Sau khi thu thập phiếu trả lời, sàng lọc và loại bỏ những phiếu không hợp lệ, các dữ liệu này sẽ được mã hóa, làm sạch và xử lý bằng phần mềm SPSS 20.0. Trình tự thực hiện: thống kê mô tả, kiểm định thang đo bằng Cronbach’s Alpha, phân tích nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA), phân tích mô hình cấu trúc tuyến tính (SEM), kiểm định Bootstrap và cuối cùng là phân tích đa nhóm.
26
Kiểm định độ tin cậy thang đo:
Hệ số Cronbach’s Alpha được sử dụng để đo lường cho từng biến quan sát để xem biến nào có đóng góp vào việc đo lường khái niệm lý thuyết, biến nào không đóng góp vào việc đo lường để kiểm định độ tin cậy của thang đo. Những biến quan sát không đảm bảo hệ số tin cậy sẽ bị loại khỏi thang đo và không tham gia vào việc phân tích nhân tố ở sau.
Hệ số Cronbach’s Alpha cho biết mức độ tương quan giữa các biến quan sát và được dùng để tính sự thay đổi của từng biến và mối tương quan giữa chúng. Những biến quan sát có hệ số tương quan biến – tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại. Tiêu chuẩn để thang đo có đủ tin cậy là khi hệ số Cronbach’s Alpha lớn hơn 0.6 (Nunnally vad Burnstein, 1994).Tiến hành loại từng biến quan sát rồi chạy lại, xác định lại hệ số Cronbach’s Alpha để xem biến tiếp theo có bị loại hay không. Phương pháp này thường được sử dụng trước khi phân tích nhân tố EFA, để loại các biến không phù hợp vì các biến rác này có thể tạo thành các nhân tố giả khi phân tích EFA (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009)
Phân tích nhân tố - EFA:
Sau khi đánh giá độ tin cậy thang đo bằng cronbach’s alpha tác giả tiếp tục tiến hành phân tích nhân tố khám phá EFA để xem các thang đo trên có bị tách nhập thành các nhân tố mới không. Điều này sẽ đánh giá chính xác các thang đo và cho biết được biến quan sát nào không đạt tiêu chuẩn cần bị loại bỏ, đảm bảo được tính đồng nhất của thang đo.
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là phương pháp phân tích các biến ít tương quan với nhau thành các nhân tố mà trong có sự tương quan hơn giữa các biến và hình thành các nhân tố đại diện nhưng vẫn mang đầy đủ thông tin của các biến ban đầu.
Quá trình này gồm các bước: kiểm định sự thích hợp của phân tích nhân tố đối với dữ liệu ban đầu thông qua chỉ số KMO (Kaiser – Meyer – Olkin) và giá trị thống kê Barlet, sau đó sử dụng phương pháp trích và xoay nhân tố để xác định số lượng các nhân tố được trích ra và các biến thuộc từng nhân tố đó. Trị số KMO có đủ điều kiện phân tích nhân tố khi 0.5 ≤ KMO ≤ 1. Trị số này càng lớn thì việc phân tích nhân tố càng có ý nghĩa. Khi phân tích EFA cần quan tâm đến một số tiêu chuẩn sau:
27
- Hệ số KMO ≥ 0.5, mức ý nghĩa của kiểm định Bartlett ≤ 0.005
- Hệ số tải nhân tố (Factor loading) > 0.45. Nếu biến quan sát nào có hệ số tải nhân tố ≤ 0.45 sẽ bị loại (Tabachnick và Fidell, 1989). Theo Hair và cộng sự (1998), hệ số tải nhân tố lớn hơn 0.3 được xem là đạt mức tối thiểu, lớn hơn 0.4 được xem là quan trọng và lớn hơn 0.5 được xem là có ý nghĩa thực tiễn. Ngoài ra, Hair & ctg (1998) còn có một số kết luận: Nếu chọn tiêu chuẩn factor loading ≥ 0,3 thì cỡ mẫu ít nhất là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading ≥ 0,55, nếu cỡ mẫu khoảng 50 thì factor loading phải ≥ 0,75. Nghiên cứu này sử dụng cỡ mẫu là 550; do đó, nhằm đảm bảo độ tin cậy, biến quan sát nào có hệ số tải nhân tố phải ≥ 0,3.
- Thang đo được chấp nhận khi tổng phương sai trích ≥ 50% và eigenvalue có giá trị lớn hơn 1 (Gerbing và Anderson, 1988).
Phân tích nhân tố khẳng định CFA:
Mục tiêu của phần này là tiến hành phân tích nhân tố khẳng định CFA mô hình tới hạn nhằm kiểm định được độ tin cậy, tính đơn hướng, giá trị hội tụ ,giá trị phân biệt của các thang đo trước khi tiến hành phân tích mô hình cấu trúc tuyến tính SEM.
Phân tích này dùng để đo lường mức độ phù hợp của mô hình với dữ liệu khảo sát được thông qua hệ số chi bình phương (Cmin), chi bình phương điều chỉnh theo bậc tự do (Cmin/df), chỉ số thích hợp so sánh (CFI- Comparative Fit Index), chỉ số Tucker & Lewis (TLI – Tucker & Lewis Index), chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là phù hợp với dữ liệu khảo sát khi kiểm định chi bình phương có P-value >0.05.
Mô hình nhận giá trị CFI, TLI, ≥ 0.9 (Bentler và Bonett, 1980); Cmin/df ≤ 2; một số trường hợp Cmin/df ≤ 3 (Carmines và McIver ,1981); RMSEA ≤ 0.08, chỉ số này ≤ 0.05 được xem là rất tốt (Steiger, 1990) thì phù hợp với dữ liệu khảo sát.
Phân tích cấu trúc tuyến tính SEM – Structural Equation Modeling:
Đây là dạng mô hình phân tích cấu trúc, cho phép thực hiện kiểm định đồng thời các nhóm phương trình hồi quy. Các tiêu chuẩn đánh giá mức độ phù hợp giống như trong phân tích CFA.
Kiểm định Bootstrap:
Để đánh giá độ tin cậy của các ước lượng, trong các phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải chia mẫu ra làm
28
hai mẫu con. Một nửa dùng để ước lượng các tham số mô hình và một nửa dùng để đánh giá lại. Cách khác là lặp lại nghiên cứu bằng một mẫu khác. Hai cách trên đây thường không thực tế vì phương pháp phân tích cấu trúc tuyến tính thường đò hỏi mẫu lớn nên việc làm này tốn kém nhiều thời gian và chi phí (Anderson & Gerbing,1988). Trong những trường hợp như vậy thì bootstrap là phương pháp phù hợp để thay thế (Schumacker & Lomax, 1996). Bootstrap là phương pháp lấy mẫu lại có thay thế, trong đó mẫu ban đầu đóng vai trò là đám đông (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011). Trong nghiên cứu này tác giả sẽ sử dụng cách lấy mẫu lập lại với N =800.
Phân tích cấu trúc đa nhóm:
Phương pháp phân tích cấu trúc đa nhóm dùng để so sánh mô hình nghiên cứu theo các nhóm của một biến định tính nào đó. Đầu tiên người ta sẽ chia thành 2 mô hình: mô hình bất biến và mô hình khả biến. Mô hình khả biến, có các tham số ước lượng trong từng mô hình của các nhóm không bị ràng buộc. Trong mô hình bất biến thì thành phân đo lường không bị ràng buộc nhưng các mối quan hệ giữa các khái niệm trong mô hình nghiên cứu được ràng buộc có giá trị như nhau cho tất cả các nhóm.
Kiểm định Chi-square được sử dụng để so sánh giữa 2 mô hình. Nếu kiểm định Chi-square cho thấy giữa mô hình bất biến và mô hình khả biến không có sự khác biệt (P-value > 0.05) thì mô hình bất biến sẽ được chọn (có bậc tự do cao hơn). Ngược lại, nếu có sự khác biệt Chisquare giữa hai mô hình (P-value<0.05) thì chọn mô hình khả biến (có độ tương thích cao hơn) (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 208).
Tóm tắt chƣơng 3:
Chương này trình bày phương pháp nghiên cứu được thực hiện đề tài. Quy trình nghiên cứu sẽ được thực hiện qua hai bước, nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ bằng định tính sử dụng phương pháp thảo luận nhóm để xác định các nhân tố ảnh hưởng và hiệu chỉnh mô hình nghiên cứu gồm 5 thành phần ảnh hưởng đến ý định mua lại là chất lượng cảm nhận, giá trị cảm nhận, sự hài lòng, lòng trung thành, sự yêu thích thương hiệu, và xây dựng thang đo. Sau đó đưa vào nghiên cứu chính thức bằng định lượng, khảo sát 550 người đang sử dụng smartphone tại thành phố Hồ Chí Minh. Sau khi thu thập dữ liệu, tiến hành xử lý bằng phần mềm
29
SPSS 20: thống kê mô tả, kiểm định thang đo bằng Cronbach’s Alpha, phân tích nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA), phân tích các nhân cấu trúc tuyến tính (SEM), kiểm định Bootstrap và phân tích đa nhóm.
30
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU