ít nhất 1 cặp trung bình khác nhau).