THIẾT KẾ VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.3 PHƯƠNG PHÁP PHÂN TÍCH DỮ LIỆU
Thống kê mô tả
Phương pháp này dùng để phân tích các thuộc tính của mẫu nghiên cứu như
thông tin về giới tính, độ tuổi,nghề nghiệp, thu nhập, mục đích sử dụng. Phân tích hệ số tin cậy Cronbach’s Alpha
Phân tích độ tin cậy (hệ số Cronbach Alpha): Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach Alpha. Những biến có hệ sốtương quan biến tổng nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số
Cronbach Alpha từ 0,6 trở lên có thể sử dụng được (theo Hoàng Trọng và các đồng nghiệp, 2005).
Phân tích nhân tố khám phá (EFA - Exploratory factor analysis)
Phân tích nhân tố khám phá: được sử dụng để rút gọn tập nhiều biến quan sát phụ
thuộc lẫn nhau thành một tập biến ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa
đựng hầu hết thông tin của tập biến ban đầu. Điều kiện kiểm tra phân tích nhân tố
khám phá, trị số KMO > 0,5 (theo Hair và cộng sự, 2006).
Sốlượng nhân tố: được xác định dựa trên chỉ sốEigenvalue đại diện cho phần biến
thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser thì những nhân tố có Eigenvalue nhỏhơn 1 sẽ bị loại khỏi mô hình nghiên cứu.
Một phần quan trọng trong bảng phân tích nhân tố là ma trận nhân tố (component matrix). Nghiên cứu sử dụng phương pháp trích nhân tố principal components nên các hệ số tải nhân tố phải có trọng số lớn hơn 0,5 mới đạt yêu cầu.
Phân tích nhân tố khẳng định (CFA – Confirmation Factor Analysis)
- Phân tích nhân tố khẳng định (CFA) để kiểm định mô hình: mô hình được xem là phù hợp với dữ liệu thị trường khi kiểm định Chi - square có P-value >0.05. Tuy nhiên Chi - square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu mô hình nhận được các giá trị GFI, TLI, CFI ≥ 0.9 (Bentler & Bonett, 1980), CMIN/df ≤ 2,; RMSEA < 0.08, RMSEA < 0.05 được xem la rất tốt (Steiger, 1990) thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường. Khi CFA thực hiện
các đánh giá như sau:
+ Đánh giá độ tin cậy của thang đo thông qua: hệ số tin cậy tổng hợp (ρRcR), tổng
phương sai trích (ρRvc)R. Điều kiện để thang đo đạt được độ tin cậy là: độ tin cậy tổng hợp ρRc R≥ 0.5, tổng phương sai trích ρRvcR ≥ 0.5. Độ tin cậy tổng hợp (ρRcR) (Joreskog) và tổng phương sai trích (ρRvcR) (Fornell & Larcker 1981) được tính theo công thức sau:
Công thức tính độ tin cậy tổng hợp (ρRcR)
ρRcR = (∑𝑝𝑝𝑖𝑖=1λi)2 (∑𝑝𝑝𝑖𝑖=1λi)2+∑𝑝𝑝𝑖𝑖=1(1−λi2)
Công thức tính tổng phương sai trích (ρRvcR)
ρRvcR = ∑𝑝𝑝 λi2 𝑖𝑖=1
∑𝑝𝑝 λi2
𝑖𝑖=1 +∑𝑝𝑝𝑖𝑖=1(1−λ𝑖𝑖2)
Trong đó : λi là hệ số chuẩn hóa của biến quan sát thứ i
1 – λi là phương sai của sai sốđo lường biến quan sát thứ i p là số biến quan sát của thang đo
+ Giá trị hội tụ: Gerbring & Anderson (1988) cho rằng thang đo đạt được giá trị
hội tụ khi các trọng số chuẩn hóa của thang đo đều (>0.5) và có ý nghĩa thống kê (P<0.05)
+ Tính đơn hướng: Mô hình phù hợp với dữ liệu thị trường và không có sựtương
tác giữa các sai sốđo lường thì đạt tính đơn hướng.
+ Giá trị phân biệt: có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn, mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau. Có thể thực hiện kiểm định hệ sốtương quan xét trên phạm vi tổng thể giữa các khái niệm có thực sự khác biệt so với 1 hay không. Nếu nó thực sự khác biệt thì các thang đo đạt
được giá trị phân biệt.
Phân tích mô hình cấu trúc tuyến tính SEM
- Mô hình phù hợp với dữ liệu thị trường khi kiểm định Chi - square/df < 2; GFI,
TLI, CFI ≥ 0.9; RMSEA < 0.08.
- Kiểm định giả thuyết: trọng số hồi quy chuẩn hóa của các khái niệm nghiên cứu
dương sẽtác động thuận chiều đến đối tượng nghiên cứu. Trọng số hồi quy chuẩn hóa của các chỉ báo càng lớn càng tác động mạnh đến đối tượng nghiên cứu.
- Phân tích Boostrap để đánh giá độ tin cậy của ước lượng. Bootstrap là phương
pháp lấy mẫu lặp lại có thay thế. Hiệu số giữa trung bình các ước lượng từ Bootstrap
và các ước lượng ban đầu gọi là độ chệch. Trị tuyệt đối các độ chệch này càng nhỏ so với 2, càng không có ý nghĩa thống kê tốt ởđộ tin cậy 95%.
- Phân tích cấu trúc đa nhóm: so sánh sự khác biệt Chi-square giữa 2 mô hình: bất biến và khả biến. Nếu kiểm định Chi-square cho thấy giữa mô hình bất biến và mô hình khả biến không có sự khác biệt (P-value > 0.05) thì mô hình bất biến sẽ được chọn. Ngược lại, nếu sự khác biệt về Chi-square là có ý nghĩa giữa 2 mô hình thì chọn mô hình khả biến.
3.4 CHỌN MẪU
Tổng thể nghiên cứu của đềtài là người tiêu dùng cá nhân đã sử dụng thẻ ATM trên
địa bàn thành phốĐà Nẵng. Trong nghiên cứu này tác giả sử dụng phương pháp chọn mẫu phi xác suất, cụ thểlà phương pháp chọn mẫu thuận tiện. Dữ liệu được thu thập
thông dưới hình thức điều tra trực tiếp và trả lời qua email. Đối tượng điều tra là người
tiêu dùng cá nhân trên địa bàn thành phốĐà Nẵng (đã sử dụng hoặc chưa sử dụng dịch vụ thanh toán bằng thẻ). Địa bàn thu thập dữ liệu là thành phốĐà Nẵng (tập trung chủ
yếu trên 3 quận: Hải Châu, Thanh Khê, Liên Chiểu vì đây là những quận trung tâm của thành phố, mật độ dân sốđông, nơi có nhiều đơn vị chấp nhận thẻ). Thời gian tiến hành thu thập dữ liệu từ tháng 11/2014 đến tháng 12/2014..
16T
Trong nghiên cứu, kích thước mẫu điều tra cần phải đảm bảo tính đại diện cho tổng
thể nghiên cứu. Theo Hair và cộng sự (1988) cho rằng, đối với phân tích nhân tố, cỡ
mẫu tối thiểu phải là n ≥ 5x (x: tổng số biến quan sát). Trong nghiên cứu này tổng số biến quan sát là 34, như vậy số mẫu tối thiểu của nghiên cứu phải là 170. Trong phạm vi nghiên cứu, tác giả tiến hành điều tra trên quy mô mẫu là 400 cá nhân (đã sử dụng
hoặc chưa sử dụng dịch vụ thanh toán bằngthẻ) trên địa bàn thành phố Đà Nẵng.