Số liệu đƣợc phân tích bằng phần mềm SPSS. Các phép phân tích đƣợc sử dụng nhƣ thống kê mô tả, Cronbach‟s Alpha, phân tích nhân tố (EFA), kiểm định mô hình hồi qui nhị nguyên (Binary Logistic)
Phương pháp thống kê mô tả
a) Khái niệm (Descriptive Statistics) là các 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.
b) Bảng phân phối tần số: bảng phân phối tần số là bảng tóm tắt các dữ liệu đƣợc sắp xếp thành từng tổ khác nhau. Để lập một bảng phân phối tần số trƣớc hết ta phải sắp xếp dữ liệu theo một thứ tự nào đó tăng dần hoặc giảm dần. Sau đó thực hiện các bƣớc sau:
Bƣớc 1: xác định số tổ của dãy phân phối Số tổ= [(2)*Số tố quan sát (n)]0.3333
Bƣớc 2: xác định khoảng cách tổ (k) K=Xmax-Xmin/số tổ
Xmax: lƣợng biến lớn nhất của dãy phân phối Xmin: lƣợng biến nhỏ nhất của dãy phân phối
Bƣớc 3: xác định giới hạn trên và giới hạn dƣới của mỗi tổ.
Một cách tổng quát, giới hạn dƣới của mỗi tổ đầu tiên sẽ là lƣợng biến nhỏ nhất của dãy phân phối, sau đó lấy giới hạn dƣới cộng khoảng cách tổ (k) sẽ đƣợc giá trị của giới hạn trên, lần lƣợt cho đến tổ cuối cùng. Giới hạn trên của tổ cuối cùng thƣờng là lƣợng biến lớn nhất của dãy số phân phối.
Bƣớc 4: Xác định tần số của mỗi tổ bằng cách đếm số quan sát rơi vào giới hạn của tổ đó. Cuối cùng trình bày trên biểu bảng và biểu đồ.
c) Một số khái niệm khác:
+ Giá trị trung bình (Mean, Average): bằng tổng số tất cả các giá trị biến quan sát chia cho tổng số quan sát.
+ Số trung vị (Median, kí hiệu: Me): là các giá trị của biến đứng ở giữa của một dãy số đƣợc sắp xếp theo thứ tự tăng dần hoặc giảm dần. Số trung vị chia dãy số làm 2 phần, mỗi phần có số quan sát bằng nhau.
+ Mode (kí hiệu: Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
+ Phƣơng sai: là trung bình giữa các bình phƣơng các độ lệch giữa các biến và trung bình của các biến đó. Độ lệch chuẩn là căn bậc hai của phƣơng sai.
-Mục tiêu 1: sử dụng hệ số Cronbach‟s Alpha đƣợc sử dụng để loại bỏ biến rác trƣớc khi tiến hành phân tích nhân tố. Kiểm định độ tin cậy của các biến trong thang đo chất lƣợng dịch vụ siêu thị của khách hàng tại Thành phố Cần Thơ dựa vào hệ số kiểm định Cronbach‟s Alpha của các thành phần thang đo. Sau đó sử dụng phân tích khám phá nhân tố (EFA) để xác định các nhóm tiêu chí đánh giá chất lƣợng dịch vụ tại siêu thị ở địa bàn Thành phố Cần Thơ
Hệ số Cronbach’s alpha
Hệ số Cronbach‟s alpha dùng để loại các biến không phù hợp ra khỏi mô hình. Các khách hàng biến có hệ số tƣơng quan biến tổng (item total correlation) nhỏ hơn 0,3 sẽ bị loại và tiêu chuẩn chọn thang đo khi có độ tin cậy alpha từ 0,6 trở lên (Nunnally 1978, Peterson 1994, Slater 1995). Tuy nhiên cũng nếu Cronbach‟s alpha quá cao (>0,95) thì có khả năng xuất hiện biến quan sát thừa ở bộ thang đo, tƣơng tự nhƣ trƣờng hợp đa cộng tuyến trong hồi quy, khi đó biến thừa nên dƣợc loại bỏ
Phân tích nhân tố (EFA)
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), phân tích nhân tố là tên chung của một nhóm các thủ tục đƣợc sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập đƣợc một số lƣợng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lƣợng của chúng phải đƣợc giảm bớt xuống đến một số lƣợng mà chúng ta có thể sử dụng đƣợc. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau đƣợc xem xét và trình bày dƣới dạng một số ít các nhân tố cơ bản, cụ thể nhƣ sau:
Fi=Wi1Xi1+Wi2Xi2+…WikXik Fi: ƣớc lƣợng trị số của nhân tố thứ i. Xik: các biến đƣa vào phân tích nhân tố. Wik: trọng số các nhân tố.
k: số biến trong nhóm nhân tố.
Phân tích nhân tố sẽ đƣợc sử dụng trong các trƣờng hợp sau:
+ Nhận diện các khía cạnh khác hay nhân tố giải thích đƣợc các liên hệ tƣơng quan trong một tập hợp biến
+Nhận diện một tập hợp gồm một số lƣợng biến mới tƣơng đối ít, không có tƣơng quan với nhau để thay thế tập hợp biến gốc có tƣơng quan với nhau để thực hiện một phân tích đa biến tiếp theo sau (phân tích hồi qui hay phân tích biệt số).
+Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong các phân tích đa biến kế tiếp.
Ngoài ra trong kinh doanh phân tích nhân tố có thể đƣợc ứng dụng trong các trƣờng hợp sau:
+ Sử dụng trong phân khúc thị trƣờng để nhận ra các biến quan trọng dùng để phân tích nhóm ngƣời tiêu dùng.
+Trong nghiên cứu sản phẩm ta có thể sử dụng phân tích nhân tố để xác định các thuộc tính nhãn hiệu có ảnh hƣởng đến sự lựa chọn của ngƣời tiêu dùng.
+Trong nghiên cứu quảng cáo, phân tích nhân tố có thể dùng để hiểu thói quen sử dụng phƣơng tiện truyền thông của thị trƣờng mục tiêu.
+Trong nghiên cứu định giá, ta có thể sử dụng phân tích nhân tố để nhận ra các đặc trƣng của những ngƣời nhạy cảm với giá.
Theo Hair và ctg (2006), Factor loading là tiêu chí để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0.3 đƣợc xem là đạt mức tồi thiểu, Factor loading > 0.4 đƣợc xem là quan trọng, Factor loading > 0.5 đƣợc xem là có ý nghĩa thực tiễn. Vì thế bài nghiên cứu sử dụng Factor loading >0.5 .
Phƣơng pháp trích hệ số sử dụng là Principal components với phép quay varimax điểm dừng khi trích các yếu tố Eigenvalue = 1. Thang đo đƣợc chấp nhận khi tổng phƣơng sai trích bằng hoặc lớn hơn 50% (Gerbing và Anderson, 1988). 0.5 ≤ KMO và Bartlett ≤ 1, kiểm định Bartlett có ý nghĩa thống kê (sig<0.05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể.
- Mục tiêu 2: Sử dụng kiểm định Binary Logistic để kiểm định mô hình hồi qui, xác định mức độ cảm nhận sự hài lòng của khách hàng về chất lƣợng dịch vụ của siêu thị.
Mô hình hồi quy Logistic nhị nguyên (Binary Logistic)
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), phƣơng pháp này cũng giống nhƣ phƣơng pháp hồi quy tuyến tính, song sử dụng biến phụ thuộc dạng nhị phân để ƣớc lƣợng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có đƣợc.
+ Số liệu đƣa vào và điều kiện ràng buộc:
Với hồi quy Binary Logistic, biến phụ thuộc là một sự việc nào đó có xảy ra hay không. 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 và tất nhiên là cả thông tin về các biến độc lập X. Các biến độc lập có thể bao gồm cả biến định tính và biến định lƣợng.
+ Cách đọc kết quả:
Hồi quy Binary Logistic cũng đòi hỏi phải đánh giá độ phù hợp của mô hình. Khác với hồi quy tuyến tính, thông thƣờng hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ tiêu -2LL (-2 log likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ càng thể hiện
độ phù hợp cao. Ngoài ra, khả năng giải thích biến phụ thuộc của tổ hợp biến độc lập cũng đƣợc xem xét thông qua kiểm định chi bình phƣơng.
Đối với mỗi biến trong phƣơng trình hồi quy ta thu đƣợc hệ số (B), sai số tiêu chuẩn của hệ số B, kiểm định Wald về ý nghĩa của các hệ số hồi quy.
+ Mô hình hồi quy Binary Logistic cụ thể nhƣ sau:
Logit (Pi)=loge[P(y=1)/P(y=0)]=β0+βiXi
Đối với bài nghiên cứu này, mô hình hồi qui ban đầu đƣợc xây dựng dựa trên cơ sở tham khảo các bài nghiên cứu trƣớc, bao gồm các biến phụ thuộc và biến độc lập nhƣ sau:
Biến phụ thuộc Y là mức độ hài lòng khi sử dụng dịch vụ mua sắm ở siêu thị của ngƣời dân trên địa bàn Thành Phố Cần Thơ. Biến Y này sẽ nhận 2 giá trị là 0 và 1 (0: là khách hàng không hài lòng về chất lƣợng dịch vụ của siêu thị và 1: là khách hàng hài lòng về chất lƣợng dịch vụ của siêu thị).
Các biến giải thích cho mô hình dự đoán Xi o X1: Hàng hoá trong siêu thị
o X2: Thái độ phục vụ của nhân viên o X3: Mặt bằng trong siêu thị
o X4: Trƣng bày hàng hoá trong siêu thị o X5: An toàn trong siêu thị
o X6: Giá trị tăng thêm
- Mục tiêu 3: Dựa vào kết quả phân tích và sử lý số liệu đƣa ra giải pháp nhằm nâng cao mức độ hài lòng và của khách hàng khi mua sắm tại siêu thị.