(1) Sử dụng phương pháp thống kê mô tả, phân tích tần số, phân tích bảng chéo để tìm hiểu tình hình sử dụng dịch vụ của khách hàng.
23
(2) Sử dụng phương pháp phân tích nhân tố khám phá (EFA) và phân tích hồi quy để xác định các nhân tố ảnh hưởng và mức độ tác động của từng nhân tố đến sự hài lòng.
(3) Sử dụng kiểm định ANOVA để xem xét mối quan hệ giữa sự hài lòng của khách hàng và các yếu tố giới tính, thu nhập, thời gian sử dụng dịch vụ.
(4) Từ kết quả nghiên cứu của 3 mục trên tiến hành đề xuất các giải pháp nâng cao sự hài lòng của khách hàng.
Lưu ý các phân tích số liệu sau đây tác giả thực hiện chạy số liệu trên phần mềm SPSS phiên bản 22.
2.2.3.1 Kiểm định hệ số tin cậy Cronbach’s Alpha
Kiểm định Cronbach’s Alpha là kiểm định nhằm phân tích, đánh giá độ tin cậy của thang đo. Mục đích của kiểm định này là xem các biến quan sát có cùng đo lường cho một khái niệm cần đo hay không. Giá trị đóng góp nhiều hay ít được phản ánh thông qua hệ số tương quan biến tổng Corrected Item-Total Correlation. Kiểm định này cho phép loại bỏ những biến không phù hợp ra khỏi mô hình. Nếu α lớn hơn 0,7, thì độ tin cậy cao còn nếu α nhỏ hơn 0,3 thì độ tin cậy thấp. Tuy nhiên, đối với phân tích nhân tố khám phá thì hệ số α có thể giảm xuống còn 0,6 (Hair et al., 2006).
Tiêu chuẩn để chấp nhận các biến:
Những biến có chỉ số tương quan biến tổng phù hợp (Corrected Item- Total Correlation) từ 0,3 trở lên.
Các hệ số Cronbach’s Alpha của các biến từ 0,6 trở lên.
2.2.3.2 Phân tích nhân tố khám phá Exploratory Factor Analysis(EFA)
EFA được tiến hành bằng cách lấy một loạt các biến số và phân chia chúng vào nhóm nhỏ các nhân tố. Trong các nhóm nhỏ này, tất cả các biến số đều có mối quan hệ với nhau. Phân tích nhân tố có thể xác định các biến số ẩn cơ bản giải thích sự tương quan giữa các điểm số kiểm nghiệm thực tế. Mục đích của việc sử dụng nhân tố là nhằm tạo điều kiện dễ dàng hơn cho việc khảo sát các mô hình hay mối quan hệ ẩn đối với một loạt các biến số và quyết định xem liệu thông tin có thể được ngưng kết hoặc tóm lược theo từng nhóm nhân tố hay thành tố nhỏ hơn hay không.
TheoHair et al. (2006)trong phương pháp phân tích nhân tố, chỉ số Factor Loading có giá trị lớn hơn 0,5 được xem là có ý nghĩa thực tế. Bên cạnh đó trị số KMO (Kaiser-Mayer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Khoảng thích hợp của trị số này là từ 0,5 đến 1. Trường hợp trị số
24
KMO có giá trị vượt ra ngoài khoảng đó thì phân tích nhân tố có thể không thích hợp với dữ liệu. Ngoài việc sử dụng trị số KMO để xem xét, phân tích nhân tố còn sử dụng đại lượng Eigenvalue để xác định số lượng nhân tố. Theo tiêu chuẩn Kaiser thì chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình và tổng phương sai trích phải lớn hơn 50%.
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008)kiểm định Bartlett (Bartlett’s test) xem xét giả thiết Ho độ tương quan giữa các biến quan sát bằng 0 trong tổng thể. Nếu như kiểm định này có ý nghĩa thống kê, tức là Sig < 0,05 thì các quan sát có tương quan với nhau trong tổng thể.
Các tham số thống kê trong phân tích nhân tố khám phá:
Bartlett’s test sphericity: đại lượng bartlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể.
Correlation matrix: cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích.
Factor loadding (hệ số tải nhân tố): là những hệ số tương quan đơn giữa các biến và các nhân tố.
Factor matrix (ma trận nhân tố): chứa các hệ số tải nhân tố của tất cả các biến đổi với các nhân tố được rút ra.
Factor scores: là các điểm số nhân tố tổng hợp được ước lượng cho từng quan sát trên các nhân tố được rút ra (còn được gọi là nhân số).
Kaiser Mayer Olkin (KMO) measure of sampling adequacy: là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố.
Cumulative (phương sai trích): cho biết mức độ giải thích đúng của mô hình.
Eigenvalue: đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
Các yêu cầu của phân tích nhân tố:
Factor Loading > 0,5
0,5 < KMO < 1
Kiểm định Bartlett có Sig < 0,05
Phương sai trích Total Varicance Explained > 50% (adsbygoogle = window.adsbygoogle || []).push({});
Eigenvalue > 1
Mô hình nghiên cứu ban đầu có 5 nhóm nhân tố với 17 yếu tố kỳ vọng ảnh hưởng đến sự hài lòng của khách hàng đối với sản phẩm, dịch vụ của ngân hàng.
25
Phân tích nhân tố trong nghiên cứu này được thực hiện với phép trích Principle Component, sử dụng phép xoay Varimax, sử dụng phương pháp kiểm định KMO và Bartlett để đo lường sự tương thích của mẫu khảo sát.
2.2.3.3 Phân tích phương sai ANOVA
ANOVA là một công cụ thống kê dùng để so sánh nhiều giá trị trung bình với nhau.
Để thực hiện ANOVA, dữ liệu phải thỏa mãn một số giả thuyết sau: Các mẫu kiểm nghiệm phải độc lập và được chọn ngẫu nhiên
Các mẫu sử dụng trong kiểm nghiệm phải có phân phối chuẩn hoặc kích thước mẫu đủ lớn để được xem như phân phối chuẩn.
Phương sai của các mẫu phải đồng nhất (có thể kiểm nghiệm điều này bằng kiểm định Levene) (Trần Quang Trung và Đào Hoài Nam).
Nếu như các mẫu nghiên cứu không thỏa mãn các điều kiện trên ta có thể dùng kiểm định phi tham số như phép kiểm Kruskal-Wallis. Kết quả kiểm định Levene cho mức ý nghĩa Sig > 5% ta khẳng định được phương sai các nhóm bằng nhau. Sau đó sử dụng kết quả ANOVA nếu Sig > 5% thì không có sự khác biệt giữa các nhóm và ngược lại. Nếu muốn biết có sự khác biệt giữa nhóm nào với nhóm nào ta sử dụng Post hoc cụ thể là sử dụng kiểm định Bonferroni nếu phương sai các nhóm bằng nhau, kiểm định Tamhane’s T2 nếu phương sai các nhóm khác nhau. Với kết quả Sig tại các cặp nhóm có giá trị lớn hơn 5% ta kết luận có sự khác biệt giữa 2 nhóm này (Nguyễn Quốc Nghi, 2014), (Nguyễn Minh Tuấn và Hà Trọng Quang, 2008).
26
CHƯƠNG 3
TỔNG QUAN VỀ ĐỊA BÀN NGHIÊN CỨU