2.3.2.1 Số liệu thứ cấp
Số liệu thứ cấp đƣợc thu thập từ các sách, báo và các bài nghiên cứu liên quan thông qua phƣơng tiện Internet
2.3.2.2 Số liệu sơ cấp
Số liệu sơ cấp đƣợc thu thập bằng cách phỏng vấn trực tiếp ngƣời dân huyện Mang Thít, tỉnh Vĩnh Long thông qua bảng câu hỏi đã đƣợc thiết kế sẵn.
2.3.3 Phương pháp phân tích
Sử dụng thống kê mô tả, phân tích tần số để mô tả khái quát đối tƣợng nghiên cứu, kiểm định T-test, ANOVA để kiểm định sự khác biệt về giới tính, trình độ học vấn, thu nhập với hành vi mua hàng.
Phân tích thống kê mô tả (Descriptive statistics):
Thống kê mô tả đƣợc định nghĩa nhƣ là phƣơng pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán các đặc trƣng khác nhau để phản ánh một cách tổng quát đối tƣợng nghiên cứu.
Kiểm định giả thuyết trung bình của hai tổng thể - trƣờng hợp
mẫu độc lập (Independent Sample T-test)
Kiểm định giả thuyết về trị trung bình của hai tổng thể độc lập hay phối hợp từng cặp (Independent Sample T-test): kiểm định về sự khác biệt trị trung bình của hai tổng thể độc lập.
Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) <= α thì phƣơng sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed.
Nếu Sig. > α thì phƣơng sai của 2 tổng thể không khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed.
Nếu Sig. trong kiểm định T-test <= α (mức ý nghĩa) Có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể.
Phân tích phƣơng sai ANOVA:
Phân tích phƣơng sai ANOVA là phƣơng pháp so sánh trị trung bình của 3 nhóm trở lên. Có 2 kỹ thuật phân tích phƣơng sai: ANOVA 1 yếu tố (một biến để phân loại các quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố ( 2 hay nhiều biến để phân loại). Trong nghiên cứu này, tác giả sử dụng phân tích ANOVA 1 yếu tố.
Sử dụng Cronbach Alpha để đánh giá độ tin cậy của thang đo, phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) để đánh giá mức độ phù hợp của thang đo trong mô hình, tìm ra các nhân tố ảnh hƣởng đến hành vi mua. Sau đó, sử dụng phân tích hồi quy Binary Logistic để biết mức độ ảnh hƣởng của từng nhân tố đến hành vi mua hàng.
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) Trƣớc khi thực hiện phân tích nhân tố khám phá (EFA), tác giả đánh giá hệ số tin cậy Cronbach Alpha để kiểm định độ tin cậy cho các thang đo. Công cụ này giúp loại đi những biến quan sát và những thang đo không phù hợp. Cụ thể, trong phân tích độ tin cậy Cronbach Alpha, các biến quan sát có hệ số tƣơng quan giữa biến và tổng (item – total correlation) dƣới 0,30 sẽ bị loại bỏ (Nunnally & Burnstein, 1994; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, Cronbach
Alpha từ 0,8 đến gần 1 thì thang đo lƣờng là tốt, từ 0,7 đến gần 0,8 là sử dụng đƣợc. Cũng có một số nhà nghiên cứu đề nghị rằng Cronbach Alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang đo lƣờng là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peter, 1994; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Sau khi tính toán Cronbach Alpha, ta đi vào phân tích nhân tố khám phá. Mô hình phân tích nhân tố chung có dạng nhƣ sau:
Fi = Wi1X1 + Wi2X2 + … +WikXk
Fi : Ƣớc lƣợng trị số của nhân tố thứ i (i = 1,2,…,k)
Wi : quyền số hay trọng số nhân tố (weight or factor score coefficient) Xi : Biến quan sát
k : Số biến
Trong nghiên cứu này, Fi đƣợc thể hiện là các thành phần của hành vi mua. Trong quá trình phân tích, nhằm xem xét mô hình có phù hợp để phân tích nhân tố hay không cần tiến hành kiểm định KMO (Kaiser-Meyer-Olkin) và Barletett’s Test. Nếu sau khi kiểm định giá trị KMO > 0,5 và giá trị Sig. (Barletett’s Test) < 5% (mức ý nghĩa xử lý Alpha) (Hair & cộng sự, 2006; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005) thì chứng tỏ các biến có tƣơng quan với nhau và mô hình phù hợp để phân tích nhân tố. Trong phân tích EFA, các biến quan sát có trọng số (factor loading) nhỏ hơn 0,50 sẽ bị loại ra khỏi mô hình (Hair & cộng sự, 2006; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Phân tích hồi qui Binary Logistic (nhị nguyên)
Hồi qui Binary Logistic sử dụng biến phụ thuộc dạng nhị phân để ƣớc lƣợng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có đƣợc.
Điểm khác biệt cơ bản giữa hồi qui Binary Logistic và hồi qui bội thông thƣờng là ở chỗ biến phụ thuộc là dạng biến nhị phân. Hồi qui Binary Logistic tƣơng tự nhƣ hồi qui bội ở các kết quả nhƣng nó khác nhau trong cách ƣớc lƣợng các hệ số, thay vì tối thiểu hóa độ lệch bình phƣơng (thủ tục OLS) nhƣ hồi qui tuyến tính thì nó tối đa hoa khả năng một hiện tƣợng có thể xảy ra với tên gọi ƣớc lƣợng với khả năng xảy ra tối đa hóa (ƣớc lƣợng thích hợp cực đại – Maximum Likelihood Estimation), tuy nhiên chúng khá tƣơng đồng về việc kiểm định độ phù hợp của mô hình và kiểm định ý nghĩa của các hệ số hồi qui.
Trƣớc khi tiến hành phân tích hồi qui nhị nguyên, chúng ta cần thực hiện các kiểm định:
(1) Kiểm định giả thuyết về mức độ phù hợp tổng quát H0 = i = 0
(2) Độ phù hợp của mô hình: Hồi quy Binary Logistic đòi hỏi ta phải đánh giá độ phù hợp của mô hình. Đo lƣờng độ phù hợp tổng quát của mô hình hồi qui Binary Logistic đƣợc dựa trên chỉ tiêu -2LL (-2 log likelihood). Khác với hồi quy tuyến tính thông thƣờng hệ số R2 càng lớn thì mô hình càng phù hợp, -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của - 2LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo.
(3) Mức độ chính xác của mô hình
Với hồi qui Binary Logistic, biến phụ thuộc Y lúc này ở dạng nhị phân (hai biểu hiện 0 và 1), cụ thể trong đề tài biến phụ thuộc Y, với hai giá trị: 0 là không có ảnh hƣởng, 1 là có ảnh hƣởng đến hành vi mua hàng.
Mô hình hồi quy Binary Logistic đƣợc xây dựng nhƣ sau:
F F F i i e P Y Y P ... ) 0 ( ) 1 ( 2 2 1 1 0 log
Với giả thuyết H0: 1= 2= … = i= 0
(Nguồn:Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005. Phân tích dữ liệu nghiên cứu SPSS. Hà Nội: NXB Thống Kê, tr160 - 173)
Thang đo Likert 5 mức độ (a five-point Likert scale) đã đƣợc sử dụng để đánh giá mức độ đồng ý của ngƣời tiêu Thang đo Likert 5 mức độ (a five-point Likert scale) đã đƣợc sử dụng để đánh giá mức độ đồng ý của ngƣời tiêu
Ý nghĩa từng giá trị trung bình đối với thang đo khoảng(Interval Scale): Giá trị khoảng cách = (Maximum – Minimum)/n
= (5 – 1) = 0,8
Bảng 2.1 Ý nghĩa của từng giá trị trung bình đối với thang đo khoảng
Giá trị trung bình Ý nghĩa
1,00 – 1,80 Rất không đồng ý/Rất không hài lòng/Rất không quan trọng 1,81 – 2,60 Không đồng ý/Không hài lòng/Không quan trọng
2,61 – 3,40 Không ý kiến/Trung bình 3,41 – 4,20 Đồng ý/Hài lòng/Quan trọng
4,21 – 5,00 Rất đồng ý/Rất hài lòng/Rất quan trọng
Qua kết quả phân tích ở trên, tác giả đề xuất một số giải pháp nhằm nâng cao nhận thức về hành vi mua hàng của ngƣời tiêu dùng.
CHƢƠNG 3
THỰC TRẠNG SỬ DỤNG CÁC SẢN PHẨM TIẾT KIỆM ĐIỆN NĂNG CỦA NGƢỜI DÂN HUYỆN MANG THÍT,
TỈNH VĨNH LONG