Phân Tích Nhân Tố Khám Phá Efa Các Biến Độc Lập


Thang đo nhân tố “Tiện nghi du lịch (TNG)” được thiết lập từ sáu biến quan sát từ TNG1 đến TNH6. Kết quả phân tích bằng hệ số Cronbach’s Alpha cho thấy hệ số Alpha lớn hơn 0.7 (α = 0.875), các hệ số tương quan biến tổng của các quan sát đều lớn hơn 0.3. Điều đó cho thấy các biến quan sát được xây dựng để đo lường nhân tố “Tiện nghi du lịch” đạt tính nhất quán nội tại.

Thang đo nhân tố “Cơ sở hạ tầng (HT)” được thiết lập từ năm biến quan sát từ HT1 đến HT5. Kết quả phân tích bằng hệ số Cronbach’s Alpha cho thấy hệ số Alpha lớn hơn 0.7 (α = 0.706), các hệ số tương quan biến tổng của các quan sát đều lớn hơn

0.3. Điều đó cho thấy các biến quan sát được xây dựng để đo lường nhân tố “Cơ sở hạ tầng” đạt tính nhất quán nội tại.

Thang đo nhân tố “Yếu tố con người (CN)” được thiết lập từ năm biến quan sát từ CN1 đến CN5. Kết quả phân tích bằng hệ số Cronbach’s Alpha cho thấy hệ số Alpha lớn hơn 0.7 (α = 0.845), các hệ số tương quan biến tổng của các quan sát đều lớn hơn 0.3. Điều đó cho thấy các biến quan sát được xây dựng để đo lường nhân tố “Yếu tố con người” đạt tính nhất quán nội tại.

Thang đo nhân tố “Hỗ trợ của chính quyền (CQ)” được thiết lập từ năm biến quan sát từ CQ1 đến CQ5. Kết quả phân tích bằng hệ số Cronbach’s Alpha cho thấy hệ số Alpha lớn hơn 0.7 (α = 0.766), các hệ số tương quan biến tổng của các quan sát đều lớn hơn 0.3. Điều đó cho thấy các biến quan sát được xây dựng để đo lường nhân tố “Hỗ trợ của chính quyền” đạt tính nhất quán nội tại.

Thang đo nhân tố “Bầu không khí du lịch (BKK)” được thiết lập từ sáu biến quan sát từ BKK1 đến BKK6. Kết quả phân tích bằng hệ số Cronbach’s Alpha cho thấy hệ số Alpha lớn hơn 0.7 (α = 0.788), các hệ số tương quan biến tổng của các quan sát đều lớn hơn 0.3. Điều đó cho thấy các biến quan sát được xây dựng để đo lường nhân tố “Bầu không khí du lịch” đạt tính nhất quán nội tại.

Thang đo nhân tố “Sự hài lòng (HL)” được thiết lập từ bốn biến quan sát từ HL1 đến HL4. Kết quả phân tích bằng hệ số Cronbach’s Alpha cho thấy hệ số Alpha


lớn hơn 0.7 (α = 0.724), các hệ số tương quan biến tổng của các quan sát đều lớn hơn

0.3. Điều đó cho thấy các biến quan sát được xây dựng để đo lường nhân tố “Sự hài lòng” đạt tính nhất quán nội tại.

4.3.2 Phân tích nhân tố khám phá EFA

4.3.2.1 Phân tích nhân tố khám phá EFA các biến độc lập

Các biến quan sát tương ứng với sáu yếu tố tác động đến sự hài lòng được đưa vào phân tích nhân tố khám phá EFA. Kết quả phân tích cho thấy có sáu nhân tố được rút trích. Hệ số KMO = 0.881 (>0.5) cho thấy phân tích nhân tố phù hợp với dữ liệu nghiên cứu. Tuy nhiên, kết quả phân tích cũng cho thấy hệ số tải nhân tố của biến quan sát BKK5 thấp hơn 0.5 (0.435), nên biến quan sát này bị loại.

Sau khi phân tích nhân tố khám phá lần 2, kết quả kiểm định Bartlett cho thấy mức ý nghĩa rất cao Sig. = 0.000 và hệ số KMO = 0.879 > 0.5 cho thấy tập dữ liệu trên là phù hợp cho các phân tích thống kê tiếp theo.

Bảng 4.4 Kiểm định KMO và Bartlett của các biến Hình ảnh điểm đến (biến độc lập)


Giá trị KMO

0.879

Kiểm định Barlett

df

465

Sig.

0.000

Có thể bạn quan tâm!

Xem toàn bộ 137 trang tài liệu này.

Nguồn: Kết quả xử lý dữ liệu điều tra

Điểm dừng Eigenvalues = 1.330 và tổng phương sai trích là 57.219% (>50%) đạt yêu cầu và có ý nghĩa thực tiễn. Bảng kết quả hệ số tải nhân tố của tất cả các biến quan sát đều khá cao (từ 0.524 đến 0.867). Kết quả này chỉ ra rằng các biến quan sát trong tổng thể có mối tương quan với nhau và phân tích EFA là thích hợp.

Như vậy, sau khi loại bỏ biến quan sát BKK5_Cảm giác thú vị và ham muốn khám phá và thực hiện phân tích nhân tố lần 2, các biến quan sát đều được gom lại theo đúng sáu nhân tố ban đầu của tác giả, không có sự gộp biến hay tách biến sang một nhóm nhân tố khác và các biến quan sát đều đạt giá trị phân biệt. Cụ thể:


Đặc điểm tự nhiên: có 5 biến quan sát là TNH1, TNH2, TNH3, TNH4, TNH5

Tiện ích du lịch: có 6 biến quan sát là TNG1, TNG2, TNG3, TNG4, TNG5, TNG6

Cơ sở hạ tầng du lịch: có 5 biến quan sát là HT1, HT2, HT3, HT4, HT5

Yếu tố con người: có 5 biến quan sát là CN1, CN2, CN3, CN4, CN5

Hỗ trợ của chính quyền: có 5 biến quan sát là: CQ1, CQ2, CQ3, CQ4, CQ5

Bầu không khí du lịch: có 5 biến quan sát là BKK1, BKK2, BKK3, BKK4, BKK6

4.3.2.2 Phân tích nhân tố khám phá EFA biến phụ thuộc

Kết quả phân tích nhân tố EFA biến phụ thuộc “sự hài lòng của du khách” với bốn biến quan sát cho thấy thang đo này đạt yêu cầu, cụ thể cả bốn biến quan sát đều gom về một nhân tố. Kết quả kiểm định KMO và Bartlett cho thấy giá trị Sig. = 0.000 và hệ số KMO = 0.725 > 0.5, kết quả này cho thấy việc phân tích nhân tố là phù hợp.

Thêm vào đó, hệ số tải nhân tố của tất cả các biến quan sát đều lớn hơn 0.5 (từ 0.719 đến 0.793) cho thấy thang đo đạt giá trị hội tụ. Tổng phương sai trích là 55.035% (>50%), hệ số Eigenvalues = 2.201 >1 đạt yêu cầu và có ý nghĩa thực tiễn.

Bảng 4.5 Kết quả phân tích nhân tố thang đo sự hài lòng (biến phụ thuộc)



Biến quan sát

Nhân tố


Tên nhân tố

1

HL1

.723


Sự hài lòng của du khách

HL2

.719

HL3

.730

HL4

.793

Hệ số KMO 0.725

Kiểm định Bartlett (Sig.) 0.000

Tổng phương sai trích (%) 55.035

Nguồn: Kết quả xử lý dữ liệu điều tra


4.4 Phân tích tương quan

Để thực hiện phân tích hồi quy, trước hết cần xem xét mối tương quan tuyến tính giữa các biến phụ thuộc và từng biến độc lập, cũng như là giữa các biến độc lập với nhau. Tác giả sử dụng kiểm định Pearson để xem xét mối quan hệ tương quan giữa các biến.

Kết quả phân tích trong Bảng 4.6 cho thấy hệ số tương quan giữa biến Sự hài lòng của du khách (HL) với các biến độc lập TNH, TNG, HT, CN, CQ, BKK đều lớn hơn 0.30 và các Sig đều có giá trị 0.000. Như vậy, các biến độc lập đều tương quan khá chặt với các biến phụ thuộc HL và có thể đưa vào mô hình để giải thích cho biến sự hài lòng của du khách.

Bảng 4.6 Ma trận tương quan giữa các biến



HL

TNH

TNG

HT

CN

CQ

BKK

HL

Hệ số tương quan

1

.592**

.475**

.436**

.550**

.531**

.566**


Mức ý nghĩa (kiểm định 2 phía)


.000

.000

.000

.000

.000

.000


N

256

256

256

256

256

256

256

TNH

Hệ số tương quan


1

.478**

.428**

.498**

.459**

.427**


Mức ý nghĩa (kiểm định 2 phía)


.000

.000

.000

.000

.000


N

256

256

256

256

256

256

TNG

Hệ số tương quan



1

.346**

.439**

.420**

.332**


Mức ý nghĩa (kiểm định 2 phía)


.000

.000

.000

.000


N

256

256

256

256

256

HT

Hệ số tương quan




1

.302**

.264**

.337**


Mức ý nghĩa (kiểm định 2 phía)


.000

.000

.000


N

256

256

256

256

CN

Hệ số tương quan





1

.572**

.480**


Mức ý nghĩa (kiểm định 2 phía)


.000

.000


N

256

256

256

CQ

Hệ số tương quan






1

.377**


Mức ý nghĩa (kiểm định 2 phía)


.000


N

256

256


BKK

Hệ số tương quan







1


Mức ý nghĩa (kiểm định 2 phía)



N

256

**. Tương quan mức ý nghĩa 1%


4.5 Phân tích hồi quy


Nguồn: Kết quả xử lý dữ liệu điều tra

4.5.1 Kiểm định sự phù hợp của mô hình hồi quy

Để kiểm định độ phù hợp của mô hình tác giả sử dụng kiểm định F trong phân tích phương sai ANOVA nhằm xem xét biến phụ thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập hay không. Theo kết quả tại Bảng 4.7 cho thấy giá trị Sig

= 0.000, thấp hơn mức ý nghĩa 5%, điều này chứng tỏ các biến độc lập trong mô hình có thể giải thích sự biến thiên của biến phụ thuộc hay nói cách khác mô hình được xây dựng phù hợp với tập dữ liệu.

Bảng 4.7 Kết quả kiểm định F- ANOVA


ANOVAb


Mô hình

Tổng độ lệch bình phương


df

Độ lệch bình phương bình quân


F


Sig.

1

Hồi quy

33.749

6

5.625

51.403

.000a

Phần dư

27.247

249

.109



Tổng

60.996

255




Nguồn: Kết quả xử lý dữ liệu điều tra

Theo kết quả kiểm định trên, mô hình hồi quy tuyến tính bội được xây dựng phù hợp với tập dữ liệu và có thể sử dụng được.

4.5.2 Kiểm định các giả định của mô hình hồi quy

4.5.2.1 Giả định 1: Không có hiện tượng đa cộng tuyến

Đa cộng tuyến là trạng thái mà các biến độc lập có tương quan chặt chẽ với nhau. Hiện tượng này mang đến cho mô hình những thông tin gần giống nhau và rất khó xác định rõ ảnh hưởng của từng biến độc lập đến biến phụ thuộc. Ngoài ra, nó còn


làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê t của kiểm định ý nghĩa khiến cho các hệ số kém ý nghĩa hơn dù R2 vẫn rất cao (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Để xác định hiện tượng này tác giả dựa trên hệ số phóng đại phương sai VIF (Variance Inflation Factor), nếu VIF của một biến độc lập có giá trị lớn hơn 10 thì biến này không có giá trị giải thích cho sự biến thiên của biến phụ thuộc trong mô hình hồi quy.

Kết quả hồi quy tại Bảng 4.10 cho thấy, hệ số VIF của các biến độc lập có giá trị thấp nhất là 1.301 và cao nhất là 1.838, nên có thể kết luận không có hiện tượng đa cộng tuyến xảy ra.

4.5.2.2 Giả định 2: Tính độc lập của sai số (không có tương quan giữa các phần dư)

Có sự tồn tại của phần dư trong mô hình có thể là do các biến có ảnh hưởng không được đưa hết vào mô hình do giới hạn và mục tiêu nghiên cứu, chọn dạng tuyến tính cho mối quan hệ lẽ ra là phi tuyến tính, sai số trong đo lường các biến,… Các lý do này có thể dẫn đến vấn đề tương quan chuỗi trong sai số và cũng gây ra những sai lệch cho mô hình hồi quy tuyến tính như hiện tương phương sai thay đổi.

Đại lượng thống kê Durbin – Watson (d) có thể dùng để kiểm định tương quan của giữa các phần dư (tương quan chuỗi bậc nhất). Nếu các phần dư không có tương quan chuỗi với nhau thì giá trị d sẽ gần bằng 2 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc , 2008).

Kết quả kiểm định Durbin – Watson tại Bảng 4.8 cho thấy, giá trị d xấp xỉ bằng 2 (d = 1.834) vậy có thể khẳng định không có hiện tượng tự tương quan xảy ra hay nói cách khác giả định về tính độc lập của sai số không bị vi phạm.

Bảng 4.8 Kết quả kiểm định tự tương quan của các phần dư


Mô hình

R

R2

R2 điều chỉnh

Độ lệch chuẩn của ước lượng

Durbin-Watson

1

.744a

.553

.543

.33080

1.834


Nguồn: Kết quả xử lý dữ liệu điều tra

4.5.2.3 Giả định 3: Phương sai của sai số không đổi

Giả định này được kiểm tra bằng biểu đố phân tán Scatter cho phần dư chuẩn hoá và giá trị dự đoán chuẩn hoá và kiểm định Spearman giữa trị tuyệt đối phần dư với từng biến độc lập riêng biệt.

Kết quả tại Hình 4.2 cho thấy các phần dư phân tán ngẫu nhiên quanh trục 0 và không tạo thành một hình dạng nào cụ thể. Như vậy, có thể kết luận mô hình hồi quy không vi phạm giả định phương sai của sai số không đổi hay nói cách khác mô hình hồi quy phù hợp.

Hình 4 2 Đồ thị Scatterplot Nguồn Kết quả xử lý dữ liệu điều tra Ngoài ra 1


Hình 4.2 Đồ thị Scatterplot

Nguồn: Kết quả xử lý dữ liệu điều tra

Ngoài ra, kết quả kiểm định Spearman giữa trị tuyệt đối phần dư với từng biến độc lập riêng biệt tại Bảng 4.9, cho thấy các giá trị Sig của kiểm định đều lớn hơn mức ý nghĩa (0.05), nên ta có thể kết luận phương sai của sai số không đổi.


Bảng 4.9 Kết quả kiểm định tương quan hạng Spearman


Kiểm định Spearman

TNH

TNG

HT

CN

CQ

BKK

ABS


ABS

Hệ số tương quan

-.031

-.007

.058

.008

-.002

.071

1.000

Mức ý nghĩa (kiểm định 2 phía)

.620

.912

.358

.898

.969

.261

.

N

256

256

256

256

256

256

256

Nguồn: Kết quả xử lý dữ liệu điều tra

4.5.2.4 Giả định 4: Phần dư có phân phối chuẩn

Để thực hiện kiểm định giả thiết này, tác giả sử dụng đồ thị Histogram của phần dư chuẩn hoá và đồ thị Q-Q plot. Đồ thị Histogram (Hình 4.3) có dạng đường cong phân phối chuẩn được đặt chồng lên biểu đồ tần số. Vì sẽ có sự chênh lệch do lấy mẫu nên có thể thấy phân phối phần dư xấp xỉ chuẩn với giá trị trung bình xấp xỉ bằng 0 và độ lệch chuẩn gần bằng 1 (Std.Dev = 0.988) (Hoàng Trọng và Chu Nguyễn Mộng Ngọc , 2008). Do đó, có thể kết luận rằng giả thiết phân phối chuẩn của phần dư không bị vi phạm..

Hình 4 3 Đồ thị Histogram Nguồn Kết quả xử lý dữ liệu điều tra 2

Hình 4.3 Đồ thị Histogram

Nguồn: Kết quả xử lý dữ liệu điều tra

Xem toàn bộ nội dung bài viết ᛨ

..... Xem trang tiếp theo?
⇦ Trang trước - Trang tiếp theo ⇨

Ngày đăng: 04/06/2023