CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.2. Thiết kế nghiên cứu
3.2.5. Phương pháp phân tích dữ liệu
Sau khi tiến hành khảo sát, dữ liệu sẽ được phân tích bằng phần mềm SPSS phiên bản 20.0. Nghiên cứu sử dụng các phương pháp phổ biến trong kỹ thuật xử lý và phân tích dữ liệu như:
3.2.5.1. Bảng thống kê mô tả nhằm mô tả mẫu thu thập được theo các biến định tính như: Giới tính, độ tuổi, ngành học, trường, hộ khẩu thường trú và truyền thống kinh doanh của gia đình.
3.2.5.2. Kiểm định thang đo bằng hệ số tin cậy Cronbach’s Alpha là phương pháp kiểm định thống kê về mức độ chặt chẽ của tập hợp các biến quan sát trong thang đo. Theo như nghiên cứu của Hair và cộng sự (2010) thì hệ số Cronbach’s Alpha có giá trị từ 0.8 trở lên là thang đo tốt, từ 0.7 đến gần 0.8 là sử dụng được. Tuy nhiên, cũng có nhiều nhà nghiên cứu đề nghị
hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu. Trong trường hợp Conbach’s Alpha quá cao (>0.95) thì xuất hiện hiện tượng trùng lắp (đa cộng tuyến) trong đo lường, nghĩa là nhiều biến trong thang đo không có khác biệt gì nhau (Nguyễn Đình Thọ, 2013).
Khi đó, biến thừa nên được loại bỏ nhưng Conbach’s Alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Cho nên, bên cạnh hệ số Cronbach’s Alpha, người ta còn sử dụng hệ số tương quan biến tổng. Những biến nào có tương quan biến tổng <0.3 sẽ bị loại bỏ.
3.2.5.3. Phương pháp phân tích nhân tố khám phá (EFA) là phương pháp nhằm đánh giá giá trị của thang đo, loại các biến quan sát không đạt yêu cầu và rút trích các biến quan sát thành từng nhóm có mối tương quan với nhau. Các bước thực hiện phân tích nhân tố gồm:
Kiểm tra mối tương quan giữa các biến trong tổng thể và mức độ thích hợp của phân tích EFA bằng chỉ số KMO và giá trị thống kê Bartlett.
Yêu cầu:
+ KMO>0.5
+ Mức ý nghĩa quan sát nhỏ Sig < 0.05
Xác định số lượng các nhân tố được trích ra và các biến thuộc từng nhân tố. Tiêu chuẩn để đánh giá gồm:
+ Chỉ số Eigenvalues đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Eigenvalues >1 thì nhân tố rút ra có ý ghĩa tóm tắt thông tin tốt nhất.
+ Tổng phương sai trích > 50% để chứng minh mô hình phù hợp với dữ liệu phân tích.
+ Hệ số tải nhân tố - Factor loadings là hệ số tương quan giữa biến và nhân tố. Thang đo đạt giá trị hội tụ khi hệ số tải nhân tố >
0.5. Khi có biến được tải lên ở các nhân tố khác nhau với mức độ chênh lệch hệ số tải < 0.3 thì biến đó sẽ bị loại.
3.2.5.4. Phương pháp phân tích hồi quy tuyến tính bội Các bước thực hiện phân tích hồi quy như sau:
Bước 1: Phân tích tương quan để kiểm tra mức độ tuyến tính giữa hai biến.
Nếu hệ số tương quan giữa biến phụ thuộc và các biến độc lập lớn thì chúng có mối quan hệ tuyến tính với nhau. Điều này cho thấy, hồi quy tuyến tính có thể được thực hiện.
Bước 2: Xây dựng phương trình hồi quy.
Y = β1X1 + β2X2+ β3X3 + β4X4 + ...+ βkXk
Các bước thực hiện như sau:
Dùng phương pháp đưa các biến vào cùng một lượt – Phương pháp Enter.
Đánh giá độ phù hợp của mô hình hồi quy với tập dữ liệu bằng hệ số R2 hiệu chỉnh (Audjusted R Square).
Kiểm định F dùng để xem xét mức độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Nếu Sig kiểm định F <0.05 thì mô hình hồi quy có ý nghĩa.
Đánh giá mức độ tác động của các biến độc lập lên biến phụ thuộc qua việc xác định hệ số beta.
Bước 3: Kiểm tra vi phạm các giả định hồi quy
Qua kiểm định, ta đã có được mô hình hồi quy. Tuy nhiên, cần phải thực hiện thêm các bước để kiểm tra xem mô hình hồi quy có vi phạm các giả định hay không.
Giả định 1: Quan hệ tuyến tính – Dùng đồ thị Scatter
Giả định 2: Phần dư có phân phối chuẩn – Dùng đồ thị Histogram và P - P plot
Giả định 3: Không có tương quan giữa các phần dư – Dùng đại lượng thống kê Durbin – Watson. Nếu Durbin – Watson gần bằng 2 thì đạt yêu cầu.
Giả định 4: Không có hiện tượng đa cộng tuyến – Dùng hệ số VIF để kiểm tra. Nếu VIF >10 cho thấy có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008)
3.2.5.5. Kiểm định sự khác biệt
Phương pháp sử dụng là phép kiểm định Independent - Sample t - test hoặc phân tích phương sai ANOVA.
Independent - Sample t - test: Được sử dụng trong trường hợp các yếu tố nhân khẩu học có 2 thuộc tính (Ví dụ: Giới tính bao gồm nam và nữ).
Phân tích phương sai ANOVA được sử dụng trong trường hợp các yếu tố nhân khẩu học có 3 thuộc tính trở lên. (Vi dụ: Độ tuổi gồm 3 nhóm: Từ 18 đến 20 tuổi, từ trên 20 đến 22 tuổi và trên 22 tuổi). Điều kiện để thực hiện ANOVA là các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên, các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu đủ lớn để tiệm cận với phân phối chuẩn, phương sai của các nhóm so sánh phải đồng nhất.