Tr c h t, thang đo s đ c mã hoá theo nh B ng 3.2: B ng 3.2: B ng mã hóa bi n STT Thành ph n Tên bi n Mã hóa 1 Nh n bi t th ng hi u
Tôi bi t th ng hi u máy đi u hòa X NBTH1
2 Tôi có th d dàng nh n bi t máy đi u hòa X v i các máy
đi u hòa khác trong c a hàng/showroom. NBTH2
3 Tôi có th d dàng phân bi t máy đi u hòa X v i các máy
đi u hòa khác NBTH3
4 Tôi có th nh n bi t logo c a máy đi u hòa X m t cách
nhanh chóng NBTH4
5 M t cách t ng quát, khi nh c đ n máy đi u hòa X, tôi có th
d dàng hình dung ra nó NBTH5 6 Ch t l ng c m nh n
Tôi th y ch t l ng c a máy đi u hòa X v t tr i h n h n so
v i các th ng hi u khác CLCN1
7 Tôi hoàn toàn tin t ng v ch t l ng c a máy đi u hòa X CLCN2
8 So v i các th ng hi u khácmáy đi u hòa X có d ch v h u
mãi t t h n h n CLCN3
9 Tôi cho r ng m i ng i đ u công nh n máy đi u hòa X có
ch t l ng t t CLCN4
10
Giá c c m nh n
So v i các s n ph m khác, giá bán máy đi u hòa X r t h p lý GCCN1
11 Theo tôi, giá c c a s n ph m X t ng x ng v i giá tr c a
nó GCCN2
12 Th ng hi u X đ c đánh giá t t h n so v i các th ng hi u
khác cùng m c giá GCCN3
13 Theo tôi, ch n mua máy đi u hòa X s ti t ki m h n các
th ng hi u khác GCCN4
14
Giá c
hành vi
Tôi d dàng tìm th y các c ahàng bán máy đi u hòa X trên
th tr ng GCHV1
15 Tôi không ph i b nhi u th i gian và công s c đ đi mua
máy đi u hòa X GCHV2
16
Ngoài giá bán, tôi không ph i m t thêm chi phí nào khác trong vi c mua máy đi u hòa X. (Không tính ti n ph i l p đ t và thi công)
GCHV3
17 Vi c tr ng bày và b trí trong các c a hàng/showroom c a
máy đi u hòa X r t thu n l i đ mua s m GCHV4
18
Danh
ti ng
Tôi ngh th ng hi u X đang ho t đ ng t t DT1
19 Máy đi u hòa X đang r t đ c chú ý trên th tr ng DT2
21 Tôi ngh m i ng i đánh giá th ng hi u X t t DT4 22 Danh ti ng th ng hi u X đã đ c th tr ng công nh n DT5 23 Thái đ đ i v i chiêu th
i u hòa X th ng xuyên có các ch ng trình qu ng cáo TDCT1
24 Qu ng cáo c a th ng hi u máy đi u hòa X hay và h p d n TDCT2
25
Máy đi u hòa X th ng có các ch ng trình khuy n mãi h p d n (nh gi m giá, t ng kèm d ch v thi công l p đ t, quà đi kèm…)
TDCT3
26 Tôi r t thích các ch ng trình khuy n mãi c a máy đi u hòa
X. TDCT4 27 Xu h ng ch n mua
Tôi luôn ch n th ng hi u X khi có ý đ nh mua máy đi u
hòa XH1
28 Tôi s nói t t v s n ph m X v i m i ng i XH2
29 Tôi s khuy t khích b n bè, ng i thân mua máy đi u hòa X XH3
30 Tôi s đ ngh th ng hi u X cho ng i nào h i ý ki n c a
tôi XH4
Các d li u sau khi thu th p s đ c làm s ch và x lý b ng ph n m m SPSS. M t s ph ng pháp phân tích đ c s d ng trong nghiên c u nh sau:
L p b ng t n s đ mô t m u thu th p theo các thu c tính nh : gi i tính,
đ tu i, ngh nghi p, thu nh p v.v…
Cronbach’s anpha
Ph ng pháp này cho phép ng i phân tích lo i b các bi n không phù h p và h n ch các bi n rác trong quá trình nghiên c u và đánh giá đ tin c y c a thang đo
thông qua h s Cronbach’s alpha. Nh ng bi n có h s t ng quan bi n t ng (item-total correlation) nh h n 0,3 s b lo i. Thang đo có h s Cronbach’s alpha t 0,6 tr lên là có th s d ng đ c trong tr ng h p khái ni m đang nghiên c u m i (Nunnally, 1978; Peterson, 1994; Slater, 1995)(6). Thông th ng, thang đo có
Cronbach’s alpha t 0,7 đ n 0,8 là s d ng đ c. Nhi u nhà nghiên c u cho r ng
khi thang đo có đ tin c y t 0,8 tr lên đ n g n 1 là thang đo l ng t t.
Phân tích nhân t khám phá EFA (exploratory factor analysis):
6Hoàng Tr ng – Chu Nguy n M ng Ng c (2008), Phân tích d li u nghiên c u v i SPSS t p 2, NXB H ng c.
Sau khi đánh giá đ tin c y c a thang đo b ng h s Cronbach’s alpha và lo i
đi các bi n không đ m b o đ tin c y. Phân tích nhân t khám phá là k thu t đ c s d ng nh m thu nh và tóm t t các d li u. Ph ng pháp này r t có ích cho vi c
xác đnh các t p h p bi n c n thi t cho v n đ nghiên c u và đ c s d ng đ tìm m i quan h gi a các bi n v i nhau.
Trong phân tích nhân t khám phá, tr s KMO (Kaiser – Meyer – Olkin) là ch s dùng đ xem xét s thích h p c a phân tích nhân t . Tr s KMO ph i có giá tr trong kho ng t 0,5 đ n 1 thì phân tích này m i thích h p, còn n u nh tr s này nh h n 0,5 thì phân tích nhân t có kh n ng không thích h p v i các d li u.
Ngoài ra, phân tích nhân t còn d a vào eigenvalue đ xác đ nh s l ng nhân t . Ch nh ng nhân t có eigenvalue l n h n 1 thì m i đ c gi l i trong mô hình.
i l ng eigenvalue đ i di n cho l ng bi n thiên đ c gi i thích b i nhân t . Nh ng nhân t có eigenvalue nh h n 1 s không có tác d ng tóm t t thông tin t t
h n m t bi n g c.
M t ph n quan tr ng trong b ng k t qu phân tích nhân t là ma tr n nhân t (component matrix) hay ma tr n nhân t khi các nhân t đ c xoay (rotated component matrix). Ma tr n nhân t ch a các h s bi u di n các bi n chu n hóa b ng các nhân t (m i bi n là m t đa th c c a các nhân t ). Nh ng h s t i nhân t (factor loading) bi u di n t ng quan gi a các bi n và các nhân t . H s này cho bi t nhân t và bi n có liên quan ch t ch v i nhau. Nghiên c u s d ng ph ng
pháp trích nhân t principal components nên các h s t i nhân t ph i có tr ng s l n h n 0,5 thì m i đ t yêu c u.
Phân tích t ng quan Pearson
Tr c khi ti n hành phân tích h i quy tuy n tính b i, c n ph i xem xét m i quan h t ng quan tuy n tính gi a các bi n. i u này nh m ki m đnh gi a các bi n có m i quan h t ng quan tuy n tính v i nhau và các bi n đ c l p có t ng
quan v i bi n ph thu c.
Gi thuy t đ t ra c n ph i ki m đnh là:
H1: Có m i quan h tuy n tính c a các bi n trong mô hình
l ng hóa m c đ ch t ch c a m i liên h tuy n tính gi a hai bi n đnh
l ng các nhà nghiên c u th ng s d ng m t s th ng kê có tên là H s t ng
quan Pearson. N u gi a 2 bi n có s t ng quan ch t thì ph i l u ý v n đ đa c ng tuy n khi phân tích h i quy. Trong phân tích t ng quan Pearson, không có s phân bi t gi a các bi n đ c l p và bi n ph thu c mà t t c đ u đ c xem xét nh nhau. a c ng tuy n là tr ng thái trong đó các bi n đ c l p có t ng quan ch t ch v i nhau. V n đ c a hi n t ng c ng tuy n là chúng cung c p cho mô hình nh ng thông tin r t gi ng nhau, và r t khó tách r i nh h ng c a t ng bi n m t đ n bi n ph thu c. Hi u ng khác c a s t ng quan khá ch t gi a các bi n đ c l p là nó
làm t ng đ l ch chu n c a các h s h i quy và làm gi m tr th ng kê t c a ki m
đ nh ý ngh a c a chúng nên các h s có khuynh h ng kém ý ngh a h n khi không có đa c ng tuy n trong khi h s xác đnh R2 v n khá cao. Trong quá trình phân tích h i quy b i, đa c ng tuy n đ c SPSS chu n đoán b ng l a ch n Collinearity Diagnostic.
Xây d ng ph ng trình h i quy
Sau khi rút trích đ c các nhân t t phân tích nhân t khám phá EFA, dò tìm các vi ph m gi đnh c n thi t trong mô hình h i quy tuy n tính b i nh ki m tra ph n d chu n hóa, ki m tra h s phóng đ i ph ng sai VIF (Variance inflation
factor). N u các gi đ nh không b vi ph m, mô hình h i quy tuy n tính b i đ c xây d ng. Và h s R2 đã đ c đi u ch nh (adjusted R square) cho bi t mô hình h i
quy đ c xây d ng phù h p đ n m c nào.
Lý do đ h s R2 đi u ch nh (Adjusted R square) đ c s d ng đ đánh giá
m c đ phù h p c a mô hình vì nó lo i b đ l ch phóng đ i c a R2, ngh a là càng đ a thêm bi n đ c l p vào thì R2 càng t ng khi mà không ph i mô hình nào càng có nhi u bi n thì s càng phù h p. Sau đó, nghiên c u s ki m đnh s phù h p c a mô hình b ng phân tích ph ng sai ANOVA. Gi thuy t đ c đ t ra là j = 0, n u gi thuy t này b bác b thì c ng có ngh a là mô hình xây d ng phù h p v i t p d li u.
Sau khi xem xét m c đ phù h p c a mô hình h i quy, ta ti p t c x lý d li u b ng SPSS đ tìm ra đ c các h s h i quy. H s h i quy th hi n d i hai d ng:
(1) ch a chu n hóa (Unstandardized) và (2) chu n hóa (Standardized). Vì h s h i
quy ch a chu n hóa (B), giá tr c a nó ph thu c vào thang đo cho nên chúng ta
không th dùng chúng đ so sánh m c đ tác đ ng c a các bi n đ c l p vào bi n ph thu c trong cùng m t mô hình đ c. H s h i quy chu n hóa (beta, ký hi u )
là h s chúng ta đã chu n hóa các bi n. Vì v y, chúng đ c dùng đ so sánh m c
đ tác đ ng c a các bi n ph thu c vào bi n đ c l p. Bi n đ c l p nào có tr ng s này càng l n có ngh a là bi n đó có tác đ ng m nh vào bi n ph thu c.
T các h s (B) ta có th vi t đ c ph ng trình h i quy b i đ mô t xu
h ng t các bi n đ c l p.
L p b n đ nh n th c
Sau khi đã phân tích h i quy b i tác gi xây d ng và l p b n đ nh n th c t d li u đã kh o sát đ hi u rõ h n suy ngh c a khách hàng v các th ng hi u máy
đi u hòa trên th tr ng TP. H Chí Minh b ng ph n m m SPSS 20.0.
Có hai k thu t th ng dùng đ l p b n đ v trí th hi n c m nh n c a khách hàng m c tiêu v các th ng thi u là:
- Multidimensional scaling (MDS): đo l ng và th hi n các đ i t ng trong
không gian đa chi u h ng hay g i là đo l ng đa h ng.
- Correspondence analysis (CA): phân tích và th hi n s t ng h p c a các
đ i t ng v i các thu c tính (lý tính và /hay c m xúc), g i là phân tích t ng h p.(7) K thu t đ c dùng đ l p b n đ đ nh v th hi n c m nh n c a khách hàng v các th ng hi u máy đi u hòa đó là k thu t đo l ng đa h ng MDS đ đo l ng và th hi n các đ i t ng trong không gian đa chi u h ng.
Các b c đ l p b n đ nh n th c nh sau:
7Hoàng Tr ng – Chu Nguy n M ng Ng c (2008), Phân tích d li u nghiên c u v i SPSS t p 2, NXB H ng c.
B c 1: Tính đi m trung bình c a t ng th ng hi u theo các nhân t nh
h ng đ n vi c ch n mua máy đi u hòa không khí trên đa bàn TP. HCM b ng cách s d ng excel 2010 đ x lý d li u thu th p đ c t các b ng kh o sát.
B c 2: Xác đ nh t a đ c a các th ng hi u: b ng cách s d ng ph n m m SPSS x lý b ng d li u trung bình c a t ng th ng hi u trong b c 1 đ ch y ra các t a đ c a t ng th ng hi u theo các nhân t .
Hai đ i l ng quan tr ng trong đo l ng đa h ng mà chúng ta ph i quan tâm sau khi x lý d li u trung bình b ng ph n m m SPSS đó là:
- Ch s RSQ dùng đ đo m c đ phù h p, là bình ph ng c a h s t ng
quan cho bi t ph n ph ng sai c a d li u đ c gi i thích b i các d li u đo l ng
đa h ng. RSQ càng l n càng t t (RSQ ≥ 0,6 là ch p nh n đ c).
- Stress dùng đ đo m c đ không phù h p. ây là ph n ph ng sai do các
y u t khác gây ra, không ph i do mô hình gi i thích đ c. Stress càng nh thì
ph ng án đo l ng đa h ng càng phù h p. Theo Kruskal (1964), Stress = 0,1 là
t ng đ i phù h p, Stress = 0,05 là phù h p, Stress = 0,025 là r t phù h p, Stress = 0 là hoàn h o.(8)
B c 3: Xác đ nh t a đ các nhân t
Do d li u kh o sát thu th p đ c có t n su t các th ng hi u kh o sát khác
nhau nên ta không th xác đ nh đ c giá tr c a t ng nhân t theo t ngth ng hi u gi ng nh cách làm b c 1 đ c.
Vì v y, ta ph i dùng ph ng pháp h i quy đ xác đ nh l i t a đ c a t ng nhân t này t các th ng hi u đ c kh o sát. T a đ c a các nhân t đ c xác đ nh là h s beta (h s h i quy chu n hóa) c a m t mô hình h i quy: Nhân t = f(T a đ 1, T a đ 2) c a t t c các th ng hi u tìm đ c trong b c 2.
B c 4: L p b n đ đ nh v b ng cách ghép các t a đ c a th ng hi u tìm đ c trong b c 2 và các t a đ c a các nhân t h i quy đ c trong b c 3, ti n
8Nguy n Vi t Thông (2013), “ nh v th ng hi u xi m ng nghi s n dân d ng t i th tr ng thành ph H Chí Minh theo xu h ng tiêu dùng c a khách hàng”, Lu n v n th c s kinh t , i h c kinh t TP. H Chí Minh.
hành nh p d li u t t c các t a đ này vào SPSS đ x lý và xu t k t qu lên cùng
m t đ th .
Nh v y ta đã th c hi n xong các b c đ đ a đ c các t a đ c a th ng hi u và nhân t nh h ng đ n xu h ng ch n mua máy đi u hòa không khí lên b n đ đ nh v t đó có th phân tích k t qu thu đ c t b n đ đ nh v này.
Tóm t t ch ng 3:
N i dung ch ng 3 tác gi trình bày v ph ng pháp nghiên c u c a lu n v n.
Quá trình thi t k nghiên c u c a lu n v n đ c tác gi th c hi n qua hai b c.
B c m t là nghiên c u s b đnh tính và b c hai là nghiên c u đ nh l ng. Hai k thu t ph ng v n tác gi th c hi n là th o lu n nhóm trong nghiên c u
đnh tính và ph ng v n tr c ti p trong nghiên c u đ nh l ng. Trong ch ng này tác c ng trình bày các ph ng pháp phân tích đ c tác gi s d ng trong phân tích
đ nh l ng đ nghiên c u v xu h ng ch n mua s n ph m máy đi u hòa không khí
đó là: Phân tích nhân t (EFA), ki m đ nh thang đo, h i quy tuy n tính. Trong phân
tích đnh v tác gi s d ng k thu t đo l ng đa h ng (MDS) đ xây d ng bi u đ