- Mục tiêu 1: Sử dụng phƣơng pháp thống kê mô tả để phân tích thực
trạng sử dụng điện thoại và hoạt động Mobile Marketing trên địa bàn thành phố Cần Thơ. Thống kê mô tả (Descriptive statistics) là phƣơng pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán và mô tả các đặc trƣng khác nhau để phản ánh một cách tổng quát đối tƣợng nghiên cứu. Các đại lƣợng thống kê mô tả chỉ đƣợc tính đối với các biến định lƣợng và thƣờng
sử dụng các đại lƣợng sau: Trung bình cộng (Mean), sai số trung bình mẫu (Standard Error of Mean), số trung vị - Me (Median), Mode, độ lệch chuẩn (Standard Deviaion), phƣơng sai (Variance), tổng (Sum).
- Mục tiêu 2 và 3: Sử dụng Cronbach Alpha để đánh giá độ tin cậy của thang đo, phân tích nhân tố khám phá EFA để đánh giá mức độ phù hợp của thang đo trong mô hình, tiếp theo sử dụng phân tích hồi quy bội để đánh giá mức độ ảnh hƣởng của các nhân tố đến thái độ và phản ứng của ngƣời tiêu dùng thành phố Cần Thơ.
+ Phƣơng pháp phân tích hệ số tin cậy (Cronbach Anpha) đƣợc sử dụng để đánh giá mức độ tin cậy của các thang đo. Phƣơng pháp này giúp loại bỏ các biến quan sát không đủ độ tin cậy (có hệ số tƣơng quan giữa biến – tổng nhỏ hơn 0,3) [5]. Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach Alpha từ 0,8 đến gần 1 thì thang đo lƣờng tốt, từ 0,7 đến gần bằng 0,8 là sử dụng đƣợc. Cũng có nhà nghiên cứu đề nghị rằng Cronbach Alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm trong nghiên cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995 (dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005)) [5].
+ Phƣơng pháp phân tích nhân tố EFA (Exploratory Factor Analysis), khi thực hiện kỹ thuật này, những biến quan sát có hệ số tải nhân tố (factor loading) nhỏ hơn 0,5 sẽ bị loại bỏ và chỉ giữ lại nhƣng biến có tổng phƣơng sai trích ≥ 50%. Bên cạnh đó, kết quả của phân tích cũng phải thỏa những điều kiện: hệ số KMO ≥ 0,5, mức ý nghĩa của kiểm định Bartlett ≤ 0,05, hệ số Egeivalue phải có giá trị ≥ 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005) [5].
+ Phƣơng pháp phân tích hồi quy bội: Phân tích hồi quy là sự nghiên cứu mức độ ảnh hƣởng của một hay nhiều biến số (biến giải thích hay biến độc lập: independent variables) đến một biến số (biến kết quả hay biến phụ thuộc: dependent variable) nhằm dự báo kết quả dựa vào các giá trị đƣợc biết trƣớc của các biến giải thích. Phân tích hồi quy có dạng:
Yi = α0 + β1X1 + β2X2 + β3X3 + ... + βkXk
Trong đó:
Yi là biến phụ thuộc.
X1, X2, X3,...Xk là các biến độc lập – các nhân tố mới đƣợc rút ra từ phân tích nhân tố, là các biến ảnh hƣởng đến biến phụ thuộc.
Βk là các tham số hồi quy, đo lƣờng độ lớn và chiều hƣớng ảnh hƣởng của biến độc lập đối với biến phụ thuộc. Mức độ ảnh hƣởng thể hiện thông qua các con số này trong phƣơng trình hồi quy. Những nhân tố nào có chỉ số Beta lớn hơn sẽ có mức độ ảnh hƣởng cao hơn. Những nhân tố có chỉ số Beta là số âm sẽ có ảnh hƣởng tiêu cực và ngƣợc lại.
Kết quả tính toán các thông số cơ bản như sau:
Hệ số tƣơng quan bội R (Multiple correlation coefficier): hệ số R thể hiện mức độ quan hệ giữa biến phụ thuộc Y và các biến phụ thuộc X. Khi R càng lớn thì mối quan hệ càng chặt chẽ (-1 ≤ R ≤ 1).
Hệ số xác định R2
(Multiple coefficier of determination): tỷ lệ phần trăm biến động của Y đƣợc giải thích bởi các biến Xi.
Hệ số xác định đã điều chỉnh (Adjusted R Square): dùng để trắc nghiệm xem có nên thêm vào một biến độc lập nữa không. Khi thêm vào một biến mà R2 tăng lên thì ta quyết định đƣa biến đó vào phƣơng trình hồi quy. Hệ số này phản ánh sát hơn mức độ phù hợp của mô hình.
P value (Probability value): Giá trị P là mức ý nghĩa α nhỏ nhất mà ở đó bác bỏ giả thiết H0: β1= β2= β3=...= βn
- Mục tiêu 4: từ những thống kê, phân tích ở các mục tiêu 1, 2, 3 đề xuất một số giải pháp nhằm làm tăng sự tích cực trong thái độ và phản ứng của ngƣời tiêu dùng, đẩy mạnh phát triển hoạt động Mobile Marketing trên địa bàn thành phố Cần Thơ.
- Ngoài ra, phân tích T-test và phân tích Anova cũng đƣợc sử dụng để kiểm định sự khác biệt về phản ứng của ngƣời tiêu dùng đối với hoạt động Mobile Marketing theo các biến nhân khẩu học: giới tính, độ tuổi, trình độ, nghề nghiệp, thu nhập cá nhân.
+ Kiểm định giả thuyết về trị trung bình của hai tổng thể độc lập (Independent Sample T-test). Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) < mức ý nghĩa α thì phƣơng sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed, ngƣợc lại, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed. Nếu Sig. trong kiểm định t ≤ α (mức ý nghĩa), ta kết luận có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể, ngƣợc lại, ta kết luận không có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể.
+ 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 yếu tố 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, sử dụng phân tích Anova 1 yếu tố (One-way Anova).
- Trong đề tài này, tác giả sử dụng thang đo Lirket 5 mức độ để đo lƣờng mức độ hài lòng. Ý nghĩa của từng giá trị trung bình trong thang đo khoảng đƣợc xác định nhƣ bảng sau (giá trị khoảng cách = (Maximum –Minimum)/n = (5 –1)/5 = 0,8):
Bảng 2.10: 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
Nguồn: Hướng dẫn thực hành SPSS (Phạm Lê Hồng Nhung, 2011)