7. KẾT CẤU ĐỀ TÀI NGHIÊN CỨU
2.4.4.Các phương pháp phân tích dữ liệu
2.4.4.1. Phương pháp phân tích độ tin cậy của thang - Hệ số Cronbach’s Alpha Những mục hỏi đo lường 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 tương quan với nhau.
Công thức của hệ số Cronbach là: = N/(1 + (N – 1))
Trong đó là hệ số tương quan trung bình giữa các mục hỏi. Ký tự Hy Lạp (đọc là prô) trong công thức tượng trưng cho tương quan trung bình giữa tất cả các cặp mục hỏi được kiểm tra.
Vì hệ số Cronbach chỉ là giới hạn dưới của độ tin cậy của thang đo (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007), và còn nhiều đại lượng đo lường độ tin cậy, độ giá trị của thang đo, nên ở giai đoạn khám phá khi xây dựng bảng câu hỏi, hệ số này nằm trong phạm vi từ 0,6 đến 0,8 là chấp nhận được.
2.4.4.2. Phương pháp phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA)
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. 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.
Về mặt tính toán, phân tích nhân tố hơi giống với phân tích hồi quy bội ở chỗ mỗi biến được biểu diễn như là một kết hợp tuyến tính của các nhân tố cơ bản. Lượng biến thiên của một biến được giải thích bởi những nhân tố chung trong phân tích được gọi là communality. Biến thiên chung của các biến được mô tả bằng một số ít các nhân tố chung (common factor) cộng với một nhân tố đặc trưng (unique factor) cho mỗi biến.
Những nhân tố này không bộc lộ rõ ràng. Nếu các biến được chuẩn hóa thì mô hình nhân tố được thể hiện bằng phương trình:
Trong đó:
Xi : biến thứ i chuẩn hóa
Aij : hệ số hồi quy bội chuẩn hóa của nhân tố j đối với biến i F : các nhân tố chung
Vi : hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i Ui : nhân tố đặc trưng của biến i
m : số nhân tố chung
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fi W Xí1 1W Xí2 2 W Xí3 3 ... W Xík k. Trong đó:
Fi : ước lượng trị số của nhân tố thứ i
Wt : quyền số hay trọng số nhân tố (weight or factor score coefficient) k : số biến
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích được 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 được phần lớn biến thiên còn lại, và không có tương quan với nhân tố thứ nhất. Nguyên tắc này được áp dụng như vậy để tiếp tục chọn các quyền số cho các nhân tố tiếp theo. Do vậy các nhân tố được ước lượng sao cho các quyền số của chúng, không giống như các giá trị của các biến gốc, là không có tương quan với nhau. Hơn nữa, nhân tố thứ nhất giải thích được nhiều nhất biến thiên của dữ liệu, nhân tố thứ hai giải thích được nhiều thứ nhì …
Phân tích nhân tố được sử dụng trong nhiều trường hợp.
- Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan trong các tập hợp biến. Ví dụ, có thể sử dụng một tập hợp các phát biểu về lối sống để đo lường tiểu sử tâm lý của người tiêu dùng. Sau đó, những phát biểu này được sử dụng trong phân tích nhân tố để nhận diện các yếu tố tâm lý cơ bản.
- Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít không có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích đa biến tiếp theo sau. Chẳng hạn, như sau khi nhận diện các nhân tố thuộc về tâm lý thì ta có thể sử dụng chúng như những biến độc lập để giải thích những khác biệt giữa những người trung thành và những người không trung thành với nhãn hiệu sử dụng.
- Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong các phân tích đa biến kế tiếp.
2.4.4.3. Phương pháp phân tích tương quan và hồi quy:
Dùng để tính toán các hệ số hồi qui của mô hình và các số liệu thống kê cần thiết để đánh giá mô hình nghiên cứu. Bên cạnh để đánh giá sự phù hợp của mô hình,
nghiên cứu sẽ tính đến sai số chuẩn của ước lượng, hệ số xác định, đồng thời sử dụng phương pháp kiểm định thống kê để kiểm định ý nghĩa toàn diện của mô hình và đánh giá ý nghĩa từng biến độc lập riêng biệt. Phân tích và đánh giá các nhân tố (biến độc lập) ảnh hưởng đến hành vi đặt mua báo Tuổi Trẻ (biến phụ thuộc). Sau đó, sử dụng mô hình để dự đoán hoặc ước lượng giá trị trung bình hành vi đặt mua báo Tuổi Trẻ.
Kết quả phân tích tương quan hồi qui đa biến sẽ giải quyết mục tiêu giải thích mối tương quan và mức độ tác động của từng yếu tố độc lập đối với yếu tố phụ thuộc.
Khi sử dụng phương pháp hồi qui đa biến, các yêu cầu kiểm định đặt ra cần quan tâm để mô hình nghiên cứu có ý nghĩa thống kê và phù hợp nhất. Các thủ tục đó sẽ được đề tài thực hiện theo các phương pháp sau:
- Đối với hiện tượng đa cộng tuyến, một trong những yêu cầu của mô hình hồi qui là các biến độc lập không có tương quan với nhau, nếu yêu cầu này không được thỏa mãn, sẽ xảy ra hiện tượng đa cộng tuyến trong mô hình. Cách phát hiện mô hình có tồn tại đa cộng tuyến là dùng nhân tố phóng đại phương sai VIF. Trong thống kê, giá trị VIF ≥ 10 thì xem như mô hình xảy ra đa cộng tuyến.
- Kiểm tra giả không có sự tương quan giữa các phần dư. Với phần mềm SPSS 18.0 sẽ tính toán luôn kết quả số thống kê Durbin Watson (D), áp dụng qui tắc kiểm định:
*. Nếu 1 < D < 3 thì kết luận mô hình không có tương quan. *. Nếu 0 < D < 1 thì kết luận mô hình có tương quan dương (+). *. Nếu 3 < D < 4 thì kết luận mô hình có tương quan âm (-).
- Trong các giả định liên quan đến phần dư, giả định phương sai không đổi tại các giá trị khác nhau của các biến độc lập. Việc kiểm tra xem giả định này có bị vi phạm hay không, đề tài sẽ thực hiện ngay trên đồ thị Scatter giữa phần dư chuẩn hóa và giá trị dự báo chuẩn hóa. Nếu quan sát trên đồ thị không có mối quan hệ nào giữa 2 đại lượng này, thì có thể đi đến kết luận giả định không bị vi phạm, còn ngược lại giữa 2 giá trị này có sự tương quan, điều này chứng tỏ giả định bị vi phạm (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). (adsbygoogle = window.adsbygoogle || []).push({});
Nghiên cứu sẽ áp dụng đầy đủ các thủ tục khác như đánh giá độ phù hợp của mô hình, đánh giá ý nghĩa toàn diện của mô hình, đánh giá ý nghĩa từng biến độc lập, kiểm tra sự phù hợp khi lựa chọn mô hình hồi qui tuyến tính, kiểm định sự tác động phi tuyến bậc 2 của yếu tố lên quyết định đặt mua báo Tuổi Trẻ nhật báo.