Phương Pháp Phân Tích Dữ Liệu Định Lượng Trong Luận Văn

Luận Văn Thạc Sĩ Quản Lý Công

Phương Pháp Phân Tích Dữ Liệu Định Lượng Trong Luận Văn, để hiểu rõ hơn về phương pháp phân tích dữ liệu trong luận văn thì, các bạn học viên không thể bỏ qua bài viết dưới đây tại luanvanpanda.com. Để có thể làm được một bài luận văn thạc sĩ về hành chính công, thì các bạn học viên không nên bỏ qua bài viết mà luanvanpanda.com chia sẻ. 

Để hiểu rõ hơn về những Phương Pháp Phân Tích Dữ Liệu Định Lượng Trong Luận Văn là gì? thì luanvanpanda.com sẽ chia sẻ đến các bạn học viên ngành quản lý công, đang muốn tìm hiểu về đề tài hành chính công, và muốn làm bài luận văn thạc sĩ của mình. Ngoài ra, luanvanpanda.com còn hỗ trợ các bạn học viên tư vấn đề tài, làm đề cương và hoàn thiện bài luận thạc sĩ cho bạn.

Do thời gian có hạn nên luanvanpanda chỉ có thể chia sẻ được những Phương Pháp Phân Tích Dữ Liệu Định Lượng Trong Luận Văn là gì? trên, mong là sẽ giúp ích được cho các bạn học viên đang làm bài luận văn thạc sĩ về dịch vụ hành chính công được tốt hơn.

CHÚ Ý: Ngoài ra, còn rất nhiều đề tài luận văn thạc sĩ về dịch vụ hành chính công, được luanvanpanda tổng hợp về vấn đề này các bạn có thể bấm tại đây: 

=====>>> Luận Văn Thạc Sĩ Hành Chính Công

1. Đánh giá độ tin cậy của thang đo (hệ số Cronbach’s Alpha)

Để kiểm định mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau thông qua việc tính toán Cronbach’s Alpha. Phân tích độ tin cậy Cronbach’s Alpha nhằm loại bỏ các biến có độ tin cậy thấp. Hệ số Cronbach’s Alpha dùng để kiểm định mối tương quan giữa các biến (Reliability Analysis). Nếu biến nào mà sự tồn tại của nó làm giảm Cronbach’s Alpha thì sẽ được loại bỏ để Cronbach’s Alpha tăng lên, các biến còn lại giải thích rõ hơn về bản chất của khái niệm thang đo.

Hệ số Cronbach’s Alpha phải có giá trị từ 0,6 đến gần 1 thì mới đảm bảo các biến trong cùng một nhân tố có tương quan với nhau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).

Hay là một thang đo có độ tin cậy rất tốt khi hệ số Cronbach’s Alpha biến thiên trong khoảng (0,8: 0,95), biến thiên trong khoảng (0,7: 0,8) được xem là tốt, biến thiên trong khoảng (0,6: 0,7) thì chấp nhận được. Nếu hệ số này nhỏ hơn 0,6 thì nhà nghiên cứu nên điều chỉnh thang đo hay tiến hành khảo sát lại để có kết quả chính xác hơn (Đinh Bá Hùng Anh, 2017, trang 143).

Ngoài ra, trong mỗi thang đo, hệ số tương quan biến tổng (Corrected – total Correlation) thể hiện sự tương quan giữa một biến quan sát với tất cả các biến khác trong thang đo. Do đó hệ số này càng cao thì sự tương quan các biến quan sát này với các biến khác trong thang đo càng cao. Theo Nunnally & Burnstein (1994) các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 được xem là biến rác và loại khỏi thang đo

Do đó trong nghiên cứu này, tác giả chỉ chọn những biến có Hệ số Cronbach’s Alpha > 0,6 và có Hệ số tương quan tổng biến phù hợp > 0,3 mới được xem là chấp nhận được và thích hợp đưa vào phân tích những bước tiếp theo. Các biến quan sát có hệ số tương quan biến tổng < 0,3 sẽ bị loại.

2. Phân tích nhân tố khám phá EFA

Phân tích nhân tố là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập hợp biến (nhân tố) ít hơn nhưng vẫn chứa đựng hầu hết nội dung của tập biến ban đầu (Hair và cộng sự, 1998).

Kaiser –Meyer-Olkin (KMO) là chỉ số dùng để xem xét sự thích hợp của EFA và mức ý nghĩa đáng kể của kiểm định Barlett. KMO có giá trị thích hợp từ 0,5 đến 1. Nếu giá trị hệ số KMO của thang đo thuộc khoảng (0-0,5) thì phân tích nhân tố EFA là không thích hợp vì tương quan riêng phần chiếm tỷ trọng lớn. (Đinh Bá Hùng Anh, 2017, trang 170).

Kiểm định Barlett’s test sphericity xem xét giả thuyết H0 độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể và bác bỏ giả thuyết H0.

Phương sai trích (Cumulative % of variance): phần trăm biến thiên của các biến quan sát được giải thích bởi các nhân tố phải đảm bảo ≥ 50% Phương sai trích hệ số được sử dụng là Principal Component Analysis với phép xoay Varimax để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố và các nhân tố không có sự tương quan lẫn nhau.

Xác định số nhân tố bằng phương pháp dựa vào Eigenvalue: chỉ giữ lại những nhân tố có Eigenvalue lớn hơn 1 trong mô hình phân tích.

3. Phân tích tương quan

Hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng, nếu giữa 2 biến có sự tương quan chặt thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Trong phân tích tương quan Pearson, không có sự phân biệt giữa các biến độc lập và biến phụ thuộc mà tất cả đều được xem xét như nhau.

Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau và chúng cung cấp cho mô hình những thông tin rất giống nhau và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Hiệu ứng khác của sự tương quan khá chặt giữa các biến độc lập là nó làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm trị thống kê t của kiểm định ý nghĩa của chúng nên các hệ số có khuynh hướng kém ý nghĩa hơn khi không có đa cộng tuyến trong khi hệ số xác định R square vẫn khá cao.

4. Phân tích hồi quy

Phân tích hồi quy: là phương pháp dùng để phân tích mối quan hệ giữa một biến phụ thuộc với nhiều biến độc lập.

Phương pháp hồi quy có dạng Yi = B0 + B1 X1i + B2 X2i + B3 X3i +…+ BP XPi +ei . Trong đó:

– Xpi: biểu hiện giá trị của biến độc lập thứ tự thứ p tại quan sát thứ i.

– Bp: hệ số hồi quy riêng phần.

ei: là biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phương sai không đổi α2

Mục đích của việc phân tích hồi quy là dự đoán mức độ của các biến phụ thuộc khi biết trước giá trị của biến độc lập theo (Hoàng Trọng và Mộng Ngọc 2008)

Hệ số xác định R2 điều chỉnh: Hệ số xác định tỉ lệ biến thiên của biến phụ thuộc được giải thích bởi biến độc lập trong mô hình hồi qui. Đó cũng là 30 thông số đo lường độ thích hợp của đường hồi quy theo qui tắc R2 càng gần 1 thì mô hình xây dựng càng thích hợp, R2 càng gần 0 mô hình càng kém phù hợp với tập dữ liệu mẫu. Tuy nhiên, R2 có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu trong trường hợp có hơn 1 biến giải thích trong mô hình. Trong tình huống này R2 điều chỉnh (Adjusted R square) được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2 . Kiểm định F trong phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình tuyến tính tổng thể. Nếu giả thuyết H0 của kiểm định F bị bác bỏ thì có thể kết luận mô hình hồi qui tuyến tính đa biến phù hợp với tập dữ liệu và có thể sử dụng được.

Kiểm định Independent – Samples T-test và kiểm định One way ANOVA được dùng để xem xét ảnh hưởng của các biến liên quan đến đặc điểm cá nhân người khảo sát đến mức độ hài lòng chung của người dân và một số phân tích khác.

Quy trình nghiên cứu
Quy trình nghiên cứu

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

Chat Zalo
Chat Facebook
0932091562