3.4.3.1 Đánh giá sơ bộ thang đo
Bao gồm đánh giá độ tin cậy và giá trị các thang đo bằng phƣơng 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 16.0 để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chu n (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 đƣợc. 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 đƣợc trong trƣờng hợp khái niệm đang nghiên cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu3.
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, ngƣời ta còn sử dụng hệ số tƣơng quan biến tổng (iterm - total correlation) và những biến nào có tƣơng 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 trƣờng hợp thang đo đáp ứng tiêu chu n Cronbach’s alpha và nếu loại bỏ biến có tƣơng 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.
3 Đây cũng là tiêu chu n đƣợc sử dụng trong các nghiên cứu của Nguyễn Đình Thọ & Nguyễn Thị Mai Trang
41
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 tƣơng quan giữa các biến, đƣợc sử dụng phổ biến để đánh giá giá trị thang đo (tính đơn hƣớng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tố đƣợc ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lƣờng các thuộc tính của các khái niệm nghiên cứu. Tiêu chu n áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
- Tiêu chu n Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến không có tƣơng quan với nhau trong tổng thể) bị bác bỏ và do đó EFA đƣợc gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0,05. Trƣờng 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 chu n rút trích nhân tố gồm chỉ số Engenvalue (đại diện cho lƣợng biến thiên đƣợc giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phƣơng sai trích cho biết phân tích nhân tố giải thích đƣợc 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 n trong các thang đo trƣớc khi EFA). Vì thế, các nhân tố chỉ đƣợc rút trích tại Engenvalue > 1 và đƣợc chấp nhận khi tổng phƣơng sai trích ≥ 50%. Tuy nhiên, trị số Engenvalue và phƣơng sai trích là bao nhiêu còn phụ thuộc vào phƣơng pháp trích và phép xoay nhân tố. Theo Gerbing & Anderson (1988), phƣơng pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) có phƣơng sai trích bé hơn, song sẽ phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp trích Principal components với phép xoay Varimax. Ngoài ra, trƣờng hợp các biến có trọng số tải nhân tố (Factor loading) đƣợc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thƣờng 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 đƣợc nhóm vào nhân tố tƣơng ứng đã đƣợc rút trích trên ma trận mẫu (Pattern Matrix).
42
Tuy nhiên, cũng nhƣ 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. Trƣờng hợp biến có trọng số tải nhân tố thấp hoặc đƣợc trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ, nhƣng có đóng góp quan trọng vào giá trị nội dung của khái niệm mà nó đo lƣờng 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 phƣơng pháp trích Principal Axis Factoring với phép xoay Promax; 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 chu n của Gerbing & Anderson (1988).
3.4.3.2 Phân tích hồi quy
Quá trình phân tích hồi quy đƣợc thực hiện qua các bƣớc:
Bước 1: Kiểm tra tƣơng quan giữa biến các biến độc lập với nhau và với biến phụ thuộc thông qua ma trận hệ số tƣơng quan. Theo đó, điều kiện để phân tích hồi quy là phải có tƣơng 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 tƣơng quan <0,85 thì có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tƣơng quan > 0,85 thì cần xem xét vai trò của các biến độc lập, vì có thể xảy ra hiện tƣợng đa cộng tuyến (một biến độc lập này có đƣợc giải thích bằng một biến khác).
Bước 2: Kiểm định mô hình hồi quy và các giả thuyết nghiên cứu
Y = β1X1+β2X2+ β3X3+ β4X4+...+ βkXk Đƣợc thực hiện thông qua các thủ tục:
- Lựa chọn các biến đƣa vào mô hình hồi quy (tác giả sử dụng phƣơng pháp Enter - SPSS xử lý tất cả các biến đƣa vào cùng một lƣợt).
- 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 đƣa 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 lƣợng
43
biến đƣa thêm vào mô hình đƣợc 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 ƣu bằng cách sử dụng phƣơng 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 đƣợc xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng đƣợc.
- Xác định các hệ số của phƣơng trình hồi quy, đó là các hệ số hồi quy riêng phần βk: đo lƣờng 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 đƣợc giữ nguyên. Tuy nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lƣờng 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, ngƣời ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lƣờng độ lệnh chu n beta.
Bước 3: Kiểm tra vi phạm các giả định hồi quy
Mô hình hồi quy đƣợc xem là phù hợp với tổng thể nghiên cứu khi không vi phạm các giả định. Vì thế, sau khi xây dựng đƣợc phƣơng 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 dƣ của biến phụ thuộc có phân phối chu n
- Phƣơng sai của sai số không đổi
- Không có tƣơng quan giữa các phần dƣ (tính độc lập của các sai số)
- Không có tƣơng quan giữa các biến độc lập (không có hiện tƣợng đa cộng tuyến).
44
Trong đó:
- Công cụ để kiểm tra giả định liên hệ tuyến tính là đồ thị phân tán phần dƣ chu n hóa (Scatter) biểu thị tƣơng quan giữa giá trị phần dƣ chu n hóa (Standardized Residual) và giá trị dự đoán chu n hóa (Standardized Pridicted Value).
- Công cụ để kiểm tra giả định phần dƣ có phân phối chu n 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 phƣơng sai không đổi là đồ thị phân tán của phần dƣ và giá trị dự đoán hoặc kiểm định Spearman’s rho.
- Công cụ đƣợc sử dụng để kiểm tra giả định không có tƣơng quan giữa các phần dƣ là đại lƣợng thống kê d (Durbin - Watson), hoặc đồ thị phân tán phần dƣ chu n hóa (Scatter).
- Công cụ đƣợc sử dụng để phát hiện tồn tại hiện tƣợng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phƣơng 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 c n trọng hiện tƣợng đa cộng tuyến.
45
TÓM TẮT CHƢƠNG 3
Chƣơng này trình bàyphƣơng pháp nghiên cứu đƣợc thực hiện qua 2 giai đoạn là nghiên cứu sơ bộ và chính thức. Kết quả nghiên cứu sơ bộ là một nghiên cứu định tính khẳng định mô hình lý thuyết đề xuất trong chƣơng 2 phản ánh các thành phần chính của chất lƣợng dịch vụ tín dụng tiêu dùng - nghiên cứu tình huống tại BIDV Quảng Trị, đồng thời phát triển thang đo các thành phần này và sự hài lòng gồm 33 biến. Nghiên cứu chính thức là một nghiên cứu định lƣợng, mẫu nghiên cứu đƣợc chọn bằng phƣơng pháp lấy mẫu định mức (phi xác suất) kết hợp phƣơng pháp lấy mẫu hệ thống (xác suất). Kích thƣớc mẫu dự kiến là 330 đƣợc thu thập bằng hình thức phỏng vấn bằng bảng câu hỏi, hoặc email. Quá trình phân tích dữ liệu gồm các giai đoạn:
- Đánh giá sơ bộ các thang đo bằng Cronbachalpha và phân tích nhân tố khám phá (EFA).
- Phân tích hồi quy tuyến tính bội đƣợc sử dụng để kiểm định mô hình nghiên cứu và các giả thuyết nghiên cứu.
Toàn bộ quá trình phân tích dữ liệu sử dụng phần mềm SPSS 16.0. Kết quả phân tích dữ liệu nghiên cứu sẽ đƣợc trình bày trong chƣơng 4 tiếp theo.
46
CHƢƠNG 4
PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
4.1 THÔNG TIN VỀ MẪU NGHIÊN CỨU
Từ 330 bản câu hỏi đƣợc phát ra, tác giả thu về 318 bản câu hỏi (đạt tỉ lệ 96,36%). Sau khi loại bỏ các bản câu hỏi không đạt yêu cầu (có nhiều ô thiếu thông tin, hoặc nhiều hơn một ô trả lời), hoặc có cơ sở để xác định không đáng tin cậy (chọn cùng một mức độ, hoặc hai mức độ trả lời cho tất cả các câu hỏi), số bản câu hỏi đáp ứng yêu cầu còn lại là 304 (đạt tỉ lệ 92,12% số bản câu hỏi phát ra), đƣợc phân bố theo các phòng giao dịch của BIDV Quảng Trị và các đặc điểm nhân kh u học của khách hàng đƣợc phỏng vấn nhƣ sau (bảng 4.1 và bảng 4.2).
Bảng 4.1: Thông tin mẫu nghiên cứu phân bố theo các phòng giao dịch
STT Phòng giao dịch Mã phòng giao dịch Số mẫu định mức Số mẫu chính thức % so với định mức 1 Trụ sở chính (TP. Đông Hà) TSC 136 126 92,64 2 Phòng giao dịch TP. Đông Hà DHA 52 47 90,38 3 Phòng giao dịch Nam TP Đông Hà NDH 61 56 93,44 4 Phòng giao dịch Huyện Vĩnh Linh VLH 45 42 91,80 5 Phòng giao dịch Thị xã Quảng Trị QTI 36 33 91,67
Tổng số 330 304 92,12
(Nguồn: kết quả phân tích dữ liệu nghiên cứu của tác giả)
Kết quả trên bảng 4.1, cho thấy kích thƣớc mẫu chính thức là 304 = 92,12% kích thƣớc mẫu định mức (so với kích thƣớc mẫu tối thiểu là 165) và tỉ lệ này không có sự chênh lệch đáng kể so với kích thƣớc mẫu xác định theo các phòng giao dịch (thấp nhất là số mẫu của phòng giao dịch TP. Đông Hà là 90,38%; cao nhất là số mẫu của phòng giao dịch Nam TP. Đông Hà: 93,44%). Vì thế, cho phép kết luận kích thƣớc chính thức đạt yêu cầu.
47
Kết quả trên bảng 4.2 cho thấy, có sự chênh lệch khá lớn về kích thƣớc các nhóm mẫu theo các đặc điểm: trình độ học vấn; độ tuổi. Tuy nhiên, kích thƣớc mẫu của phân nhóm nhỏ nhất là đối tƣợng khách hàng có trình độ học vấn sau đại học (N = 46) cũng vừa đủ lớn (N ≥ 30) theo nguyên tắc thống kê để có thể xấp xỉ phân phối chu n.
Bảng 4.2: Thông tin mẫu nghiên cứu theo các đặc điểm nhân khẩu học
(Nguồn: Kết quả phân tích dữ liệu nghiên cứu của tác giả)
Kết quả kiểm tra tính phân phối của mẫu thông qua các chỉ số Skewness và Kurtosis (phụ lục 3) cho thấy, hầu hết các chỉ số này của tập dữ liệu các biến quan sát đều đƣợc 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 chu n. Vì thế, cho phép áp dụng các kỹ thuật định lƣợng bằng phƣơng pháp phân tích phƣơng sai để ƣớc lƣợng các tham số trong quá trình kiểm định thang đo, mô hình nghiên cứu và các giả thuyết nghiên cứu.
Các đặc điểm nhân khẩu học Tần số Tần suất
Giới tính Nữ 145 47,7 Nam 159 52,3 Cộng 304 100 Độ tuổi 20 - 35 112 36,8 36 - 55 128 42,1 Trên 55 64 22,1 Cộng 304 100 Học vấn Dƣới cao đẳng 70 23,0 Cao đẳng, đại học 188 61,8 Sau đại học 46 15,2 Cộng 304 100 Nghề nghiệp Cán bộ, viên chức 77 25,3 Kinh doanh 74 24,3 Sinh viên 59 19,4 Nghề nghiệp khác 94 30,9 Cộng 304 100
48
4.1.1 Đặc điểm mẫu phân theo giới tính
Hình 4.1: Đặc điểm mẫu phân theo giới tính
(Nguồn: Số liệu điều tra khách hàng)
Xét về cơ cấu giới tính, có sự chênh lệch rất nhỏ giữa khách hàng nam giới và nữ giới. Số lƣợng khách hàng nam giới sử dụng dịch vụ tín dụng tiêu dùng của chi nhánh là 159 khách hàng chiếm 52,3% và khách hàng nữ giới là 145 khách hàng chiếm 47,7%. Nhƣ vậy chúng ta có thể thấy rằng khách hàng sử dụng dịch vụ tín dụng tiêu dùng của BIDV Quảng Trị khi phân theo giới tính thì nam giới có nhiều hơn nữ giới nhƣng sự chênh lệch này là không đáng kể. Điều này cũng cho thấy rằng nữ giới ngày nay đã mạnh dạn hơn trong việc sử dụng các dịch vụ của ngân hàng nói chung và tín dụng nói riêng, vì trƣớc đây khi nghĩ đến việc đi vay ở ngân hàng thì thông thƣờng sẽ là nam giới.
4.1.2 Đặc điểm mẫu phân theo độ tuổi
Hình 4.2: Đặc điểm mẫu phân theo độ tuổi
49
Xét về độ tuổi, kết quả thống kê cho thấy khách hàng sử dụng dịch vụ tín dụng tiêu dùng của Ngân hàng ở độ tuổi phổ biến nhất là từ 36 đến 55 tuổi chiếm tỉ lệ 42,1% tƣơng ứng với 128 khách hàng, tiếp đó là độ tuổi từ 20 - 35 tuổi với 112 khách hàng(tƣơng ứng 46,8 %), nhóm khách hàng trên 55 tuổi có số lƣợng khách hàng là 64 ngƣời, chiếm tỉ lệ 22,1%. Nhƣ vậy, có thể thấy rằng nhóm khách hàng chủ yếu có độ tuổi từ 36 đến 55, là những ngƣời đã ở độ tuổi thành đạt, có khả năng kiếm tiền, có thu nhập ổn định, có nhu cầu phát sinh về tiêu dùng lớn cho cuộc sống cho nên nhu cầu vay vốn của họ thƣờng cao. Nhóm khách hàng này góp phần rất lớn trong việc đem lại