5. Cấu trúc của luận văn:
2.7. Quy trình phân tích số liệu:
Các dữ liệu thu thập được xử lý và phân tích bằng phần mềm SPSS và AMOS. Lúc đầu, dữ liệu được làm sạch bằng cách loại bỏ các bảng câu hỏi kém chất lượng. Sau đó, sử dụng kỹ thuật thống kê dữ liệu để đạt được các mục tiêu nghiên cứu, bao gồm thống kê mô tả, phân tích nhân tố, kiểm định Cronbach’s Alpha, và mô hình phương trình cấu trúc SEM.
Thống kê mô tả: Thống kê mô tả (Mode, trung vị, trung bình, phương sai, độ lệch
chuẩn) được sử dụng để mô tả thông tin cá nhân của người trả lời. Thống kê mô tả cũng được sử dụng để mô tả mức độ ảnh hưởng của các biến hành vi lên các quyết định đầu tư của các NĐT. Tuy nhiên, chỉ có các biến hành vi còn lại sau khi phân tích nhân tố khám phá và kiểm định Cronbach’s Alpha được đưa vào xem xét mô tả. Những mô tả này giúp kiểm định giả thuyết H2.
Phân tích nhân tố: là tên gọi chung của các phương pháp thống kê đa biến, nhằm mục đích xác định cấu trúc cốt lõi trong một ma trận của dữ liệu. Nó giúp phân tích cấu trúc hệ số tương quan giữa nhiều biến bằng cách xác định một bộ kích thước cốt lõi, được gọi là các nhân tố. Trong phân tích nhân tố, các biến của bảng câu hỏi được bao gồm trong phạm vi đồng nhất, nghĩa là có các đặc tính tương tự nhau. Có hai loại phân tích nhân tố chính: EFA (phân tích nhân tố khám phá) và CFA (phân tích nhân tố khẳng định). EFA là hình thức phổ biến hơn, cái mà cố gắng khám phá cấu trúc cơ bản của một số lượng khá lớn của các biến. Trong khi đó, CFA đóng một vai trò trong việc khẳng định tính tương thích giữa các con số của các nhân tố được chiết xuất bởi qui trình phân tích và được hình thành bởi các lý thuyết có sẵn. Trong nghiên cứu này, EFA được sử dụng để khám phá những nhân tố là các biến tài chính hành vi và hiệu quả đầu tư của bảng câu hỏi (câu hỏi 10 đến 36). EFA được sử dụng để giảm số lượng các biến trong bảng câu hỏi cái mà không đáp ứng được các tiêu chí của phân tích. Trong trường hợp này, EFA được ứng dụng để kiểm tra giả thuyết H1.
Trong nghiên cứu này, các tiêu chí sau đây của phân tích nhân tố khám phá được áp dụng: trọng số nhân tố KMO (hệ số tải nhân tố), Tổng phương sai giải thích (Total variance explained), và Eigenvalue. Trọng số nhân tố được xác định là hệ số tương quan của từng biến với các nhân tố mà nó thuộc về. Trọng số nhân tố của các biến vào một nhân tố > 0.5 (với cỡ mẫu là 100) đảm bảo rằng EFA có ý nghĩa thiết thực đối với dữ liệu phân tích (Hair và cộng sự, 1998, tr.111). Kaiser-Meyer Olkin (KMO) cho thấy mức độ phù hợp của việc sử dụng EFA cho các dữ liệu thu thập được. KMO nên ở giữa 0.5 và 1.0 (với mức ý nghĩa < 0.05) để đảm bảo rằng việc phân tích nhân tố phù hợp cho dữ liệu (Ali, Zairi & Mahat, 2006, tr.16). Tổng phương sai giải thích được sử dụng để xác định số lượng các nhân tố được giữ lại, trong đó nhân tố có thể được giữ lại cho đến khi nhân tố cuối cùng trình bày một tỷ lệ nhỏ của biến giải thích. Tổng phương sai giải thích là phải hơn 50% (Hair và cộng sự, 1998, tr.111). Eigenvalue là một thuộc tính của các yếu tố, được định nghĩa là số lượng phương sai trong tất cả các biến được giải thích bởi một nhân tố được đưa ra. Eigenvalue phải lớn hơn 1 vì Eigenvalue nhỏ hơn 1 có nghĩa là thông tin được giải thích bởi nhân tố ít hơn một biến duy nhất (Leech, Barrett & Morgan, 2005, tr.82). EFA được thực hiện bằng phần mềm SPSS.
Kiểm định Cronbach’s Alpha: được sử dụng để kiểm tra độ tin cậy nhất quán của
các phép đo, nó có thể giúp ước tính độ tin cậy câu trả lời của những người tham gia với các phép đo. Trong nghiên cứu này sử dụng Cronbach’s alpha để kiểm tra độ tin cậy của các phép đo kể cả những nhân tố được hình thành sau khi phân tích nhân tố.
Nunnally (1978, tr.245) cho rằng Cronbach’s alpha nên ≥ 0.7 để đảm bảo rằng các phép đo là đáng tin cậy. Tuy nhiên, nhiều nhà thống kê tin rằng có thể chấp nhận nếu Cronbach’s alpha ≥ 0.6 (Shelby, 2011, tr.143). Bên cạnh đó, các nhà thống kê đề xuất rằng cần xem xét tương quan giữa từng biến và tổng thể điều chỉnh khi sử dụng chỉ số Cronbach’s alpha. Tương quan giữa từng biến và tổng thể điều chỉnh có số điểm chấp nhận được là ≥ 0.3 (Shelby, 2011, tr.143). Lựa chọn nghiên cứu này chấp nhận Cronbach’s alpha là ≥0.6, với tương quan giữa từng biến và tổng thể
điều chỉnh là ≥ 0.3 bởi vì các phép đo về hành vi tài chính là còn mới mẻ đối với các NĐT trên TTCK Việt Nam. Bên cạnh đó, mức ý nghĩa được chấp nhận của kiểm định F trong kỹ thuật Cronbach’s alpha là ≤ 0.05. Kiểm định Cronbach’s Alpha bằng phần mềm SPSS.
Mô hình phương trình cấu trúc (SEM):được mô tả là sự kết hợp của CFA (phân tích nhân tố khẳng định) và hồi quy bội (Multiple Linear Regression). SEM khám phá những khả năng của mối tương quan giữa các biến tiềm ẩn và bao gồm hai phần: (1) một mô hình đo lường (về cơ bản là CFA) và (2) một mô hình cấu trúc (mô hình hồi quy bội). Trong nghiên cứu này, SEM được sử dụng để xác nhận các nhân tố hành vi (hình thành bởi các bước trước đó của EFA và kiểm định Cronbach’s Alpha) tác động đến hiệu quả đầu tư của các NĐT cá nhân cũng như ước tính trọng số hồi quy của chúng. SEM được sử dụng để kiểm định giả thuyết
H3.
SEM được thực hiện bằng sự hỗ trợ của phần mềm AMOS. Mô hình tổng thể phù hợp của SEM được xác định bởi một số chỉ số. Để đo lường mức độ phù hợp của mô hình, người ta thường sử dụng Chi-square (CMIN); Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI_ Comparative Fit Index). Chỉ số Tucker & Lewis (TLI_ Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là thích hợp khi kiểm định Chi- square có P-value <0.05. Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu. Asberg, Bowers, Renk và McKinney (2008, tr. 491) cho rằng mô hình này là thích hợp với RMSEA ≤ 0.10, chỉ số GFI, TLI, CFI ≥0.9, và chỉ số PFI ≥ 0.60. Nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 được xem là rất tốt (Steiger, 1990); thì mô hình được xem là phù hợp với dữ liệu. Thọ & Trang (2008) cho rằng nếu mô hình nhận được các giá trị GFI, TLI, CFI ≥0.9, CMIN/df ≤ 2, RMSEA ≤ 0.08 thì mô hình phù hợp.
Làm sạch dữ liệu và nhập liệu Kết quả và thảo luận Kiểm định Cronbach’s Alpha của các yếu tố chiết xuất Thống kê mô tả cho các biến còn lại Mô hình phương trình cấu trúc các yếu tố hành vi Phân tích khám phá nhân tố các biến hành vi Thống kê mô tả
thông tin cá nhân của người sở hữu
cổ phiếu
Hình 2.1: Quy trình phân tích dữ liệu (Nguồn: tác giả)
Bảng tóm tắt của qui trình xử lý dữ liệu và phân tích được trình bày trong hình 2.1: