Dữ liệu sơ cấp sau khi thu thập và làm sạch sẽ được tiến hành phân tích qua phần mềm SPSS phiên bản 20.0. Các bước xử lý và phân tích số liệu cụ thể như sau:
3.2.4.1. Thống kê mô tả mẫu:
Những đặc trưng của mẫu về thông tin cá nhân và hành vi tiêu dùng, ý kiến đóng góp… sẽ được thống kê mô tả theo các dấu hiệu phân biệt được định sẵn.
3.2.4.2. Kiểm định thang đo bằng hệ số Cronbach’s Alpha:
Do các biến nghiên cứu được xây dựng từ 4 - 8 biến quan sát, nên cần kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha (Saunders và cộng sự, 2007). Hai yếu tố cần xem xét là hệ số Cronbach’s Alpha của thang đo và tương quan biến-tổng
của mỗi biến quan sát. Nhiều nhà nghiên cứu cho rằng thang đo có Cronbach’s Alpha từ 0.7 đến 0.8 là sử dụng được, từ 0.8 trở lên đến gần 1 là thang đo lường tốt. Tuy nhiên, lại có nhà nghiên cứu cho rằng từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới (Peterson, 1994; Hoàng Trọng và Mộng Ngọc, 2008). Trường hợp ở nghiên cứu về bán hàng trực tuyến được xem như mới tại Việt Nam thì hệ số Cronbach’s Alpha lớn hơn 0.6 đều có thể chấp nhận được. Đồng thời những biến có hệ số tương quan biến - tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại.
3.2.4.3. Phân tích khám phá nhân tố (EFA):
Phân tích khám phá nhân tố (EFA) sẽ giúp nhà nghiên cứu rút gọn dữ liệu từ nhiều biến quan sát thành ít nhân tố hơn mà vẫn phản ánh được ý nghĩa của dữ liệu nghiên cứu. KMO là một chỉ tiêu dùng để xem xét sự thích hợp của phân tích nhân tố khám phá. Điều kiện cần và đủ để áp dụng phân tích nhân tố là khi kiểm định Bartlett (Bartlett’s test of sphericity) với sig. nhỏ hơn hoặc bằng 0.05 và chỉ số KMO lớn hơn hoặc bằng 0.5. (Hoàng Trọng và Mộng Ngọc, 2008).
Theo Hair và cộng sự (1998), hệ số tải nhân tố (Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố lớn hơn 0.3 được xem là đạt mức tối thiểu, hệ số tải nhân tố lớn hơn 0.4 được xem là quan trọng và lớn hơn hoặc bằng 0.5 được xem là có ý nghĩa thực tiễn.
Trong phân tích nhân tố, phương pháp Principal Components Analysis đi cùng với phép xoay Varimax thường được sử dụng. Sau khi xoay các nhân tố, hệ số tải nhân tố lớn hơn 0.5 được xem là có ý nghĩa thực tiễn cho đề tài nghiên cứu. Phương sai trích phải đạt từ 50% trở lên. Ngoài ra, trị số Eigenvalues phải lớn hơn 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Đồng thời, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố lớn hơn hoặc bằng 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al- Tamimi, 2003). Sau khi phân tích nhân tố sẽ hiệu chỉnh mô hình lý thuyết theo kết quả phân tích và điều chỉnh lại các giả thuyết.
3.2.4.4. Phân tích tương quan và hồi quy tuyến tính bội
Trước khi phân tích hồi quy tuyến tính bội, nghiên cứu sẽ tiến hành kiểm tra mối tương quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau trong ma trận hệ số tương quan. Nếu kết luận được là các biến độc lập và biến phụ thuộc có tương quan tuyến tính với nhau, nghiên cứu sẽ mô hình hóa mối quan hệ nhân quả đó bằng mô hình hồi quy tuyến tính bội, trong đó một biến được gọi là biến phụ thuộc và các biến còn lại là các biến độc lập.
Tiếp đó, nghiên cứu sẽ tiến hành kiểm định các giả định hồi quy về mối liên hệ giữa các biến trong tổng thể và đánh giá độ phù hợp của mô hình đã xây dựng so với tập dữ liệu. Ngoài ra còn kiểm định độ phù hợp của mô hình bằng kiểm định F trong bảng phân tích phương sai ANOVA; kiểm định hiện tượng đa cộng tuyến để đảm bảo mối quan hệ giữa các biến độc lập không ảnh hưởng đến kết quả giải thích của mô hình.