Nhiều nghiên cứu trước đây đã khẳng định rằng ấn tượng của người tiêu dùng về nước xuất xứ của sản phẩm có thể ảnh hưởng đến quá trình ra quyết định mua của người tiêu dùng,ï đặc b
Trang 1Chương : ⅤPHÂN TÍCH DỮ LIỆU VÀ BÁO CÁO KẾT QUẢ
5.1. TỔNG QUAN VỀ DỮ LIỆU ĐƯỢC THU THẬP
Dữ liệu phục vụ cho nghiên cứu này được thu thập thông qua cuộc điều tra với khung mẫu người tiêu dùng của công ty goo Research trên Internet Cuộc điều tra này bắt đầu từ ngày 4 tháng 12 năm 2003 với tên cuộc điều tra là “Điều tra về ngoại quốc”, và gửi 1150 thư điện tử mời tham gia (Phụ lục A.5) vào cuộc điều tra này cho các người monitor được truy xuất từ khung mẫu người tiêu dùng một cách hoàn toàn ngẫu nhiên, để nhằm thu được 300 câu trả lời 3 ngày sau, đã thu thập được hơn 300 trả lời, cuộc điều tra ngừng việc thu thập dữ liệu trên trang Web và kết thúc.
Sau khi thu thập dữ liệu thông qua Internet, dữ liệu được kiểm tra về mặt tính hữu hiệu Cuối cùng, 314 câu trả lời do người tiêu dùng ở Nhật được sử dụng trong việc phân tích dữ liệu Một số đặc tính của người trả lời về nhân khẩu học được trình bày ở trang 93 trong phụ lục C Trong đó, chúng ta nhận thấy một số đặc điểm của tập hợp mẫu đã thu được như sau đây:
Tỷ lệ Nữ hơi cao hơn so với tỷ lệ của tổng thể nhân dân Nhật Có thể là vì tên điều tra là “điều tra về ngoại quốc” Thông thường phụ nữ quan tâm nhiều hơn về văn hoá, du lịch ngoại quốc.(Cụ thể là Nam: 43.6%, Nữ: 56.4%)
Tỷ lệ theo tuổi của tập hợp mẫu tương tự như khung mẫu của người tiêu dùng của công ty goo Research, tức là tập hợp mẫu bao gồm nhiều người tuổi trẻ hơn tổng thể người tiêu dùng ở thị trường Nhật (Cụ thể, tập hợp mẫu có Ave.: 36.2 tuổi, Min.: 15 tuổi, Max.: 69 tuổi)
Như vậy, chúng ta không thể nói là tập hợp mẫu của nghiên cứu này đủ đại diện cho các đặc tính nhân khẩu học của tổng thể người tiêu dùng Nhật Nhưng ở đây không quan tâm đến ảnh hưởng do sự khác biệt nhân khẩu học giữa tập hợp mẫu và tổng thể lên mô hình Aûnh hưởng sự khác biệt về nhân khẩu học được đánh giá sơ bộ ở phần sau.
Về kinh nghiệm của người tiêu dùng Nhật tiếp xúc trực tiếp với đất nước Việt Nam, thì hơn 95 % người tiêu dùng trong tập hợp mẫu không có kinh nghiệm đến Việt Nam (Xin xem chi tiết ở trang 94 trong phụ lục C) Tỷ lệ đã
Trang 2có kinh nghiệm đến Việt Nam chỉ là dưới 5 %, tương đối thấp, và ảnh hưởng
của yếu tố này lên mô hình là nhỏ (Balabanis et al., 2001), cho nên trong
nghiên cứu này không quan tâm đến sự ảnh hưởng lên mô hình do sự khác biệt về kinh nghiệm đến Việt Nam trong quá trình phân tích kết quả.
Nghiên cứu này còn thu thập rất nhiều thuộc tính của người tiêu dùng nhờ hệ thống quản lý người Monitor do công ty goo Research Các thuộc tính khác cũng có thể ảnh hưởng đến mô hình, nhưng sự ảnh hưởng đó không nằm phạm vi của mô hình và nghiên cứu, cho nên nghiên cứu này không quan tâm đến chúng.
5.2. KIỂM TRA VỀ TÍNH PHÂN PHỐI CHUẨN CỦA DỮ LIỆU
Lý thuyết về phương pháp Structual Equation Modeling (SEM) và các phần mềm như Amos được thiết lập dựa trên giả thiết phân phối chuẩn đa biến (Multivariate normality) cho dữ liệu được phân tích Do đó, nghiên cứu này kiểm tra về tính phân phối chuẩn của dữ liệu trước khi chuyển sang phân tích nhân tố khám phá
Trong nghiên cứu này dữ liệu chủ yếu được đo lường bằng thang đo 5 điểm Dữ liệu do thang đo 5 điểm không phải là dữ liệu liên tục để hình thành phân phối chuẩn về mặt ý nghĩa chính xác Nhưng trong nghiên cứu gần đây, “các dữ liệu do thang đo trên 5 điểm có thể được coi là dữ liệu liên tục để phục vụ cho các phân tích đa biến” (Hagyuda, 1996; Kano and Miura, 2002) Vì vậy, ở đây coi các dữ liệu đã được thu thập là dữ liệu liên tục, và kiểm tra về tính phân phối chuẩn của các biến, dựa trên hai chỉ số là độ méo (skewness)” và hệ số nhọn của đỉnh (kurtosis) Các hệ số mô tả chỉ số thống kê được trình bày ở C.2 trang 95 trong phụ lục C.
Thông thường, chúng ta có thể nói hệ số skewness nằm trong phạm vi từ –
1.0 đến 1.0 thì phân phối dữ liệu không bị méo (Hair et al., 1992) Tất cả các
hệ số skewness cho các biến trong nghiên cứu này đều nằm trong khoảng từ - 1.0 đến 1.0, cho nên kết luận rằng, về mặt skewness các dữ liệu đã được thu thập đạt yêu cầu của tính phân phối chuẩn Còn đối với tính kurtosis, thì một số biến có giá trị hệ số kurtosis hơi lớn như câu 3-3, 3-6 trong bảng Questionnaire Nhưng chúng ta có thể kết luận rằng dữ liệu cho các biến trong nghiên cứu này không vi phạm với giả thiết phân phối chuẩn đa biến, và sự ảnh hưởng do hệ số Kurtosis hơi lớn cho một số biến được đánh giá sau khi
Trang 3thực hiện phân tích nhân tố Sự ảnh hưởng do kurtosis được đánh giá thông qua Bootstrap (1000 lần) trong phần mềm Amos 4.0 và đã xác nhận được là kurtosis trong dữ liệu nghiên cứu này không ảnh hưởng nhiều đến kết quả nghiên cứu.
5.3. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ
Trước khi phân tích phương pháp SEM, nghiên cứu này thực hiện phân tích nhân tố khám phá, để đánh giá sơ bộ độ đúng đắn (validity) và độ tin cậy (Reliability) cho bộ thang đo của mô hình Quá trình này nhằm xem xét các biến trong bộ thang đo có thực sự hình thành các nhân tố của mô hình nghiên cứu hay không, tức là 4 nhân tố trong mô hình (Hình 2.4), ấn tượng nước xuất xứ về con người (People), ấn tượng nước xuất xứ về sản phẩm (Products), niềm tin vào sản phẩm (Beliefs), thái độ người tiêu dùng (Attitudes) Joreskog-Lawley (1968), người đề xuất sự quan trọng của việc phân tích nhân tố khẳng định, cho rằng “trong phân tích nhân tố khám phá, chúng ta nên lấy các biến đạt hệ số loading > | 0.3 | để hình thành mô hình cho việc phân tích tiếp theo và sau đó kiểm chứng sự phù hợp của mô hình trong phân tích khẳng định”
Vì độ tin cậy là điều kiện tiên quyết phải xét trước, cho nên trong quá trình này cũng phân tích trước cho độ tin cậy, cụ thể là tính hệ số Cronbach alpha và Item-total correlation, cho các bộ thang đo của mỗi nhân tố trong mô hình nghiên cứu đã được thiết kế Các kết quả phân tích độ tin cậy trên SPSS được trình bày chi tiết ở C.3 trang 96 trong phụ lục C Hệ số Cronbach alpha cho mỗi thang đo là: thang đo cho People: 0.8752, cho Products: 0.8049, cho Beliefs: 0.9083, cho Attitudes: 0.9596, và các giá trị Item-total colleration của mọi biến đều lớn hơn 0.4, do đó, kết luận là độ tin cậy của các bộ thang đo đủ cao Tức là thang đo đủ nhất quan và ổn định.
Tiếp theo, thực hiện hai kiểm định là “KMO and Bartlett's Test” Kết quả chứng tỏ là việc sử dụng phân tích nhân tố trong trường hợp là thích hợp (Bảng 5.1) Phân tích nhân tố cho tất cả mọi biến trong mô hình được thực hiện với phương pháp rút trích nhân tố là “Principal axis factoring” và phương pháp xoay là “Promax” Còn tiêu chuẩn rút trích là Eigenvalues > 1 Trong đó tôi hy vọng rằng kết quả truy xuất 4 nhân tố đúng như mô hình nghiên cứu Kết quả phân tích nhân tố được trình bày ở bảng 5.2
Trang 4Bảng 5.1: KMO and Bartlett's Test
.9328074.531561.000Kaiser-Meyer-Olkin Measure of Sampling
Approx Chi-Squaredf
Sig.Bartlett's Test of
Bảng 5.2' Pattern Matrix cho tất cả mọi biến trong mô hìnha
.954 929 911 900 887 836 785 769 737 636
.919 916 774 734 669 594
.787 784 763 756 588 531
.506.316 747
.691
.391 368
1-5Nguoi VN than thien va thu vi1-2Dao tao KT duoc chu trong1-7VN tich cuc tham gia XH Q.te2-6Muc do pho bien cua SP VN cao2-2SP VN duoc p.phoi tren the gioi3-3Nhan xet T.san VN-Gia re1-8Nguoi VN nang cao chuan muc SH2-5Thuc an VN ngon
2-4VN la noi cung cap thuy san lon2-3VN huu nghi trong XH quoc te2-1SP VN duoc lam voi ky nang cao1-9Nguoi VN SX san pham KT cao
Trang 5Như vậy, bảng Pattern Matrix cho thấy là các nhân tố trích được đại diện cho sáu thành phần, trong khi mô hình nghiên cứu chứa bốn thành phần Ba nhân tố đầu trong bảng 5.2 đại diện cho ba thành phần là Attitudes, Beliefs, People, và các biến trong bộ thang đo có hệ số Loading có giá trị ý nghĩa, tức là > 0.3 với nhân tố của mình, chỉ trừ câu 3-3 Nhưng đối với Products thì hệ số Loading của các biến chia thành 3 nhân tố nhỏ với sự kết hợp với một số biến của thành phần khác, đặc biệt với một số biến của thành phần People Như vậy, chúng ta đánh giá được là bộ thang đo cho Products có tính đúng đắn không cao, kể cả tính đúng đắn hội tụ (Convergent validity) và tính đúng đắn khác biệt (Discriminant validity) Còn bộ thang đo cho People có tính đúng đắn khác biệt không cao Điều này cho thấy thành phần về ấn tượng nước xuất xứ giữa về con người và sản phẩm có sự khác biệt nhỏ Trong trường hợp này, chúng ta nghĩ đến khái niệm về ấn tượng nước xuất xứ thì có thể hình dung được là khái niệm ấn tượng về một quốc gia chứa rất nhiều nội dung và phức tạp Do đó, khi khái niệm về ấn tượng một quốc gia được chuyển thành hai thành phần một cách đơn giản, con người và sản phẩm, chúng ta rất khó phân biệt là nội dung nào sẽ phụ thuộc vào ấn tượng về con người hoặc ấn tượng về sản phẩm Như vậy, kết quả ở đây cho thấy điều mà tính đúng đắn phân biệt không cao cũng là một điều hợp lý
Để phân tích thêm cho kết quả nghiên cứu này, chúng ta cần phải phân biệt nhân tố cho hai thành phần là ấn tượng về con người và ấn tượng về sản phẩm Cho nên thực hiện một cuộc phân tích nhân tố, bao gồm hai bộ thang đo cho People và Products, để truy xuất hai nhân tố Kết quả được trình bày ở bảng 5.3 Trong phân tích nhân tố này sử dụng tiêu chuẩn rút trích là “A Priori Criterion”, tức là trong phần mềm SPSS, tôi chỉ định số nhân tố rút trích là hai “A Priori Criterion” là một tiêu chuẩn rút trích mà có thể áp dụng khi nào nhà phân tích đã biết số nhân tố được trích ra trước khi thực hiện phân tích nhân tố Tiêu chuẩn này hữu ích nếu nhà phân tích đang kiểm tra một lý thuyết hoặc giả thiết về số nhân tố được truy xuất Còn việc sử dụng tiêu chuẩn này vào trường hợp đang thực hiện việc sao chép lại nghiên cứu trước đây và rút trích đúng số nhân tố mà đã được thiết lập, được chứng tỏ là đúng
(Hair et al., 1992) Trong trường hợp nghiên cứu này, điều kiện sử dụng tiêu
chuẩn rút trích không đúng lắm so với các điều trên, vì một là bộ thang đo được sử dụng trong nghiên cứu này đã được dịch chuyển từ tiếng Anh sang tiếng Nhật, hai là các câu hỏi trong bộ thang đo đã được phát triển và sữa đổi cho trường hợp nghiên cứu này Nhưng vì hai thành phần cho ấn tượng quốc
Trang 6gia có tính đúng đắn khác biệt không cao và khó phân biệt biến nào hình thành nhân tố nào, cho nên ở đây sử dụng điều kiện rút trích này để phân biệt hai nhân tố này và sự không hợp lý của việc sử dụng điều kiện này sẽ được hiệu chỉnh lại trong quá trình phân tích nhân tố khẳng định tiếp theo.
Bảng 5.3' Pattern Matrix cho People và
.764.703.617.585.5031-3Nguoi VN sieng nang
1-1Nguoi VN duoc giao duc tot1-5Nguoi VN than thien va thu vi1-6Ky nang cua lucluong LD cao1-2Dao tao KT duoc chu trong
1-8Nguoi VN nang cao chuan muc SH1-4Nguoi VN sang tao
2-3VN huu nghi trong XH quoc te2-5Thuc an VN ngon
2-4VN la noi cung cap thuy san lon1-7VN tich cuc tham gia XH Q.te2-6Muc do pho bien cua SP VN cao2-2SP VN duoc p.phoi tren the gioi2-1SP VN duoc lam voi ky nang cao1-9Nguoi VN SX san pham KT cao2-7Thuc pham VN an toan
đây của Knight et al (1999), nhưng kết quả trong bảng 5.3 chứng tỏ nó có
quan hệ chặt với nhân tố People, và nội dung của câu này hoàn toàn không mô tả về sản phẩm, mà mô tả về con người và quốc gia như các câu khác trong bộ thang đo People Vì vậy, có thể kết luận là việc xếp câu này vào
Trang 7thang đo Products trong nghiên cứu trước đây là sai lầm do sự ảnh hưởng của một số yếu tố nằm bên ngoài mô hình, và trong quá trình phân tích nhân tố khám phá này xếp câu 2-3 vào nhân tố People Kết quả ở đây cũng không mâu thuẫn với kết quả trong bảng 5.2.
Như vậy, phân tích nhân tố khám phá đến đây đã rút trích 4 nhân tố trong mô hình nghiên cứu với các biến như sau:
Attitudes: tất cả mọi biến từ 4-1 đến 4-10
Beliefs: tất cả mọi biến từ 3-1 đến 3-8, chỉ trừ câu 3-3. People: tất cả mọi biến từ 1-1 đến 1-8 và biến 2-3 Products: 4 biến, 2-1, 2-2, 2-6, 2-7
Tiếp theo, thực hiện phân tích độ tin cậy và phân tích nhân tố cho mỗi nhân tố đã được rút trích với thành phần đã được trình bày trên (Xin xem kết quả chi tiết ở trang 100 và 103, phần C.4 và C.5 trong phụ lục C) Kết quả cho thấy các nhân tố đã được trích ra đều tốt về mặt độ tin cậy, vì các hệ số Cronbach alpha đều đủ lớn và không có giá trị Item-total correlation nào nhỏ hơn 0.4 Còn về mặt tính đúng đắn thì các biến trong bốn nhân tố đều có hệ số loading đủ lớn Nhưng phương sai tích lũy của một số nhân tố không lớn như People (51.177%) và Products (58.580%) Thông thường phương sai tích lũy được yêu cầu > 60%, nhưng > 50% cũng có thể chấp nhận được Như vậy, trong quá trình phân tích nhân tố khám phá đã trích ra đủ 4 nhân tố cho mô hình nghiên cứu, và tiếp theo, mô hình được phân tích và hiệu chỉnh lại trong quá trình phân tích nhân tố khẳng định.
5.4. PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH
Trước khi chuyển vào phân tích nhân tố khẳng định bằng phương pháp Structural equation modeling(SEM), tên gọi biến cho các nhân tố trong mô hình SEM được đặt như sau:
Attitudes: Từ câu 4-1 đến 4-10 được đặt là [attitu01] đến [attitu10] Beliefs: Từ câu 3-1 đến 3-8, ngoại trừ 3-3, được gọi là [belief01] đến
Trang 8Phần mềm được sử dụng là “Amos 4.0” và sử dụng phương pháp ước tính là Maximum likelihood Estimation (MLE) Dựa trên kết quả phân tích nhân tố khám phá, mô hình nghiên cứu đã nhập vào phần mềm Amos 4.0 như sau đây (Hình 5.1)
Hinh 5.1: FlexiblemodelModel Specification
Nghiên cứu này sử dụng một số chỉ số thống kê để đánh giá độ thích hợp của mô hình với dữ liệu thực tế (Measure of fit) Ở đây giới thiệu ý nghĩa của các chỉ số thống kê và tiêu chuẩn đánh giá (tham khảo Amos 4.0 User’s Guide, 1999):
CMIN: giá trị chi-square
P: p-value cho kiểm định giả thiết là mô hình hoàn toàn phù hợp với dữ liệu thực tế
DF: Degree of freedom
Rule of Thumb: Chỉ số nằm từ 2 đến 1, hoặc 3 đến 1 thì độ thích hợp
có thể được chấp nhận (Carmines and McIver, 1981); Chỉ số thấp như
Trang 92 hoặc cao như 5, chỉ rằng sự phù hợp (Marsh and Hocevar, 1985) Chỉ số > 2.00 chứng tỏ rằng độ thích hợp không đủ (Byrne, 1989).
RMSEA: “root mean square error of approximation”
Rule of Thumb: <0.05 chỉ rằng gần phù hợp mô hình, <0.08 chỉ rằng
sai số của phương pháp tính gần đúng được chấp nhận, > 0.10 thì không phù hợp (Browne and Cudeck, 1993).
CFI: “The comparative fit index”, sẽ có giá trị từ 0 đến 1 Chỉ số gần
Riêng về CMIN và P của nó thì có một điều cần quan tâm Đó là, square và p-value thường không được các nhà nghiên cứu quan tâm nhiều trong việc đánh giá độ thích hợp của mô hình khi sử dụng cỡ mẫu lớn Vì “ , Đối với mẫu lớn, gần như tất cả mô hình sẽ bị bác bỏ do sự không được ứng hộ về mặt thống kê, ” (Bentler and Bonett, 1980) Như vậy, một số tác giả đề nghị việc sử dụng tỷ số CMIN/DF như tiêu chuẩn đánh giá độ thích hợp mô hình (Amos 4.0 User’s Guide, 1999) Cỡ mẫu của nghiên cứu này (314 mẫu) cũng có thể được coi là cỡ mẫu lớn, so với cỡ mẫu thích hợp của phương pháp ước tính MLE là 100 – 200 mẫu Vì vậy, nghiên cứu này cũng sử dụng tỷ số CMIN/DF để đánh giá độ thích hợp mô hình mà không quan tâm nhiều đến giá trị CMIN và p-value.
Chi-Kết quả chạy mô hình ban đầu (Hình 5.1) trên phần mềm Amos 4.0 cho thấy là mô hình không phù hợp với dữ liệu, vì các chỉ số thống kê có kết quả như sau:
Trang 10Bảng 5.4: Kết quả của Flexible model ban đầu (Hình 5.1)
Trong việc hiệu chỉnh lại mô hình có một điều cần quan tâm nữa là số biến được bao gồm cho các nhân tố trong mô hình SEM Kenny (1979) cho biết một rule of thumb là “Hai thì tốt, Ba thì tốt hơn, Bốn là tốt nhất, và hơn nữa thì nặng nề” Như vậy, trong nghiên cứu này cố gắng tìm kiếm một mô hình được hiệu chỉnh lại tốt về độ thích hợp với dữ liệu thực tế, mà ít nhất chứa 2 hoặc 3 biến cho mỗi nhân tố.
Còn về mặt sự thích hợp của mô hình thang đo (Measurement model fit), chúng ta phải kiểm tra về hai điều sau Thứ nhất, phải kiểm tra hệ số Cronbach alpha cho các nhân tố đã được hiệu chỉnh Thứ hai, kiểm tra hệ số Loading của các biến và ý nghĩa thống kê của nó Trong quá trình phân tích nhân tố khẳng định, hệ số Cronbach alpha và hệ số Loading được yêu cầu là >
Trang 110.7 và > 0.6.
Mô hình được hiệu chỉnh lại được trình bày ở hình 5.2.
Trang 12Hinh 5.2: Flexible Model RefinedStandardized estimates
CMIN(DF)=138.098(72), P=.000
GFI/AGFI=.941/.915, CFI=.974, RMSEA=.054