V- Cán bộ hƣớng dẫn: (Ghi rõ học hàm, học vị, họ, tên)
2.2.5. Kế hoạch phân tích dữ liệu
Các bƣớc phân tích dữ liệu
Làm sạch dữ liệu
Các dữ liệu sau khi thu thập sẽ đƣợc làm sạch mới có thể đƣa vào phân tích để tránh những sai sót trong quá trình nhập dữ liệu. Quá trình làm sạch dữ liệu đƣợc thực hiện bằng cách dùng các bảng tần số và lệnh Find để tìm vị trí của giá trị lỗi rồi chỉnh sửa lỗi.
Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Bƣớc này nhằm kiểm tra xem các mục hỏi nào đã có đóng góp vào việc đo lƣờng khái niệm lý thuyết mà tác giả đang nghiên cứu, những mục hỏi nào không. Điều này liên quan đến hai phép tính toán: tƣơng quan giữa bản thân các mục hỏi và tƣơng quan của các điểm số của từng mục hỏi với điểm số toàn bộ các mục hỏi cho mỗi ngƣời trả lời. Hệ số α 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 α là:
1 ρN 1
/ N
α
Trong đó: ρ : là hệ số tƣơng quan trung bình giữa các mục hỏi N : là số mục hỏi
Nếu tƣơng quan giữa các mục hỏi là hoàn hảo, thì mọi mục hỏi đóng góp bằng nhau cho sự hiểu biết của chúng ta về quan điểm của mỗi ngƣời trả lời. Những mục hỏi không đóng góp nhiều sẽ tƣơng quan yếu với tổng số điểm của mỗi ngƣời. Nhƣ vậy, mục đích của việc kiểm định thang đo thông qua hệ số Cronbach‟s Alpha là loại bỏ các mục hỏi, làm giảm sự tƣơng quan giữa các mục hỏi và giữ cho hệ số σ lớn hơn hoặc bằng 0,8.
Theo quy ƣớc thì một tập hợp các mục hỏi dùng để đo lƣờng đƣợc đánh giá là tốt phải có hệ số α lớn hơn hoặc bằng 0,8. Tuy nhiên, nhiều nhà nghiên cứu đồng ý rằng khi Cronbach‟s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lƣờng là tốt, từ 0,7 đến gần 0,8 là sử dụng đƣợc. Còn với Cronbach‟s Alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang nghiên cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995). Trong nghiên cứu này, tác giả sẽ loại bỏ những thang đo có hệ số Cronbach‟s Alpha nhỏ hơn 0,6 và những biến có hệ số tƣơng quan biến tổng nhỏ hơn 0,4.
Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach‟s Alpha và loại đi các biến không đảm bảo độ tin cậy, phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. 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.
Tác giả sẽ xem xét các Factor Loading hay hệ số tải nhân tố hay trọng số nhân tố trong bảng Rotated Component Matrix. Trên mỗi dòng nhất định, chỉ có một con số, con số này chính là Factor Loading lớn nhất của biến quan sát nằm ở dòng đó. Biến quan sát có Factor Loading lớn nhất nằm tại cột nào thì biến quan sát đó thuộc về nhân tố đó. Nhƣ vậy, biến quan sát bất kỳ nằm ở nhân tố thứ mấy sẽ đƣợc thể hiện rõ ràng trên bảng Rotated Component Matrix. Đối với những Factor Loading mang dấu âm thì lấy giá trị tuyệt đối của nó. Tiêu chuẩn quan trọng đối với Factor Loading lớn nhất là nó phải lớn hơn hoặc bằng 0,5, tiêu chuẩn này phù hợp với cỡ mẫu điều tra (Hair et al., 1998). Ngoài ra, nghiên cứu còn xem xét hệ số Eigenvalue có đạt điều kiện lớn hơn 1 hay không. Cuối cùng, tác giả kiểm tra trị số của phép kiểm định KMO để chắc chắn rằng trị số này lớn hơn hoặc bằng 0,5, đảm bảo phân tích nhân tố phù hợp với các dữ liệu. Nếu biến quan sát không đạt đƣợc các điều kiện về hệ số Factor Loading thì sẽ bị loại bỏ khỏi mô hình nghiên cứu. Tuy nhiên,
việc loại bỏ sẽ đƣợc tiến hành từng bƣớc một trong trƣờng hợp có nhiều biến không đạt.
Xây dựng phƣơng trình hồi quy tuyến tính
Bƣớc đầu tiên khi tiến hành phân tích hồi quy tuyến tính bội là xem xét các mối tƣơng quan tuyến tính giữa tất cả các biến bằng cách xây dựng ma trận tƣơng quan giữa tất cả các biến. Ma trận này cho biết tƣơng quan giữa biến phụ thuộc với từng biến độc lập, cũng nhƣ tƣơng quan giữa các biến độc lập với nhau. Khi kết quả phân tích tƣơng quan cho thấy sự tƣơng quan chặt chẽ giữa các biến độc lập thì nghiên cứu cần phải kiểm tra hiện tƣợng đa cộng tuyến có ảnh hƣởng đến phân tích hồi quy bội hay không. Phần mềm SPSS sẽ đƣợc sử dụng để xây dựng mô hình của nghiên cứu. Hệ số R2 điều chỉnh (Adjusted R square) sẽ đƣợc sử dụng để đánh giá mức độ phù hợp của mô hình vì nó loại bỏ độ lệch phóng đại của R2, nghĩa là càng đƣa thêm biến độc lập vào thì R2 càng tăng khi mà không phải mô hình nào càng có nhiều biến thì sẽ càng phù hợp. Sau đó, nghiên cứu sẽ kiểm định sự phù hợp của mô hình bằng phân tích phƣơng sai ANOVA. Giả thuyết đƣợc đặt ra là j = 0, nếu giả thuyết này bị bác bỏ thì cũng có nghĩa là mô hình xây dựng phù hợp với tập dữ liệu.
Các nghiên cứu phụ
Dựa trên các dữ liệu định tính đƣợc thu thập để phân loại ngƣời trả lời, tác giả tiến hành thực hiện các nghiên cứu để kiểm tra có hay không sự khác biệt của mỗi nhóm khách hàng theo các biến phân loại trong việc đánh giá các năng lực cạnh tranh động. Để thực hiện nghiên cứu này, ta có thể sử dụng phƣơng pháp kiểm định giả thuyết về phƣơng sai tổng thể: kiểm định phân tích ANOVA.