Phƣơng pháp thống kê mô tả đƣợc dùng để phân tích, đánh giá các số liệu thứ cấp trong giai đoạn 2011 – 2013 đƣợc cung cấp bởi phòng Kế toán và phòng Khách hàng doanh nghiệp về các hoạt động kinh doanh, tình hình thẻ tại đơn vị chi nhánh.
Để tiến hành xử lí và làm sạch số liệu sơ cấp đƣợc thu thập, tác giả lựa chọn sử dụng phần mềm SPSS 20 và AMOS 21. Tất cả các biến quan sát trong mô hình nghiên cứu đều đƣợc đo lƣờng bằng thang đo Likert 5 mức độ.
Đầu tiên, tác giả sử dụng phƣơng pháp phân tích tần suất để mô tả các đặc điểm khác nhau về thông tin cá nhân của đáp viên. Phƣơng pháp này sẽ phản ảnh một cách tổng quát về đối tƣợng nghiên cứu, là cơ sở để nghiên cứu và đƣa ra các kết luận.
Tiếp theo, để tiến hành kiểm tra độ tin cậy của các thang đo, tác giả sẽ sử dụng hệ số Conbach’s Alpha. Phƣơng pháp phân tích nhân tố khám phá (EFA) đƣợc dung để nhằm thu nhỏ và tóm tắt các dữ liệu. Sau bƣớc phân tích
21
nhân tố khám phá (EFA), các thang đo đƣợc tiếp tục kiểm định lại qua phân tích CFA nhằm mục đích tìm kiếm các kiểm định thống kê xem mô hình đo lƣờng có phù hợp với dữ liệu hay không. Bên cạnh đó, đề tài còn ứng dụng mô hình cấu trúc tuyến tính (SEM) để kiểm định mô hình lý thuyết, xác định mối liên hệ giữa các biến nghiên cứu. Không chỉ thế SEM còn cho biết độ thích hợp của mô hình với dữ liệu thị trƣờng.
Cuối cùng, thông qua kết quả nghiên cứu đã đƣợc phân tích làm cơ sở đề xuất giải pháp nhằm giúp cho Ngân hàng Công Thƣơng chi nhánh Cần Thơ nâng cao hơn chất lƣợng dịch vụ thẻ ATM của mình.
2.4.2.1 Phương pháp kiểm định độ tin cậy thang đo bằng hệ số Cronbach’s Alpha
Hệ số Cronbach’s Alpha là hệ số cho phép xác định các biến độc lập có ảnh hƣởng đến biến phụ thuộc hay không. Hair & cộng sự (2006) đã đƣa ra quy tắc đánh giá giá trị nhƣ sau:
Nhỏ hơn 0,6: Thang đo nhân tố không phù hợp (tức có thể trong môi trƣờng NC, đối tƣợng NC không có cảm nhận về nhân tố đó).
Từ 0,6 đến 0,7; Chấp nhận đƣợc với các nghiên cứu mới. Từ 0,7 đến 0,8: Chấp nhận đƣợc.
Từ 0,8 đến 0,95: Tốt.
Lớn hơn 0,95: Chấp nhận đƣợc nhƣng không tốt, xem xét lại các biến quan sát có thể gặp hiện tƣợng “trùng biến”.
Trong trƣờng hợp nếu biến quan sát có hệ số tƣơng quan biến tổng bé hơn 0,3 thì phải loại biến này ra khỏi nhân tố đánh giá.
2.4.2.2 Phương pháp phân tích nhân tố khám phá EFA
Sau khi các thang đo đạt yêu cầu về hệ số tin cậy Cronbach’s Alpha sẽ tiếp tục đƣợc sử dụng phân tích nhân tố để rút gọn một tập gồm nhiều biến quan sát thành một tập ít biến hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của tập với các biến quan sát. Để tiến hành phân tích EFA ta dựa vào các tham số thống kê sau:
Kiểm định Bartlett: dùng để quan sát các biến có tƣơng quan với nhau trong tổng thể hay không.
Gía trị KMO: đây là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Nếu trị số KMO lớn (giữa 0,5 và 1) thì phân tích nhân tố là thích hợp với dữ liệu; ngƣợc lại, nếu giá trị KMO từ 0,5 trở xuống thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
22
Hệ số tải nhân tố: là những hệ số tƣơng quan đơn giữa các biến và các nhân tố. Các mức giá trị của hệ số tải nhân tố nhƣ sau:
Lớn hơn 0,3 là đạt đƣợc mức tối thiểu. Lớn hơn 0,4 là quan trọng.
Lớn hơn 0,5 là có ý nghĩa thực tiễn.
Tiêu chuẩn chọn mức giá trị hệ số tải nhân tố: cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải nhân tố lớn hơn 0,3; nếu cỡ mẫu khoảng 100 thì chọn hệ số tải nhân tố lớn hơn 0,55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0,75 (Hair & cộng sự, 2006).
Eigenvalues: Chỉ có nhân tố nào có eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích.
Factor scores: điểm nhân tố tổng hợp đƣợc ƣớc lƣợng cho từng quan sát trên các nhân tố đƣợc rút ra.
2.4.2.3 Phương pháp phân tích nhân tố khẳng định CFA
Phân tích nhân tố khẳng CFA là một trong các kỹ thuật thống kê của mô hình cấu trúc tuyến tính. CFA là phƣơng pháp nhằm xác định sự phù hợp của số liệu nghiên cứu với mô hình lí thuyết và ngƣợc lại, là công cụ để khẳng định hay bác bỏ lí thuyết cho trƣớc. CFA đƣợc tác giả sử dụng sau bƣớc phân tích EFA, sau khi đã biết trƣớc đã có bao nhiêu yếu tố, có bao nhiêu biến trong từng yếu tố. Phƣơng pháp CFA đƣợc sử dụng để khẳng định lại tính đơn nguyên, giá trị hội tụ, giá trị phân biệt, độ tin cậy tổng hợp và tổng phƣơng sai trích của các thang đo.
Để đo lƣờng độ phù hợp của mô hình với thông tin thị trƣờng, nghiên cứu sử dụng các chỉ tiêu chi bình phƣơng (CMIN_Chi-square), chi bình phƣơng điều chỉnh theo bậc tự do (CMIN/df), chỉ số tích hợp so sánh CFI_Comparative Fit Index),chỉ số Tucker & Lewis (TLI_Tucker & Lewis Index) và chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình đƣợc xem là thích hợp khi kiểm định Chi-Square có giá trị p < 0,05. Nếu một mô hình nhận đƣợc giá trị TLI và CFI từ 0,9 đến 1, CMIN/df có giá trị bé hơn 2, RMSEA có giá trị nhỏ hơn 0,08 thì mô hình phù hợp với dữ liệu thị trƣờng (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007).
Các đánh giá đƣợc thực hiện trong CFA là hệ số tin cậy tổng hợp (c ), tổng phƣơng sai trích (vc). Hai chỉ tiêu này phải đạt yêu cầu từ 0,5 trở lên.
23 C = p t p t i i p t i 1 1 2 2 1 2 ) 1 ( ) ( ) ( (2.2) p t p t i i p t i vc 1 1 2 2 1 2 ) 1 ( (2.3)
Trong đó, i là trọng số chuẩn hóa của biến quan sát thứ i. 1 - ilà phƣơng sai của sai số đo lƣờng biến quan sát thứ i. p là số biến quan sát của thang đo.
Theo Steenkamp & Vantrijp (1991), mức độ phù hợp của mô hình với mức độ dữ liệu thị trƣờng cho chúng ta điều cần và đủ để cho tập biến quan sát đạt đƣợc tính đơn hƣớng, trừ trƣờng hợp các sai số đo lƣờng của các biến quan sát có tƣơng quan với nhau.
Gía trị hội tụ nói lên mức độ hội tụ của một thang đo sử dụng để đo lƣờng một khái niệm sau nhiều lần, nghĩa là sau mỗi lần lặp lại các số đo có mối quan hệ chặt chẽ với nhau (Nguyễn Đình Thọ, 2011). Gerbring & Anderson (1988) cho rằng thang đo đạt đƣợc giá trị hội tụ khi các hệ số trọng hóa của thang đo đều cao (lớn hơn 0,5), và có ý nghĩa thống kê (tức p-value < 0,05).
Giá trị phân biệt nói lên hai thang đo lƣờng khái niệm khác nhau phải khác biệt nhau (Bagozzi, 1994). Điều này có nghĩa là hai khái niệm đó là hai khái niệm phân biệt, nghĩa là hệ số tƣơng quan của hai khái niệm này phải khác với đơn vị. Có thể thực hiện kiểm định hệ số tƣơng quan xét trên phạm vi tổng thể giữa các khái niệm có thực sự khác biệt so với 1 hay không. Nếu nó thực sự khác biệt thì các thang đo đạt đƣợc giá trị phân biệt (Nguyễn Đình Thọ, 2011).
Theo Nguyễn Đình Thọ (2011), giá trị liên hệ lý thuyết nói lên mối quan hệ của khái niệm với các khái niệm khác trong hệ lý thuyết đang nghiên cứu (Nomological, Campbell 1960; Cronbach & Meehl, 1955). Chúng ta kiểm định giá trị liên hệ lý thuyết cùng với kiểm định mô hình lý thuyết, nghĩa là
24
xem xét mối quan hệ của nó với các khái niệm khác trong mô hình (Anderson & Gerbing, 1988, Steenkamp & Van Trijp, 1991).
2.4.2.4 Mô hình cấu trúc tuyến tính SEM
Phạm Đức Kỳ (2007) cho rằng SEM phối hợp đƣợc tất cả các kỹ thuật nhƣ hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tƣơng để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ƣớc lƣợng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mô hình cổ điển (mô hình đo lƣờng), SEM cho phép ƣớc lƣợng đồng thời các phần tử trong tổng thể mô hình; ƣớc lƣợng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn qua các chỉ số kết hợp cả đo lƣờng và cấu trúc của mô hình lý thuyết; đo các mối quan hệ ổn định và không ổn định; đo các ảnh hƣởng trực tiếp cũng nhƣ gián tiếp, kể cả sai số đo và tƣơng quan phần dƣ. Với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị.
Sự phù hợp của mô hình cần phải đƣợc đo lƣờng thông qua các tiêu chí về mức độ phù hợp nhƣ sau:
Kiểm định Chi-Square (χ2): biểu thị mức độ phù hợp tổng quát của toàn bộ mô hình tại mức ý nghĩa p = 5% (Joserkog & Sorbom, 1989). Trong phép kiểm định này, mô hình đƣợc gọi là phù hợp khi kiểm định Chi - square có giá trị p > 5%. Tuy nhiên, kiểm định này có nhƣợc điểm phụ thuộc vào kích cỡ mẫu.
Giá trị chi bình phƣơng điều chỉnh theo bậc tự do (CMIN/df): có giá trị nhỏ hơn 2 thì mô hình đƣợc xem là phù hợp tốt (Kettinger & Lee, 1995).
Các chỉ số liên quan khác nhƣ GFI, AGFI, CFI, NFI có giá trị lớn hơn 0.9 đƣợc xem là mô hình phù hợp tốt. Nếu các giá trị này bằng 1, ta nói mô hình là hoàn hảo (Segar, Grover, 1993) & (Chin & Todd, 1995).
RMR: một mặt đánh giá phƣơng sai phần dƣ của biến quan sát, mặt khác đánh giá tƣơng quan phần dƣ của một biến quan sát này với tƣơng quan phần dƣ của một biến quan sát khác. Giá trị RMR càng lớn nghĩa là phƣơng sai phần dƣ càng cao, nó phản ánh một mô hình có độ phù hợp không tốt.
RMSEA : là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với tổng thể. RMSEA có giá trị từ 0,08 trở xuống thì mô hình đƣợc chấp nhận (Taylor, Sharland, Cronin & Bullard, 1993).
Trong tạp chí nghiên cứu IS, các tác giả cho rằng chỉ số RMSEA, RMR yêu cầu bé hơn 0,05 thì mô hình phù hợp tốt. Trong một số trƣờng hợp giá trị
25
này từ 0,08 trở xuống thì mô hình đƣợc chấp nhận (Taylor, Sharland, Cronin và Bullard, 1993).
Mức xác suất: giá trị bé hơn 0,05 đƣợc xem là mô hình phù hợp tốt (Arbuckle và Wothke, 1999; Rupp và Segal, 1989). Điều này có nghĩa rằng không thể bác bỏ giả thuyết H0 (là giả thuyết mô hình tốt), tức là không tìm kiếm đƣợc mô hình nào tốt hơn mô hình hiện tại).
Kiểm tra ƣớc lƣợng mô hình bằng kiểm định Bootstrap: là phƣơng pháp lấy mẫu lặp lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đông. Phƣơng pháp Bootstrap thực hiện với số mẫu lặp lại là n lần. Kết quả ƣớc lƣợng từ n mẫu đƣợc tính trung bình và giá trị này có xu hƣớng gần đến ƣớc lƣợng của tổng thể. Khoảng chênh lệch giữa giá trị trung bình ƣớc lƣợng Bootstrap và ƣớc lƣợng mô hình với mẫu ban đầu càng nhỏ cho phép kết luận các ƣớc lƣợng mô hình có thể tin cậy đƣợc.