3.3.3.1 Đánh giá sơ bộ thang đo
Bao gồm đánh giá độ tin cậy và giá trị các thang đo bằng phương pháp hệ số tin cậy Cronbach’s alpha và phân tích nhân tố khám phá EFA (Exploratory Factor
34
Analysis) thông qua phần mềm xử lý SPSS 20.0 để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác). Trong đó:
Cronbach’s alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) trong thang đo thông qua hệ số Cronbach’s alpha. Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005, tr. 257, 258) cùng nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach’s alpha có giá trị từ 0,8 trở lên đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng được. Song, cũng có nhiều nhà nghiên cứu (ví dụ: Nunally 1978, Peterson 1994, Slater 1995) đề nghị hệ số Cronbach’s alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu.
Tuy nhiên, theo Nunnally & cộng sự (1994), hệ số Cronbach’s alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Bởi vậy, bên cạnh hệ số Cronbach’s alpha, người ta còn sử dụng hệ số tương quan biến tổng (item - total correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ.
Phân tích nhân tố khám phá (EFA) là thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà dựa vào mối tương quan giữa các biến, được sử dụng phổ biến để đánh giá giá trị thang đo (tính đơn hướng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các thuộc tính của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
- Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0,05. Trường hợp KMO < 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005, tr. 262).
- Tiêu chuẩn rút trích nhân tố gồm chỉ số Engenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho
35
biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing & Anderson (1988), các nhân tố có Engenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Engenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Tuy nhiên, trị số Engenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay nhân tố. Ngoài ra, trường hợp các biến có trọng số tải nhân tố (Factor loading) được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận < 0,3), tức không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó cũng bị loại và các biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Tuy nhiên, cũng như trong phân tích Cronbach’s alpha, việc loại bỏ hay không một biến quan sát không chỉ dựa vào trọng số tải nhân tố mà còn phải xem xét giá trị nội dung của biến đó. Trường hợp biến có trọng số tải nhân tố thấp hoặc được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ, nhưng có đóng góp quan trọng vào giá trị nội dung của khái niệm mà nó đo lường thì không nhất thiết loại bỏ biến đó (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011, tr. 402, 403).
Trong nghiên cứu này, tác giả sử dụng phương pháp trích Principal components với phép xoay Varimax; loại bỏ các biến quan sát có trị số Factor loading ≤ 0,5 hoặc trích vào các nhân tố khác mà chênh lệch trọng số Factor loading giữa các nhân tố ≤ 0,3 theo tiêu chuẩn của Gerbing & Anderson (1988).
3.3.3.2 Phân tích hồi quy
Quá trình phân tích hồi quy được thực hiện qua các bước:
Bước 1: Kiểm tra tương quan giữa các biến độc lập với nhau và với biến phụ
thuộc thông qua ma trận hệ số tương quan. Theo đó, điều kiện để phân tích hồi quy là phải có tương quan giữa các biến độc lập với nhau và với biến phụ thuộc. Tuy nhiên, theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005, tr. 258), khi hệ số tương quan < 0,85 thì có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tương quan > 0,85 thì cần xem xét vai trò của các biến độc lập, vì có thể xảy ra hiện tượng đa cộng tuyến (một biến độc lập này có thể được giải thích bằng một biến khác).
36
Bước 2: Kiểm định mô hình hồi quy và các giả thuyết nghiên cứu
Y = β1X1+β2X2+ β3X3+ β4X4+...+ βkXk Được thực hiện thông qua các thủ tục:
- Lựa chọn các biến đưa vào mô hình hồi quy (tác giả sử dụng phương pháp Enter - SPSS xử lý tất cả các biến đưa vào cùng một lượt).
- Đánh giá độ phù hợp của mô hình bằng hệ số xác định R2 (R Square). Tuy nhiên, R2 có đặc điểm càng tăng khi đưa thêm các biến độc lập vào mô hình, mặc dù không phải mô hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế, R2 điều chỉnh (Adjusted R Square) có đặc điểm không phụ thuộc vào số lượng biến đưa thêm vào mô hình được sử dụng thay thế R2 để đánh giá mức độ phù hợp của mô hình hồi quy bội.
- Kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết H0: (không có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập β1=β2=β3=βK= 0).
Nếu trị thống kê F có Sig rất nhỏ (< 0,05), thì giả thuyết H0 bị bác bỏ, khi đó chúng ta kết luận tập hợp của các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng được.
- Xác định các hệ số của phương trình hồi quy, đó là các hệ số hồi quy riêng phần βk: đo lường sự thay đổi trung bình của biến phụ thuộc khi biến độc lập Xk thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lường của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để có thể so sánh các hệ số hồi quy với nhau, từ đó xác định tầm quan trong (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lường độ lệnh chuẩn beta.
37
Mô hình hồi quy được xem là phù hợp với tổng thể nghiên cứu khi không vi phạm các giả định. Vì thế, sau khi xây dựng được phương trình hồi quy, cần phải kiểm tra các vi phạm giả định cần thiết sau đây:
- Có liên hệ tuyến tính gữa các biến độc lập với biến phụ thuộc - Phần dư của biến phụ thuộc có phân phối chuẩn
- Phương sai của sai số không đổi
- Không có tương quan giữa các phần dư (tính độc lập của các sai số)
- Không có tương quan giữa các biến độc lập (không có hiện tượng đa cộng tuyến).
Trong đó:
- Công cụ để kiểm tra giả định liên hệ tuyến tính là đồ thị phân tán phần dư chuẩn hóa (Scatter) biểu thị tương quan giữa giá trị phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Pridicted Value).
- Công cụ để kiểm tra giả định phần dư có phân phối chuẩn là đồ thị tần số Histogram, hoặc đồ thị tần số P-P plot.
- Công cụ để kiểm tra giả định sai số của biến phụ thuộc có phương sai không đổi là đồ thị phân tán của phần dư và giá trị dự đoán hoặc kiểm định Spearman’s rho.
- Công cụ được sử dụng để kiểm tra giả định không có tương quan giữa các phần dư là đại lượng thống kê D (Durbin - Watson), hoặc đồ thị phân tán phần dư chuẩn hóa (Scatter).
- Công cụ được sử dụng để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phương sai (Variance inflation factor - VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr.217, 218), qui tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến; trong khi đó, theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2011, tr.497), khi VIF > 2 cần phải cẩn trọng hiện tượng đa cộng tuyến.
3.3.3.3 Kiểm định sự khác biệt về quyết định lựa chọn theo các đặc điểm cá nhân của khách hàng của khách hàng
38
Công cụ sử dụng để kiểm định sự khác biệt về quyết định lựa chọn theo các đặc điểm cá nhân của khách hàng là phép kiểm định Independent - Sample T-Test, hoặc phân tích phương sai (ANOVA), hoặc kiểm định KRUSKAL - WALLIS. Trong đó:
- Independent - Sample t -Test được sử dụng trong trường hợp các yếu tố nhân khẩu học được chia làm hai phân nhóm (chẳng hạn, giới tính bao gồm: giới tính nam và giới tính nữ), vì thế chia tổng thể mẫu nghiên cứu làm hai nhóm tổng thể riêng biệt;
- Phân tích phương sai (ANOVA) được sử dụng trong trường hợp các yếu tố nhân khẩu học được chia làm ba phân nhóm trở lên, vì thế chia tổng thể mẫu nghiên cứu làm ba nhóm tổng thể riêng biệt trở lên (chẳng hạn, năm học của sinh viên, bao gồm: năm 1, năm 2, năm 3). Điều kiện để thực hiện ANOVA là các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên; các nhóm so sánh phải có phân phối chuẩn hoặc cơ mẫu đủ lớn để tiệm cận với phân phối chuẩn; phương sai của các nhóm so sánh phải đồng nhất.
3.4 TÓM TẮT CHƯƠNG 3
Chương 3 trình bày phương pháp nghiên cứu được thực hiện qua hai giai đoạn là nghiên cứu sơ bộ và nghiên cứu chính thức. Kết quả nghiên cứu sơ bộ là các nghiên cứu định tính khẳng định mô hình lý thuyết đề xuất trong chương 2 nêu lên các yếu tố ảnh hưởng tới quyết định lựa chọn siêu thị Co.opmart là địa chỉ mua sắm của người dân TP. HCM, đồng thời phát triển thang đo các yếu tố này (bao gồm 30 biến quan sát) và biến phụ thuộc là yếu tố quyết định chọn nơi mua sắm (bao gồm 4 biến quan sát). Nghiên cứu chính thức là một nghiên cứu định lượng, mẫu nghiên cứu được chọn bằng phương pháp lấy mẫu thuận tiện, tức là khảo sát trực tiếp khách hàng đang có mặt tại siêu thị Co.opmart. Kích thước mẫu là 260, được thu thập bằng hình thức phiếu khảo sát khách hàng
Quá trình và phương pháp sử dụng phân tích dữ liệu bao gồm:
- Đánh giá độ tin cậy (giá trị hội tụ và giá trị phân biệt) các thang đo bằng Cronbach’s alpha và phân tích nhân tố khám phá (EFA).
- Phân tích hồi quy tuyến tính bội được sử dụng để kiểm định mô hình nghiên cứu và các giả thuyết nghiên cứu.
39
- Phép kiểm định Independent - Sample t-Test và phân tích phương sai (ANOVA) được sử dụng để kiểm định sự khác biệt về quyết định lựa chọn theo các đặc điểm cá nhân của khách hàng.
Toàn bộ quá trình phân tích dữ liệu thông qua việc sử dụng phần mềm SPSS 20.0. Kết quả nghiên cứu định lượng sẽ được trình bày trong chương tiếp theo.
40
CHƯƠNG 4
PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
4.1 THÔNG TIN CHUNG VỀ MẪU NGHIÊN CỨU
Bảng 4.1: Đặc điểm mẫu nghiên cứu
Biến Tần số Tần suất Giới tính Nam 49 18,8 Nữ 211 81,2 Tổng 260 100 Tuổi 20 tuổi -35 tuổi 202 77,7 36 tuổi - 55 tuổi 58 22,3 Tổng 260 100 Thu nhập Dưới 5 triệu 54 20,8 Từ 5 triệu - < 10 triệu 127 48,8 Từ 10 triệu - <15 triệu 48 18,5 Trên 15 triệu 31 11,9 Tổng 260 100 Trình độ
Phổ thông,chưa học qua cao đẳng 68 26,2
Cao đẳng, đại học 162 62,3 Sau đại học 30 11,5 Tổng 260 100 Nghề nghiệp Nội trợ 25 9,7 Doanh nhân 37 14,2
Cán bộ, công chức, giảng viên 121 46,5
Công nhân, đối tượng khác 77 29,6
Tổng 260 100 Số lần đi siêu thị 1 lần/ tuần 85 32,7 2 lần/ tuần 74 28,5 3- 5 lần/ tuần 69 26,5 Đi hàng ngày 32 12,3 Tổng 260 100 Mục đích đi siêu thị
Mua cho nhu cầu cá nhân 59 22,7
Mua cho nhu cầu gia đình 171 65,8
Đi ngắm rồi mới mua 30 11,5
Tổng 260 100
41
Quá trình khảo sát được thực hiện từ tháng 6/2015 đến tháng 7/2015. Với 300 bảng khảo sát được phát ra, kết quả thu về được 300 bảng. Sau khi loại bỏ những phiếu trả lời không đạt yêu cầu (phiếu trả lời thiếu nhiều thông tin, hay có trên một trả lời cho một câu hỏi, hoặc có cơ sở để xác định là không đáng tin cậy), số bảng hỏi còn lại được đưa vào phân tích dữ liệu là 260.
Kết quả kiểm tra đặc tính phân phối của mẫu thông qua các chỉ số Skewness và Kurtosis (phụ lục 2.1) cho thấy, hầu hết các chỉ số này của tập dữ liệu các biến quan sát đều được phân bố trong khoảng [-1; +1], một số ít nằm trong giới hạn [-2; +2], chứng tỏ, tập dữ liệu có phân phối xấp xỉ phân phối chuẩn. Vì thế, cho phép áp dụng các kỹ thuật định lượng sau đây để phân tích dữ liệu nghiên cứu
Trong bảng 4.1 cho ta thấy, trong 260 khách hàng mua sắm tại Co.opmart tham gia trả lời câu hỏi, có 18,8% là nam; 81,2% là nữ. Có 77,7% khách hàng trong độ tuổi 20-35; 22,3% khách hàng trong độ tuổi 36-55 tuổi. Có 20,8% những người trong mẫu nghiên cứu có thu nhập thấp dưới 5 triệu đồng, 48,8% trong số khách hàng được khảo sát có mức thu nhập ở mức trung bình từ 5 triệu đến 10 triệu. Mức thu nhập cao trên 10 triệu tới 15 triệu chiếm 18,5 %, chỉ có 11,9% khách hàng có thu nhập trên 15 triệu đồng/tháng. Đa phần đáp viên đều có trình độ cao đẳng đại học (62,3%), chưa học qua cao đẳng chiếm 26,2%, và chỉ có 11,5 % có trình độ trên đại học. Hơn 46,5% đáp viên là cán bộ, công chức, giảng viên, chỉ có khoảng 14,2% là doanh nhân và 9,7% là làm công việc nội trợ và 29,6% còn lại là làm các ngành nghề khác và công nhân. Dù nghề nghiệp, tuổi tác, trình độ học vấn khác nhau, các đáp viên đều là khách hàng của siêu thị Co.opmart, đã lựa chọn Co.opmart là địa chỉ mua sắm cho cá nhân và gia đình. Thời gian và số lần đi siêu thị trong tuần tuy có khác nhau nhưng trung bình từ 1 lần/tuần được đáp viên trả lời nhiều nhất với mục đích chính của việc đi siêu thị là mua sắm phục vụ cho nhu cầu của gia đình chiếm tới 65,8%; còn lại 22,7% là đi mua sắm cho nhu cầu cá nhân và 11,5% là thăm quan và mua hàng theo ngẫu hứng. Mẫu nghiên cứu này đã bao gồm các đối tượng khách hàng tham gia vào việc mua sắm tại siêu thị Co.opmart, như vậy mẫu có tính đại diện cao cho đám đông nghiên cứu khi đo lường nhân tố ảnh hưởng tới quyết định lựa chọn Co.opmart là địa chỉ mua sắm dựa trên khách hàng và các hoạt động chiêu thị của siêu thị.
42
4.2 KIỂM ĐỊNH THANG ĐO
Để đánh giá tính nhất quán nội tại của các khái niệm nghiên cứu, phương pháp hệ số tin cậy Cronbach’s alpha và phân tích nhân tố EFA là phương pháp được thực hiện
4.2.1 Đánh giá thang đo bằng hệ số tin cậy Cronbach’s alpha
Kết quả tính toán Cronbach’s alpha của các thang đo của sáu yếu tố độc lập ảnh