1. 5 LƯỢC KHẢO TÀI LIỆU CÓ LIÊN QUAN
2.2.2. Phương pháp phân tích số liệu
2.2.2.1. Đối với từng mục tiêu
- Mục tiêu 1: Sử dụng phương pháp số tương đối và số tuyệt đối để phân tích thực trang tiêu thụ các sản phẩm dệt may của Siêu thị Vinatex Cần Thơ.
Bên cạnh đó, thống kê mô tả, phân tích tần số, tính điểm trung bình, qua đó thấy được một số đặc điểm về nhóm khách hàng và thói quen lựa chọn sản phẩmdệt may của siêu thị
- Mục tiêu 2: Sử dụng phương pháp phântích bảng chéo và sử dụng hệ số Cronbach Alpha và phương pháp phân tích yếu tố khám phá EFA (exploratory factor analysis) để đánh giá các thang đo có ảnh hưởng đến hành vi tiêu dùng. Thêm vàođó, sử dụng phương pháp hồi qui Binary Logistic để đánh giá mức độ ảnh hưởng của các nhân tố đến việc tiếp tục mua hay không mua sảnphẩm
- Mục tiêu 3: Dựa vào quan sát thực tế và những hiểu biết khi trực tiếp phỏng vấn; phân tích số liệu sơ cấp. Dựa vào những phân tích về thực trạng sử dụng sản phẩm dệt may và quan sát thực tế, từ đó nêu lên những giải pháp nhằm giúp người tiêu dùng ngày càng sử dụng sản phẩm dệt may của siêu thị nhiều hơn.
Sử dụng phần mềm SPSS 16.0 để hỗ trợ trong việc phân tích số liệu
2.2.2.2. Lý thuyết các phương pháp phân tích số liệu
Phương pháp số tương đối và số tuyệt đối. Đây là phương pháp xem xét một chỉ tiêu phân tích bằng cách dựa trên việc so sánh với một chỉ tiêu cơ sở (chỉ tiêu gốc).
a. Phương pháp số tuyệt đối: Là hiệu số của hai chỉ tiêu, gồm chỉ tiêu phân tích và chỉ tiêu gốc:
y y1– y0 (2.1)
Trong đó:
y0: chỉ tiêu năm trước y1: chỉ tiêu năm sau
y
: Là phần chênh lệch của các chỉ tiêu kinh tế.
Phương pháp này sử dụng để so sánh số liệu năm tính với số liệu năm trước của các chỉ tiêu để xem có biến động hay không và tìm ra nguyên nhân biến động, từ đó đề ra biện pháp khắc phục.
b. Phương pháp số tương đối: Là kết quả của phép chia giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế.
% 100 * 0 0 1 y y y y (2.2) Trong đó:
y0: chỉ tiêu năm trước y1: chỉ tiêu năm sau
y
: biểu hiện tốc độ tăng trưởng của các chỉ tiêu kinh tế.
Phương pháp này dùng để làm rõ tình hình biến động của mức độ của các chỉ tiêu kinh tế trong thời gian nào đó. So sánh tốc độ tăng trưởng của chỉ tiêu giữa các năm và so sánh tốc độ tăng trưởng giữa các chỉ tiêu để từ đó tìm ra các nguyên nhân biến động và đề ra các giải pháp khắc phục.
c. Phương pháp thống kê mô tả
Thống kê mô tả là việc mô tả là việc mô tả dữ liệu bằng các phép tính và các chỉ số thống kê như: số trung bình, số trung vị, phương sai, độ lệch chuẩn,…Trong phương pháp thống kê mô tả, các đại lượng thống kê mô tả chỉ được tính đối với các biến định lượng.
Thống kê mô tả là phương pháp dùng tổng hợp các phương pháp đo lường, mô tả, trình bày số liệu được ứng dụng vào trong lĩnh vực kinh tế. Bảng thống kê là hình thức trình số liệu thống kê và thu thập thông tin đã thu thập làm cơ cở để phân tích và kết luận, cũng là trình bày vấn đề nghiên cứu nhờ vào đó nhà quản trị có thể đưa ra nhận xét về vấn đề đang nhiên cứu.
Trong đề tài nghiên cứu này phương pháp thống kê mô tả được dùng để mô tả nhận định của người tiêu dùng về các mặt hàng dệt may của siêu thị, tóm tắt, tính toán, trình bày các đặc trưng khác nhau về mặt nhân khẩu học của đáp viên trả lời để phản ánh một cách tổng quát đối tượng nghiên cứu, làm cơ sở để phân tích và kết luận.
d. Phân tích tần số:
Là một trong những công cụ thống kê mô tả được sử dụng để mô tả và tìm hiểu về đặc tính phân phối của một số mẫu thô nào đó.
Trong phạm vi nghiên cứu này phương pháp phân tích tần số được dùng để đo lường cả biến định lượng và biến định tính dưới dạng đếm số lần xuất hiện, để mô tả một số biến liên quan tới đặc tính nhân khẩu học của đối tượng được phỏng vấn như giới tính, nghề nghiệp, trình độ học vấn…Ngoài ra phương pháp này còn được dùng để mô tả và tìm hiểu một số biến có ảnh hưởng đến hành vi của người tiêu dùng như sản phẩm thường mua, nơi mua sắm hay tần suất mua sắm…Phương pháp này cho ta cái nhìn tổng thể về mẫu điềutra.
e. Tính điểm trung bình:
Nhằm xác định mức độ quan trọng, ảnh hưởng của các yếu tố tới hành vi mua hàng của người tiêu dùng trong quyết định lựa chọn sản phẩm dệt may của sieu thị Vinatex. Trong đề tài, các biến quan sát của các nhóm nhân tố độc lập được đo lường theo thang đo Likert 5 mức độ, ý nghĩa của từng giá trị trung bình đối với thang đo khoảng là:
Giá trị khoảng cách = (Maximum- Minimum)/n =(5-1)/5 =0,8 1,00 – 1,80 Rất không đồng ý(ảnh hưởng) 1,81 – 2,60 Không đồng ý(ảnh hưởng) 2,61 – 3,40 Trung bình 3,41 – 4,20 Đồng ý(ảnh hưởng) 4,21 – 5,00 Rất đồng ý(ảnh hưởng)
f. Đánh giá độ tin cậy của phép đo lường bằng Cronbach Alpha
Hệ số Cronbach alpha được sử dụng trước để loại các biến quan sát không đạt yêu cầu hay các thang đo chưa đạt yêu cầu trong quá trình nghiên cứu. Tính hệ số Cronbach alpha được thực hiện đối với mỗi nhóm biến cố kết nên các nhân tố. Hệ số Cronbach alpha cho biết sự tương đối đồng nhất trong đo lường theo các biến có nội dung gần gũi nhau và đã hình thành nên một nhân tố. Thang đo đánh giá độ tin cậy thông qua hai công cụ là hệ số Cronbach’s Alpha và phân tích nhân tố. Hệ số alpha của Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau (Hoàng Trọng & Mộng Ngọc, 2005, tr.251). Hệ số Cronbach’s Alpha được tính theo công thức alpha= N*p/[1+p*(N-1)], trong đó p là hệ số tương quan trung bình giữa các mục hỏi và N là số mục hỏi
Các biến quan sát có hệ số tương quan biến - tổng nhỏ hơn 0.3 sẽ bị loại bỏ và tiêu chuẩn để chọn thang đo khi nó có độ tin cậy alpha từ 0.6 trở lên. Sau khiđộ tin cậy đạt yêu cầu dùng phương pháp phân tích nhân tố để xác định đâu là những tiêu chí quan trọng nhất mà người tiêu dùng quan tâm. Nhiều nhà nghiên cứu cho rằng theo quy ước thì một tập hợp các mục hỏi dung để đo lường được đánh giá là tốt phải có hệ số a lớn hơn hoặc bằng 0,8. Tuy nhiên, đối với “Trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu” thì hệ số Cronbach’s Alpha từ 0,6 trở lên là được phép đo đảm bảo độ tin cậy và chấp nhận được (Nunnally,
1978; Peterson, 1994; Slater, 1995, trích trong Hoàng Trọng & Mộng Ngọc, 2005, tr. 258).
g.Phương pháp phân tích nhân tố khám phá:.
Phương pháp phân tích nhân tố được tiến hành để rút gọn tập hợp các biến độc lập thành một tập hợp nhỏ hơn là các biến đại diện cho mỗi nhân tố mà không làm mất đi ý nghĩa giải thích và thông tin của nhóm nhân tố đó ( Hoàng Trọng & Mộng Ngọc, 2005, tr.260). Trong nghiên cứu Marketing có thể có rất nhiều biến để nghiên cứu, hầu hết chúng thường có tương quan với nhau và thường được rút gọn để dễ dàng quản lý. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các yếu tố với các biến nguyên thủy.
Phân tích nhân tố thường được sử dụng trong các trường hợp sau:
- Nhận dạng các nhân tố để giải thích mối quan hệ giữa các biến tương quan trong một tập biến.
-Nhận dạng các biến mới thay thế cho biến gốc ban đầu trong phân tích đa biến.
-Nhận dạng một bộ có số biến ít hơn cho việc sử dụng phân tích đa biến Hệ số (Kaiser- Meyer- Olkin) KMO là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0,5 và 1) có nghĩa là phân tích nhân tố thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu. Phương pháp sử dụng là Principal component với phép quay nhân tố là Varimax. Việc phân tích nhân tố sẽ được tiến hành với toàn bộ các biến quan sát, sau đó sẽ loại bỏ từng biến có hệ số truyền tải thấp
Phương pháp trích hệ số sử dụng là phương pháp trích nhân tố, phép quay Varimax (xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố vì vậy sự tăng cường khả năng giải thích các nhân tố) và điểm dừng khi trích các yếu tố có eigenvalue là 1 (chỉ có những nhân tố nào lớn hơn 1 mới được giữ lại trong mô hình phân tích).
Các biến được giữ lại sau khi phân tích hệ số Cronbach Alpha xác định các biến này có thể có liên hệ với nhau. Do đó, tiến hành phân tích nhân tố là rất cần thiết, nhằm mục đích nhóm các biến có mối liên hệ với nhau để giảm số lượng biến và biến mới mang tính đại diện hơn.
Trước hết, phải xem mô hình có thích hợp để tiến hành phân tích nhân tố hay không. Ta phải xem kết quả kiểm định KMO and Barlett’s. Đặt giả thuyết:
H 0: các biến quan sát trong tổng thể không có mối tương quan với nhau.
H 1: các biến quan sát trong tổng thể có mối tương quan với nhau. Nếu ta thấy Sig. < giả thuyết H 0 bị bác bỏ vì các biến có tương quan với nhau. Khi đó, ta có thể tiến hành phân tích nhân tố với các biến này.
Mô hình phân tích nhân tố: Về mặt tính toán, phân tích nhân tố hới giống vơi phấn tích hồi quy ở chỗ mỗi biến được biểu diễn như là một kết hợp tuyến tính của các nhân tố cơ bản.
Lượng biến thiên của một biến được giải thích bởi những nhân tố chung trong phân tích được gọi là communality. Biến thiên chung của các biến được mô tả bằng một số ít các nhân tố chung (common factor) cộng với một nhân tố đặc trưng (unique factor) cho mỗi biến. Những nhân tố này không bộc lộ rõ ràng. Nếu các biến được chuẩn hóa thì mô hình nhân tố được thể hiện bằng phương trình:
Xi= Ai1F1+ Ai2F2+ Ai3F3+ ... + AimFm+ ViFi Trong đó:
Xi: Biến thứ i chuẩn hóa
Ai: hệ số hồi quy bội chuẩn hóa của nhân tố j đối với biến i F: các nhân tố chung
Vi: hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i Ui: nhân tố đặc trưng của biến i
M: số nhân tố chung
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fj= Wi1X1+ Wi2X2+ Wi3X3+ … + WikXk
Trong đó:
w: trọng số hay hệ số điểm nhân tố k: số biến
h. Phân tích hồi quy Binary Logistic
Hồi qui Binary Logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được. Với hàm hồi qui Binary Logistic biến phụ thuộc Y lúc này có hai giá trị 0 và 1, với 0 là không xảy ra sự kiện ta quan tâm và 1 là có xảy ra. Từ biến phụ thuộc nhị phân này, một thủ tục sẽ được dùng để dự đoán xác suất sự kiện xảy ra theo quy tắc nếu xác suất được dự đoán lớn hơn 0,5 thì kết quả dự đoán sẽ là “có” xảy ra sự kiện, ngược lại kết quả dự đoán sẽ là “không”.
Dạng hàm hồi qui Binary Logistic:
k k e B B X B X B X Y P Y P 2 2 1 1 0 ) 0 ( ) 1 ( log
Y: Chỉ tiêu phân tích (biến phụ thuộc hay biến được giải thích)
Xi (i = 1, k): Các nhân tố ảnh hưởng đến chỉ tiêu phân tích (các biến độc lập hay biến giải thích)
β0: Phản ảnh mức độ ảnh hưởng của nhân tố khác đến chỉ tiêu phân tích (ngoài các chỉ tiêu phân tích đã đưa ra).
βi ( i = 1, k ): Các hệ số hồi quy này phản ảnh mức độ ảnh hưởng của từng nhân tố đến chỉ tiêu phân tích. Nếu β > 0: ảnh hưởng thuận; β < 0: ảnh hưởng nghịch, β càng lớn thì sự ảnh hưởng đến chỉ tiêu phân tích càng mạnh
Hồi quy Binary Logistic
2.3 MÔ HÌNH LÝ THUYẾT
Hình 2.9: Mô hình lý thuyết Thông tin chung
của người tiêu dùng
Kiểm định H0: Mức độ thường xuyên mua hàng của các khách hàng khác
nhau là như nhau
Xác định mức độ ảnh hưởng của các nhân tố Xác định các nhân tố ảnh hưởng
Đánh giá ảnh hưởng của các nhân tố đến hành vi mua hàng dệt may của Siêu thị
Vinatex Cần Thơ BỘ SỐ LIỆU
Kiểm định chi bình phương
CHƯƠNG 3
GIỚI THIỆU TỔNG QUAN VỀ SIÊU THỊ VINATEX CẦN THƠ 3.1. TỔNG QUAN VỀ SIÊU THỊ VINATEX