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 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 (khảnăng 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 & ctg (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 (iterm - total correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ.Song, theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang (2011, tr. 353, 354), việc loại bỏ hay không một biến quan sát không chỉ đơn thuần nhìn vào con số thống kê mà còn phải xem xét giá trị nội dung của khái niệm. Theo đó, trong trường hợp thang đo đáp ứng tiêu chuẩn Cronbach’s alpha và nếu loại bỏ biến có tương quan biến tổng <0,3 dẫn đến vi phạm giá trị nội dung (các biến quan sát còn lại không còn bao phủ đầy đủ nội hàm của khái niệm) thì không nên loại biến đó.
4Nếu các chỉ số này hầu hết được phân bố trong khoảng [-1, +1], chứng tỏ các biến đo lường có phân phối xấp xỉ phân phối chuẩn.
39
Phân tích nhân tố khám phá EFA được sử dụng phổ biến đểđánh 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 sốKMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết HR0R (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 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. Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), Ma trận nhân tố (Component Matrix): mặc dù phương pháp này giúp kiểm tra mối liên hệ giữa các nhân tố và từng biến một nhưng thông thường kết quả sẽ cho thấy mỗi nhân tố sẽ có mối liên hệ với nhiều biến làm cho việc giải thích khó khăn. Vì vậy cần phải kết hợp với việc xoay các nhân tố (Rotated Component Matrix). Sau khi xoay, kết quả là mối liên hệ giữa các biến và các nhân tố sẽ giảm đi, đôi khi một biến chỉ có mối liên hệ với một nhân tố mà thôi. Kết quả này được dựa vào hệ số khác không (có ý nghĩa) của các nhân tốđối với từng biến.
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
40
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 Principle Component và 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 nghiên cứu của Nguyễn Đình Thọ & Nguyễn Thị Mai Trang (2008).
3.4.3.2 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 sốtương 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 được giải thích bằng một biến khác).
Bước 2: Kiểm định mô hình hồi quy và các giả thuyết nghiên cứu
Y R= RβR1RXR1R+βR2RXR2R+ βR3RXR3R+ βR4RXR4R+...+ βRkRXRk
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 sốxác định RP 2 P (R Square). Tuy nhiên, RP 2
Pcó 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, RP
2
P
điều chỉnh (Adjusted R Square) có đặc điểm không phụ thuộc vào sốlượng biến đưa thêm vào mô hình được sử dụng thay thế RP
2
P
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 HR0R: (không có
41
mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập βR1R=βR2R=βR3R=βRKR= 0).
Nếu trị thống kê F có Sig rất nhỏ (< 0,05), thì giả thuyết HR0 Rbị 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 βRkR: đo lường sự thay đổi trung bình của biến phụ thuộc khi biến độc lập XRkR thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy nhiên, độ lớn của βRkR 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, từđó 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 vịđo lường độ lệnh chuẩn beta.
Bước 3: Kiểm tra vi phạm các giả định hồi quy
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 giảđịnh 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 sốkhông 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 cụđể 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.
42
- 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 cụđược 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 cụđược sử dụng để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ sốphóng đại phương sai (Variance inflation factor - VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr.217, 218), quy 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.
3.4.3.3 Kiểm định sự khác biệt về quyết định lựa chọn theo các đặc điểm cá nhân của khách hàng nhân của khách hàng
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.
- Kiểm định KRUSKAL - WALLIS được sử dụng khi điều kiện để ANOVA không thỏa mãn, trong đó trường hợp phổ biến là khi phương sai của các nhóm so
43
sánh không đồng nhất (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005, tr. 113- 118; 122-133; 146 -154).
Tóm tắt chương
Chương 3 trình bày vềphương pháp nghiên cứu gồm có nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ thông qua thảo luận nhóm gồm các lãnh đạo, nhân viên có kinh nghiêm lâu năm và khách hàng thân thiết để xác định, kiểm tra các biến cũng như hiệu chỉnh bảng câu hỏi rõ ràng, phù hợp, dễ hiểu. Nghiên cứu chính thức thực hiện bằng phương pháp định lượng, thu thập dữ liệu từ bảng câu hỏi khảo sát 550 khách hàng đang gửi tiết kiệm tại Agribank trên địa bàn Tp.HCM. Sử dụng phần mềm SPSS 20.0 để chạy dữ liệu đưa vào phân tích ở chương 4.
44 CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU 4.1 Thống kê dữ liệu nghiên cứu Bảng 4.1: Mô tả thống kê mẫu khảo sát Tần số Phần trăm Phần trăm tích lũy Giới tính Nam 200 41,8 41,8 Nữ 278 58,2 100 Tổng cộng 478 100 Trình độ học vấn Dưới cao đẳng 227 47,4 47,4 Cao đẳng - Đại học 209 43,7 91,1 Sau đại học 42 8,9 100 Tổng cộng 478 100 Nghề nghiệp
Chủ doanh nghiệp, tiểu thương 101 21,1 21,1 Cán bộ, công nhân, nhân viên VP 213 44,6 65,7
Nội trợ 92 19,2 84,9 Khác 72 15,1 100 Tổng cộng 478 100 Nhóm tuổi 18-30 123 25,7 25,7 31-45 172 36 61,7 46-55 102 21,3 83 56 trở lên 81 17 100 Tổng cộng 478 100 Thu nhập trung bình hàng tháng <5 triệu đồng 132 27,6 27,6 5-10 triệu đồng 165 34,5 62,1 11-15 triệu đồng 97 20,3 82,4 >15 triệu đồng 84 17,6 100 Tổng cộng 478 100
(Nguồn: Kết quả phân tích dữ liệu của tác giả)
Khảo sát phỏng vấn 550 bảng, kết quả thu về và sau khi loại bỏ các bảng câu hỏi (có nhiều ô thiếu thông tin, hoặc nhiều hơn một ô trả lời, hoặc có cơ sở để xác định không đáng tin cậy) còn lại 478 bảng hợp lệ(đạt 86,90%).
Kết quả trên bảng 4.1 cho thấy, có sự chênh lệch khá lớn về kích thước các nhóm mẫu theo các đặc điểm: trình độ học vấn; nghề nghề nghiệp; độ tuổi. Tuy nhiên, kích thước mẫu của phân nhóm nhỏ nhất là đối tượng khách hàng có trình độ
45
sau đại học (N = 42) cũng vừa đủ lớn (N ≥ 30) theo nguyên tắc thống kê để có thể xấp xỉ phân phối chuẩn.
4.2 Đánh giá sơ bộcác thang đo
4.2.1 Đánh giá độ tin cậy bằng hệ số Cronbach’s Alpha
Kết quả kiểm định ở bảng 4.2 cho thấy tất cả các thang đo đều có hệ số Cronbach’s alpha ≥ 0,6 đồng thời có tương quan giữa biến - tổng đều lớn hơn 0,3. Ngoại trừ biến CL07 (Thao tác của nhân viên Agribank có tính chuyên nghiệp) của yếu tố Chất lượng phục vụ của nhân viên có tương quan biến tổng là 0,171 < 0,3 (phụ lục 3, mục a). Kết quả Cronbach’s alpha sau khi loại biến CL07 các thang do đều đạt yêu cầu và được đưa vào phân tích nhân tốkhám phá EFA trong bước tiếp theo.
Bảng 4.2: Kết quảđánh giá sơ bộcác thang đo bằng Cronbach’s Alpha
TT Thang đo Ký hiệu Số biến quan sát Hệ số Cronbach’ s Alpha Hệ sốtương quan biến-tổng nhỏ nhất 1 Lãi suất tiết kiệm LS 3 0,844 0,679 (LS01) 2 Thương hiệu ngân hàng TH 3 0,759 0,557 (TH04) 3 Chất lượng phục vụ của nhân viên CL 4 0,766 0,569 (CL09) 4 Sản phẩm tiết kiệm đa dạng SP 3 0,776 0,585 (SP11) 5 Hoạt động chiêu thị CT 3 0,866 0,693 (CT16)
6 Sự tiện lợi TL 3 0,770 0,574 (CT17)
7 Quyết định lựa chọn ngân hàng
gửi tiết kiệm QD 3 0,819 0,646 (QD21)
(Nguồn: Kết quả phân tích dữ liệu của tác giả)
4.2.2 Phân tích nhân tố EFA
a) Phân tích nhân tố các yếu tốđộc lập
Kết quả EFA bằng phương pháp trích Principle Component và phép xoay Varimax (bảng 4.3) cho thấy, 18 biến quan sát trong 6 yếu tố của thang đo các nhân tốđộc lập bị phân tán thành 05 nhân tố với hệ số KMO=0,765 > 0,5 ; mức ý nghĩa Sig. = 0,000 < 0,05; Eigenvalue = 1,203 > 1 và tổng phương sai trích được là 71,837% >=50% (phụ lục 4, mục a). Trong đó, 4 yếu tố được trích nguyên gốc tương ứng với 4 yếu tố: Lãi suất tiết kiệm; Thương hiệu Ngân hàng; Chất lượng phục vụ của nhân viên; Hoạt động chiêu thị được giữ và đạt yêu cầu, tuy nhiên 2 yếu tố: Sự tiện lợi và sản phẩm tiết kiệm đa dạng được trích vào cùng một nhân tố
46
(tác giả đặt tên nhân tố này là Khả năng tiếp cận dịch vụ (TC) như cách gọi của Avkira (1994); Bahia và Natel (2000)).
Bảng 4.3: Kết quả phân tích nhân tố EFA các yếu tốđộc lập Rotated Component MatrixP
a Ký hiệu Thang đo Yếu tố