Phương pháp phân tích dữ liệu

3.3.1 Phương pháp mô tả thống kê

Để phân tích định tính về mẫu nghiên cứu và mơ tả đặc điểm của đối tượng khảo sát, tôi thực hiện thống kê mô tả cho tất cả các biến quan sát và các nhóm người khảo sát chia theo phân khúc giới tính, thu nhập, trình đợ văn khóa, kinh nghiệm làm việc cho các mẫu.

3.3.2 Phương pháp kiểm định Cronbach’s Alpha

Hệ thống Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Phương pháp này cho phép loại bỏ

32

những biến không phù hợp và hạn chế các biến rác trong mơ hình nghiên cứu. Các biến có hệ số tương quan biến tổng phù hợp (Corrected Item-Total Correlation) nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo có Cronbach’s Alpha từ 0.6 trở lên (Nunnally et al.,1994). Thỏa 2 điều kiện trên thì các biến phân tích được xem là chấp nhận và thích hợp đưa ra phân tích những bước tiếp theo.

Hồng Trọng và Chu Nguyễn Ngọc Mộng (2008) những nghiên cứu mới lại đối với người khảo sát thì Cronbach’s Alpha từ 0.6 trở lên cũng có thể chấp nhận được.

The Hair (2009) đưa ra quy tắc đánh giá hệ số Cronbach’s Alpha như sau: - Cronbach’s Alpha nhỏ hơn 0.6: Thang đo nhân tố là không phù hợp. - Cronbach’s Alpha từ 0.6 đến 0.7: Chấp nhận được các nghiên cứu mới. - Cronbach’s Alpha từ 0.7 đến 0.8: Chấp nhận được.

- Cronbach’s Alpha từ 0.8 đến 0.95: Tốt.

Cronbach’s Alpha lớn hơn hoặc bằng 0.95: Chấp nhận được nhưng không tốt, xem xét các biến quan sáng có thể có hiện tượng trùng biến.

3.3.3 Phương pháp phân tích nhân tố

Các thang đo đạt yêu cầu về độ tin cậy sẽ được sử dụng phân tích nhân tố để rút gọn mợt tập gồm nhiều biến quan sát thành 1 tập (hay còn gọi là nhân tố) ít hơn, các nhân tố này được rút ngọn sẽ có ý nghĩa hơn nhưng vẫn chưa hết nội dung thông tin của tập biến quan sát ban đầu (The Hair, 2009).

Theo (Hair, J., Anderson, R., Tatham, R. and Black, 1998), 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 với cỡ mẫu ít nhất 350.

- Factor loading  0.55 với cỡ mẫu khoảng 100 đến 350. - Factor loading  0.75 với cỡ mẫu khoảng 50 đến 100.

Hệ số KMO (Kaiser-Meyer-Olkin) phải đạt giá trị 0.5 trở lên (0.5KMO1) thể hiện phân tích nhân tố là phù hợp.

33

Kiểm định Bartlett (Bartlett’s test) có ý nghĩa thống kê (Sig.0.05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.

Hệ số tải nhân tố (Factor Loading) là chỉ tiêu đảm bảo mức ý nghĩa thiết thực EFA >=0.5 và các biến có trọng số khơng rõ 1 nhân tố nào cũng bị loại.

Tổng phương sai trích (Total Variance Explained) đặt giá trị từ 50% trở lên.

Eigenvalue đại diện cho phần biến thiên được giải thích bởi nhân tố rút ra có ý nghĩa tóm tắt thơng tin.

3.3.4 Phương pháp phân tích Pearson

Phân tích tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc và sớm nhận diện vấn đề đa cộng tuyến khi các biến đợc lập cũng có tương quan mạnh mẽ với nhau.

Hệ số tương quan Pearson (r) có giá trị giao đợng trong khoảng liên tục từ -1 đến

+1:

- r = 0: Hai biến khơng có tương quan tuyến tính

- r = 1; r = -1: Hai biến có mối tương quan tuyến tính tuyệt đối.

- r < 0: Hệ số tương quan âm. Nghĩa là giá trị biến x tăng thì giá trị biến y giảm và ngược lại, giá trị biến y tăng thì giá trị biến x giảm.

- r > 0: Hệ số tương quan dương. Nghĩa là giá trị biến x tăng thì giá trị biến y tăng và ngược lại, giá trị biến y tăng thì giá trị biến x cũng tăng.

Hệ số tương quan Pearson (r) chỉ có ý nghĩa khi và chỉ khi mức ý nghĩa quan sát (sig.) nhỏ hơn mức ý nghĩa α = 5%.

Nếu r nằm trong khoảng từ 0,50 đến ± 1, thì nó được cho là tương quan mạnh. Nếu r nằm trong khoảng từ 0,30 đến ± 0,49, thì nó được gọi là tương quan trung bình.

Nếu r nằm dưới ± .29, thì nó được gọi là một mối tương quan yếu.

Trên đồ thị phân tán Scatter, nếu r = -1 dữ liệu sẽ phân bổ trên một đường thẳng với độ dốc âm, r = 1 dữ liệu sẽ phân bổ trên một đường thẳng với độ dốc dương.

34

3.3.5 Phương pháp phân tích hồi quy

Trong thống kê, phân tích hồi quy là mợt q trình thống kê để xác định mối quan hệ giữa các biến. Cụ thể hơn, phân tích hồi quy giúp các nhà nghiên cứu hiểu giá trị điển hình của các biến phụ tḥc thay đổi như thế nào khi một trong các biến độc lập được thay đổi, trong khi các biến độc lập khác được giữ cố định.

Hồi quy bội là mợt phần mở rợng của hồi quy tuyến tính đơn giản, được sử dụng để dự đoán giá trị của biến phụ thuộc dựa trên giá trị của hai hoặc nhiều biến đợc lập. Đó là sự kết hợp đồng thời của nhiều yếu tố để đánh giá mức độ và mức độ ảnh hưởng của chúng đến một kết quả nhất định.

Liên quan đến mục tiêu nghiên cứu, phân tích hồi quy bợi được thực hiện bằng cách sử dụng phần mềm SPSS 2.0 để điều tra mối quan hệ của các biến đợc lập, phương trình hồi quy phát triển được đưa ra dưới đây.

Mơ hình : YCS=0+1X1+2X2+...+nXn+ei Y: biến phụ thuộc

βi Xi: biểu hiện giá trị của biến độc lập thứ i csXcs: Biểu hiện giá trị của biến sự hài lòng. βi: hệ số hồi quy riêng phần.

ei: mợt biến đợc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phương sai không đổi σ2.

Các chỉ số cần dùng và tiêu chuẩn chấp nhận sự phù hợp của mơ hình hồi quy: - R2 là hệ số tương quan, thể hiện thực tế của mơ hình.

- R2 đã hiệu chỉnh từ R2 được sử dụng để phản ánh sát hơn mức đợ phù hợp của mơ hình hồi quy đa biến vì nó khơng phụ tḥc vào đợ lệch phóng đại R2.

Kiểm định F phải có sig.<0.05

Tiêu chuẩn chấp nhận các biến có giá trị Tolerance>0.0001

Đạt lượng chuẩn đốn hiện tượng đa cợng tuyến với hệ số phóng đại phương sai VIF (Variance Inflation Factor) < 10.

Hệ số Durbin Watson dùng để kiểm định tương quan của các sai số kề nhau có giá trị biến thiên từ khoảng 0 đến 4, nếu các phần sai số khơng có tương quan chuỗi

35

bậc nhất với nhau thì giá trị sẽ cân bằng 2, nếu giá trị càng nhỏ, gần kề 0 thì sai số có tương quan thuận, nếu càng lớn gần về 4 thì các phần sai số có tương quan nghịch.

3.3.6 Phân tích ANOVA

Sử dụng phân tích ANOVA để tìm ra sự khác biệt về kết quả đánh giá mức độ quan trọng của các tiêu chí giữa các nhóm đối tượng khảo sát khác nhau của hai yếu tố.

Phân tích phương sai mợt chiều là phân tích dùng trong việc kiểm định sự khác biệt giữa các biến định tính. Trong trường hợp biến phân loại có từ ba nhóm trở lên ta tiến hành phân tích phương sai mợt yếu tố (One-way ANOVA). Nhằm tìm xem sự khác biệt giữa các nhóm xảy ra ở đâu.

Kiểm định Anova gồm kiểm định đợ đồng nhất của các nhóm nhân tố có mức ý nghĩa sig. lớn hơn 0.05. Thực hiện kiểm tra kiểm định Levene ở bảng Test of Homogeneity of variances, nếu sig ở kiểm định này nhỏ hơn hoặc bằng 0.05 thì kết quả phương sai giữa các lựa chọn của biến định tính ở trên khác nhau.

Trong trường hợp giá trị sig ở kiểm định này lớn hơn 0.05 thì phương sai giữa các lựa chọn của biến định tính ở trên khơng khác nhau, xem tiếp kết quả ở bảng ANOVA. Nếu sig ở bảng này lớn hơn 0.05 kết luận khơng có sự khác biệt giữa các nhóm biến định tính, cịn nếu sig ở bảng này nhỏ hơn hoặc bằng 0.05 thì kết luận có sự khác biệt giữa các nhóm biến định tính.

TĨM TẮT CHƯƠNG 3

Chương 3 tác giả trình bày quy trình nghiên cứu, thiết kế thang đo mã hóa dữ liệu khảo sát sơ bộ và xác định thu thập dữ liệu, phương pháp phân tích dữ liệu cho chương sau. Từ nghiên cứu định lượng, tác giả thiết kế thang đo và mã hóa dữ liệu tiến hành khảo sát chính thức.

36

CHƯƠNG 4 KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN