3.5.1. Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Công cụphân tích đầu tiên mà tác giả muốn sử dụng là hệ số Cronbach’s Alpha để loại bỏ các biến có độ tin cậy của thang đo thấp vì những biến này có thể tạo ra các yếu tố giả (Thọ & Trang, 2009). Các tiêu chí thống kê được sử dụng trong phân tích này bao gồm: Loại các biến quan sát có hệ số tương quan biến – tổng nhỏ hơn 0.3 và giá trị Cronbach’s Alpha nhỏ hơn 0.6 (Nunally & Burnstein, 1994). Cụ thể: Cronbach’s Alpha > 0.8 thì độ tin cậy của thang đo là tốt, từ 0.7 đến 0.8 thì độ tin cậy của thang đo sử dụng được, từ0.6 đến 0.7 là có thể sử dụng được trong các nghiên cứu mới.
Trong nghiên cứu này, tác giả quyết định sử dụng tiêu chuẩn Cronbach’s Alpha bằng hoặc cao hơn 0.7 và các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 sẽ bị loại bỏ.
3.5.2. Phân tích nhân tố khám phá
Phân tích nhân tố khám phá sẽ trả lời câu hỏi liệu các biến quan sát dùng để xem xét sựtác động của các yếu tố thành phần đến ý định hạn chế tiêu dùng trái cây Trung
Quốc có độ kết dính cao không và chúng có thể rút gọn lại thành một số yếu tố ít hơn để xem xét hay không. Các tham số thống kê trong phân tích EFA như sau:
Đánh giá chỉ số Kaiser – Mayer – Olkim (KMO) để xem xét sự thích hợp của phân tích nhân tố khám phá. Nếu KMO nằm trong khoảng từ 0.5 đến 1 thì phân tích nhân tố khám phá sẽ phù hợp (Nam, 2009).
Kiểm định Bartlett xem xét giả thuyết H0: Độ tương quan giữa các biến số quan sát bằng 0. Nếu kiểm định này có ý nghĩa thống kê (sig <0.05) thì các biến có tương quan với nhau trong tổng thể (Ngọc, 2008).
Các hệ số tải nhân tố (factor loading) nhỏ hơn 0.5 trong EFA sẽ tiếp tục bị loại để đảm bảo sự hội tụ giữa các biến (Geibing & Anderson, 1988). Phương pháp trích hệ số sử dụng là Principal Components và điểm dừng khi trích các yếu tố có eigenvalue lớn hơn 1, tổng phương sai trích bằng hoặc lớn hơn 50%.
Trong nghiên cứu này, tác giả quyết định sử dụng tiêu chuẩn sau để thực hiện phân tích nhân tố khám phá:
KMO nằm trong khoảng từ0.5 đến 1.
Kiểm định Barlett có ý nghĩa thống kê (sig <0.05).
Giữ lại các biến có hệ số tải nhân tố(factor loading) > 0.5 và điểm dừng khi trích các yếu tố có eigenvalue lớn hơn 1, tổng phương sai trích bằng hoặc lớn hơn 50%.
3.5.3. Phân tích hệ sốtương quan và phân tích hồi quy tuyến tính
Phân tích hồi quy tuyến tính được sử dụng để kiểm định mối tương quan tuyến tính giữa các biến trong mô hình: giữa các biến độc lập với nhau và giữa biến phụ thuộc và biến độc lập.
Tác giả xem xét mối tương quan giữa các biến độc lập với nhau để đảm bảo đa
công tuyến không xảy ra đảm bảo mô hình hồi quy tuyến tính sử dụng được. Trọng & Ngọc (2005) cho biết đa cộng tuyến có thể được kiểm định thông qua hệ số
phóng đại phương sai (VIF) và VIF >10 thì sẽ xảy ra hiện tượng đa cộng tuyến.
Sau khi phân tích tương quan giữa các biến sử dụng, tác giả sẽ thực hiện các kỹ thuật hồi quy dựa trên ước lượng bình phương nhỏ nhất (OLS) với điều kiện là phân phối chuẩn được đảm bảo. Kết quả của hồi quy tuyến tính là tác giả có thể kiểm định
được các giả thuyết đã nêu ra trong Chương 2. Bên cạnh đó, hệ sốgóc thu được trong phương trình hồi quy tuyến tính sẽđại diện cho mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc. Trong trường hợp các biến sử dụng cùng một thang đo định danh có giá trị từ 1 đến 7, thì hệ số góc càng lớn thì biến độc lập càng có ảnh hưởng mạnh đến biến phụ thuộc hơn so với các biến độc lập khác.
Trong nghiên cứu này, tác giả quyết định sử dụng tiêu chuẩn sau trong phân tích hệ sốtương quan và hồi quy tuyến tính:
Hệ số R2 hiệu chỉnh, do R2 hiệu chỉnh có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu trong trường hợp có hơn 1 biến giải thích trong mô hình.
Kiểm định F để xem xét mức độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Đánh giá mức độ tác động (mạnh/yếu) giữa các biến độc lập đến biến phụ thuộc thông qua hệ số Beta.
Cuối cùng, nhằm đánh giá độ tin cậy của phương trình hồi quy được xây dựng cuối cùng là phù hợp, một loạt các dò tìm vi phạm của giảđịnh cần thiết trong hồi quy tuyến tính được thực hiện. Các giảđịnh được kiểm định bao gồm giả định về liên hệ tuyến tính giữa các biến độc lập, tính độc lập của phần dư và hiện tượng đa cộng tuyến.
3.5.4. Phân tích sự khác biệt vềxu hướng sử dụng theo thuộc tính người sử dụng bằng T – Test và ANOVA
Sau khi có kết quả phân tích hồi quy tuyến tính, tác giả sẽ tiến hành phân tích sự khác biệt về ý định hạn chế tiêu dùng trái cây Trung Quốc của người tiêu dùng trên địa bàn thành phố Hồ Chí Minh theo các thông tin về thuộc tính của đối tượng nghiên cứu, bao gồm: nhóm tuổi, giới tính, thu nhập, trình độ học vấn, nghề nghiệp. Mục đích của phân tích này nhằm cung cấp các thông tin cần thiết cho những nhà kinh doanh, nhà phân phối có chiến lược hiệu quảhơn đối với ngành hàng này.
Tóm lại, chương 3 đã trình bày phương pháp nghiên cứu của đề tài. Theo đó, bảng câu hỏi sơ bộđược xây dựng từcơ sở lý thuyết và được điều chỉnh thông qua khảo sát sơ
bộ. Việc khảo sát chính thức được thực hiện bằng phương pháp phát bảng câu hỏi trực tiếp và gửi qua email. Dữ liệu thu thập sẽđược phân tích bằng phần mềm SPSS theo quy trình, bắt đầu từphân tích độ tin cậy và phân tích nhân tốđể rút ra các nhân tố phù hợp cho phân tích hồi quy.
Sau khi thực hiện các kiểm định các giả thuyết mô hình cấu trúc và độ phù hợp của mô hình tổng thể, kết quả phân tích hồi quy sẽ trả lời cho câu hỏi nghiên cứu của đề tài “Các yếu tố nào ảnh hưởng đến ý định hạn chế tiêu dùng trái cây Trung Quốc của người tiêu dùng trên địa bàn thành phố Hồ Chí Minh, mức độảnh hưởng của các yếu tố này như thế nào và có sự khác biệt về yếu tố nhân khẩu học hay không?”.
Chương 4
PHÂN TÍCH DỮ LIỆU
Từ kết quả của dữ liệu được thu thập như thiết kế ởChương 3, Chương 4 sẽ lần lượt thực hiện các phân tích, gồm có phân tích tương quan, phân tích độ tin cậy, phân tích nhân tố, phân tích mô hình hồi quy và cuối cùng là kiểm định các giả thuyết của mô hình nghiên cứu đã được trình bày ở hình 2.7.
