CHƯƠNG 2: THIẾT KẾ NGHIÊN CỨU
2.6. CÁC PHƯƠNG PHÁP PHÂN TÍCH DỮ LIỆU
2.6.1. Phân tích độ tin cậy thang đo bằng hệ số Cronbach’s Alpha Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009).
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan giữa biến – tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
- Loại các biến quan sát có hệ số tương quan biến – tổng nhỏ (nhỏ hơn 0,3); tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0,6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunally và Burnstein 1994; dẫn theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009).
- Các mức giá trị của Alpha: lớn hơn 0,8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử dụng được; từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
- Các biến quan sát có tương quan biến – tổng nhỏ (nhỏ hơn 0,4) được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Alpha đạt yêu cầu (lớn hơn 0,7).
Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá thang đo dựa theo tiêu chí:
- Loại các biến quan sát có hệ số tương quan biến – tổng nhỏ hơn 0,4 (đây là những biến không đóng góp nhiều cho sự mô tả của khái niệm cần đo và nhiều nghiên cứu trước đây đã sử dụng tiêu chí này).
- Chọn thang đo có độ tin cậy Alpha lớn hơn 0,6 (các khái niệm trong nghiên cứu này là tương đối mới đối với đối tượng nghiên cứu khi tham gia trả lời bản câu hỏi điều tra).
2.6.2. Phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá (EFA) là một phương pháp phân tích thống kê dùng để tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và cộng sự, 1998). Trong nghiên cứu này phân tích nhân tố khám phá được sử
dụng để nhóm các yếu tố ảnh hưởng đến ý định mua rau an toàn của khách hàng thành những nhân tố.
Để có ý nghĩa thống kê thì kết quả phân tích nhân tố khám phá phải đảm bảo các chỉ tiêu sau:
ỉ Hệ số tải nhõn tố (Factor loading): Theo Hair và cộng sự (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 được xem là đạt mức tối thiểu.
- Factor loading > 0,4 được xem là quan trọng.
- Factor loading > 0,5 được xem là có ý nghĩa thực tiễn.
Theo Hair và cộng sự (1998) đã xác định như sau: Nếu Factor loading
> 0,3 thì mẫu phải ít nhất là 350, nếu mẫu khoảng 100 thì Factor loading >
0,55, nếu cỡ mẫu khoảng 50 thì Factor loading > 0,75 [Theo Hair và cộng sự, Multivariate Data Analysis, Prentice-Hall International, 1998)
ỉ 0,5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser – Meyer – Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO < 0,5 thì phân tích nhân tố có khả năng không phù hợp với các dữ liệu
ỉ Kiểm định Bartlett cú ý nghĩa thống kờ (Sig. < 0,05): Đõy là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0,05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
2.6.3. Phân tích hồi quy đa biến và phân tích tương quan
Sau quá trình thực hiện kiểm định thang đo: đánh giá độ tin cậy thang đo (sử dụng hệ số tin cậy Cronbach’s Alpha) và kiểm định giá trị khái niệm của thang đo (phân tích nhân tố khám phá EFA); tiến hành tính toán nhân số của nhân tố (giá trị của các nhân tố trích được trong phân tích
nhân tố EFA) bằng cách tính trung bình cộng của các biến quan sát thuộc nhân tố tương ứng.
Các nhân tố được trích ra trong phân tích nhân tố được sử dụng cho phân tích hồi quy đa biến để kiểm định mô hình nghiên cứu và các giả thuyết kèm theo. Các kiểm định giả thuyết thống kê đều áp dụng mức ý nghĩa là 5%.
Phân tích tương quan:
- Kiểm định mối tương quan tuyến tính giữa các biến trong mô hình:
giữa biến phụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau.
Đồ thị phân tán cũng cung cấp thông tin trực quan về mối tương quan tuyến tính giữa hai biến. Sử dụng hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ mối liên hệ tuyến tính giữa hai biến định lượng: giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
- Trong mô hình nghiên cứu, kỳ vọng có mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc và các biến độc lập; đồng thời cũng xem xét mối tương quan giữa các biến độc lập với nhau để nhận dạng hiện tượng đa cộng tuyến.
Phân tích hồi quy đa biến:
- Sau khi kết luận là hai biến có mối liên hệ tuyến tính thì có thể mô hình hóa mối quan hệ nhân quả của hai biến này bằng hồi quy tuyến tính (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
- Nghiên cứu thực hiện hồi quy đa biến theo phương pháp Enter: tất cả các biến được đưa vào một lần và xem xét các kết quả thống kê liên quan.
- Phương trình hồi quy đa biến cho mô hình nghiên cứu đề xuất ban đầu (theo mô hình lý thuyết):
BI = b0 + b1*SN + b2*PBC + b3*PQ+ b4* PV + b5* PK+ b6* BA
Thông tin các biến trong mô hình:
Bảng 2.11: Mô tả các biến trong phương trình hồi quy đa biến
BIẾN Ý NGHĨA
BI Ý định mua
SN Niềm tin
PBC Nhận thức về giá
PQ Hình thức rau an toàn
PV Chất lượng cảm nhận
PK Ý thức sức khỏe
BA Mối quan tâm về an toàn thực phẩm
Kiểm định các giả thuyết, sử dụng với phần mềm SPSS:
- Đánh giá độ phù hợp của mô hình hồi quy đa biến - Kiểm định giả thuyết về độ phù hợp của mô hình
- Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các biến độc lập) thông qua giá trị của độ chấp nhận (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor): VIF > 10 thì có thể nhận xét có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
- Xác định mức độ ảnh hưởng của các yếu tố tác động đến ý định mua rau an toàn: yếu tố có hệ số b càng lớn thì có thể nhận xét rằng yếu tố đó có mức độ ảnh hưởng cao hơn các yếu tố khác trong mô hình nghiên cứu.
2.6.4. Phân tích ANOVA
Phân tích ANOVA để xem xét sự khác biệt về ý định mua rau an toàn của người tiêu dùng tại thành phố Đà Nẵng theo các thuộc tính của đối tượng nghiên cứu: độ tuổi, giới tính và thu nhập.
Một số giả định được sử dụng để phân tích ANOVA:
– Các nhóm so sánh phải so sánh độc lập và được so sánh một cách ngẫu nhiên.
– Các nhóm so sánh phải có sự phân phối chuẩn và cỡ mẫu phải đủ lớn để được xem là tiệm cận phân phối chuẩn.
– Phương sai các nhóm so sánh phải đồng nhất.
Kiểm định Test of Homogeneity of Variances sử dụng thống kê Leneve cho biết kết quả kiểm định phương sai. Với mức ý nghĩa lớn hơn 0,05 có thể nói phương sai của biến đánh giá giữa các nhóm người tiêu dùng là đồng nhất và có ý nghĩa thống kê. Như vậy, phân tích ANOVA có thể sử dụng tốt.
KẾT LUẬN CHƯƠNG 2
Toàn bộ nội dung chương 2 đề cập đến mô hình nghiên cứu đề xuất, xây dựng thang đo và trình bày phương pháp nghiên cứu. Quy trình nghiên cứu gồm 2 giai đoạn, giai đoạn 1 là nghiên cứu định tính và giai đoạn 2 là nghiên cứu định lượng.
CHƯƠNG 3