3.4. Phương pháp nghiên cứu
3.4.4. Phương pháp xử lý dữ liệu
Sau khi thu thập dữ liệu từ cuộc khảo sát, tác giả đã tiến hành lọc sạch và mã hóa dữ liệu nghiên cứu. Sau đó, dữ liệu được phân tích bằng phần mềm SPSS với các bước như sau:
(1) Mô tả thống kê mẫu nghiên cứu thu thập từ cuộc khảo sát.
(2) Sử dụng thang đo Cronbach's Alpha để kiểm tra độ tin cậy của dữ liệu.
(3) Thực hiện phân tích nhân tố khám phá EFA để rút gọn tập hợp các biến quan sát.
(4) Áp dụng phân tích tương quan Pearson để kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc và các biến độc lập, nhằm nhận diện sớm vấn đề đa cộng tuyến.
(5) Thực hiện phân tích hồi quy tuyến tính để kiểm định các giả thuyết của mô hình với mức ý nghĩa là 5%.
(6) Kiểm định giá trị T-Test và ANOVA để xác định sự khác biệt giữa các biến định tính và biến định lượng.
3.4.4.1. Phương pháp thống kê mô tả
“Mục đích của việc sử dụng phương pháp thống kê mô tả trong nghiên cứu là mô tả và tổng hợp thông tin từ dữ liệu thu thập một cách chi tiết và rõ ràng. Phương pháp
thống kê mô tả giúp hiểu sâu hơn về các đặc điểm cơ bản của dữ liệu bằng cách mô tả các giá trị như trung bình, độ lệch chuẩn, giá trị lớn nhất, giá trị nhỏ nhất và các chỉ số thống kê khác. Theo phương pháp này, nghiên cứu có thể mô tả các đặc tính và phân bố của dữ liệu, từ đó đóng góp vào việc có cái nhìn tổng quát về các đặc điểm đại diện và sự biến động trong cơ sở dữ liệu. Điều này tạo nền tảng vững chắc để đưa ra những kết luận và phán đoán hợp lý. Để tổng hợp thông tin một cách rõ ràng và toàn diện nhất, tác giả xem xét và phân tích thống kê mô tả cho cả biến định tính và biến định lượng của mình.”
3.4.4.2. Phân tích hệ số Cronbach's Alpha
Trong nghiên cứu này, phân tích hệ số Cronbach's Alpha được thực hiện để đánh giá tính tin cậy và tính đồng nhất của thang đo. Mục tiêu là loại bỏ những biến không phù hợp để tăng cường ý nghĩa của nghiên cứu.Thang đo được coi là tin cậy khi hệ số Cronbach's Alpha đạt giá trị lớn hơn hoặc bằng 0.6. Đồng thời, chỉ số Tương quan Tổng - Mục cần vượt qua ngưỡng 0.3 để cho thấy sự tương đồng mạnh mẽ giữa các biến. Ngoài ra, các hệ số Cronbach's Alpha của các biến sau khi loại bỏ cần nhỏ hơn so với hệ số Cronbach's Alpha chính.
Bảng 3.8: Tiêu chí hệ số Cronbach’s Alpha
Hệ số Cronbach’s Alpha Ý nghĩa
a > 0.9 Rất tốt
0.9 ≥ a > 0.8 Tốt
0.8 ≥ a >0.6 Đạt yêu cầu
0.6 ≥ a > 0.5 Kém
0.5 ≥ a Không được chấp nhận
Nguồn: Tavakol & Dennick, (2011) 3.4.4.3. Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá là một phương pháp thống kê được sử dụng để khám phá và hiểu cấu trúc tiềm ẩn trong một tập dữ liệu đa biến. Đây là một công cụ mạnh mẽ trong nghiên cứu xã hội và hành vi để xác định mối quan hệ giữa các biến và xác định các nhân tố có thể ảnh hưởng đến dữ liệu. Mục đích của phương pháp
này là tìm ra cấu trúc ẩn, thu gọn kích thước dữ liệu, phát hiện các mối quan hệ độc lập và tương quan, cũng như tạo ra các thang đo mới. Các chỉ số cần xem xét khi phân tích EFA bao gồm:
- Hệ số KMO (Kaiser-Meyer-Olkin): Giá trị của KMO cần đạt từ 0.5 trở lên để cho thấy dữ liệu phù hợp với phân tích nhân tố.
- Kiểm định Bartlett: Để phù hợp với EFA, giá trị sig Bartlett’s Test phải <0.05, cho thấy ma trận hiệp phương sai không phải là ma trận đồng nhất.
- Trị số Eigenvalue: Mỗi nhân tố cần có trị số này lớn hơn 1 để được giữ lại trong phân tích. Trị số Eigenvalue đánh giá mức độ mà mỗi nhân tố giải thích phương sai.
- Tổng phương sai trích (Total Variance Explained): Mô hình EFA cần giải thích tổng phương sai từ 50% trở lên để được xem là chấp nhận được.
- Hệ số tải nhân tố (Factor Loading): Đây là mức độ mà mỗi biến đo lường liên kết với các yếu tố nhân tố. FL > 0.3 là mức tối thiểu, FL > 0.4 là mức quan trọng, và FL > 0.5 là mức có ý nghĩa thực tiễn. Thông thường, ngưỡng FL được lựa chọn là lớn hơn hoặc bằng 0.5 để đảm bảo mức ý nghĩa cho nghiên cứu.
3.4.4.4. Phân tích hệ số tương quan Pearson
“Phân tích tương quan Pearson là một phương pháp trong thống kê được sử dụng để đo lường mức độ tương quan tuyến tính giữa hai biến định lượng. Phương pháp này đo lường cường độ và hướng của mối quan hệ giữa hai biến. Khi thực hiện phân tích tương quan Pearson, chúng ta quan tâm đến hệ số tương quan r, có giá trị nằm trong khoảng từ -1 đến 1. Giá trị r gần 1 biểu thị mối tương quan mạnh (+ là tương quan dương, - là tương quan âm); r=1 cho thấy tương quan tuyệt đối; r=0 cho thấy không có tương quan tuyến tính.”
Bên cạnh đó, phân tích tương quan Pearson cũng có thể sử dụng để phát hiện hiện tượng đa cộng tuyến. Đa cộng tuyến xảy ra khi hai hoặc nhiều biến độc lập có mối quan hệ tuyến tính mạnh với nhau, điều này có thể gây ra vấn đề khi phân tích dữ liệu. Bằng cách phân tích tương quan giữa các biến độc lập, chúng ta có thể xác
định sự có mặt của đa cộng tuyến và từ đó có thể áp dụng các biện pháp xử lý phù hợp.
3.4.4.5. Phân tích hồi quy tuyến tính đa biến
“Phân tích hồi quy tuyến tính đa biến là một phương pháp trong thống kê và khoa học dữ liệu dùng để dự đoán giá trị của một biến phụ thuộc dựa trên một hoặc nhiều biến độc lập. Phương pháp này mô hình hóa mối quan hệ tuyến tính giữa các biến độc lập và biến phụ thuộc bằng một hàm tuyến tính. Dưới đây là các bước thực hiện phân tích hồi quy tuyến tính đa biến:
- Hệ số 𝑅2 hiệu chỉnh được sử dụng để đánh giá mức độ phù hợp của mô hình hồi quy. Giá trị của hệ số này thường nằm trong khoảng từ 0.5 đến 1, tuy nhiên có thể thay đổi tùy thuộc vào lĩnh vực nghiên cứu và kích thước mẫu.
- Phân tích phương sai ANOVA (Analysis of Variance) thể hiện kết quả của kiểm định F. Giá trị của kiểm định F có ý nghĩa thống kê nếu sig<0.05, cho thấy mô hình hồi quy được xem xét là phù hợp.
- Hệ số phóng đại phương sai sau VIF (Variance Inflation Factor) được sử dụng để kiểm định đa cộng tuyến, đảm bảo rằng các biến độc lập không quá tương quan. Đa cộng tuyến thường được xem là có mặt khi giá trị VIF> 10, như đã được mô tả bởi Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005).
- Hệ số Durbin – Watson được sử dụng để kiểm định giả định về hiện tượng tương quan. Hiện tượng vi phạm giả định về tự tương quan không xuất hiện khi giá trị của hệ số nằm trong khoảng từ 1.5 đến 2.5.”
Để kiểm tra giả thuyết hồi quy, ta sử dụng thống kê t và giá trị sig. Nếu sig >
0.05, biến đó có thể loại bỏ vì không ảnh hưởng đáng kể đến biến phụ thuộc. Ngược lại, nếu sig ≤ 0.05, biến đó được coi là có ảnh hưởng đáng kể đến biến phụ thuộc.
Đồng thời, để phát hiện các vi phạm giả định, có thể sử dụng hai biểu đồ sau:
- Biểu đồ Histogram để kiểm tra phân phối chuẩn của phần dư sai số.
- Biểu đồ Scatter Plot để kiểm tra xem mô hình có vi phạm giả định về mối quan hệ tuyến tính hay không.
3.4.4.6. Kiểm tra mẫu độc lập (Independent Samples T-Test)
Phương pháp kiểm định Independent Samples T-test được dùng để so sánh trung bình của một biến định tính với một biến định lượng. Kiểm định này áp dụng khi biến định tính có hai giá trị và kết quả được đánh giá dựa trên giá trị Sig. của Levene’s Test.
Nếu giá trị Sig. < 0.05, cho thấy có sự khác biệt về phương sai giữa các nhóm giá trị, do đó cần thực hiện kiểm định Welch và xem kết quả tại bảng Robust Tests.
Nếu giá trị Sig. ≥ 0.05, cho thấy phương sai giữa các nhóm giá trị là đồng nhất, và không có sự khác biệt đáng kể về mặt thống kê ở mức ý nghĩa 5%. Kết quả tiếp theo sẽ được xem xét tại bảng ANOVA.
3.4.4.7. Kiểm định ANOVA và Welch
Kiểm định Robust Tests – Phương pháp này giúp chúng ta so sánh trị trung bình của 2 nhóm. Trong nghiên cứu này được sử dụng để kiểm giá trị trung bình để xem có sự khác biệt giữa biến giới tính trong quyết định sử dụng ứng dụng Xanh SM hay không.
Kiểm định ANOVA – Phương pháp này giúp chúng ta so sánh trị trung bình của 2 nhóm trở lên để kiểm tra giá trị trung bình xem có sự khác biệt giữa độ tuổi, ngân sách dự chi và tần suất sử dụng hằng tháng quyết định sử dụng ứng dụng Xanh SM hay không.
TÓM TẮT CHƯƠNG 3
Trong phần thực hiện nghiên cứu, chương 3 đã trình bày một cách tổng quan về quy trình từ việc xác định vấn đề nghiên cứu, lý thuyết, xây dựng thang đo cho đến kiểm định các giả thuyết. Sau đó, tác giả tiến hành phân tích dữ liệu thông qua hai phương pháp chính: định tính và định lượng. Trong giai đoạn nghiên cứu định tính, sau cuộc phỏng vấn 1:1 với các đối tượng khảo sát và tham khảo ý kiến của chuyên gia, tác giả đã điều chỉnh bảng câu hỏi để đảm bảo tính phù hợp của mô hình nghiên cứu và tiếp tục phân tích dữ liệu bằng phương pháp định lượng.
Chương 4