- Phương pháp so sánh số liệu:
Phương pháp so sánh số tuyệt đối: Là kết quả của phép trừ giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế
∆Y = y1 – y0
Trong đó:
Y0: Là chỉ tiêu năm trước Y1: Là chỉ tiêu năm sau
20
Phương pháp này dùng để so sánh số liệu năm sau so với năm trước của chỉ tiêu để xem có biến động không và tìm ra nguyên nhân biến động của các chỉ tiêu kinh tế. Từ đó có cách đánh giá chính xác hoạt động phân tích.
Phương pháp so sánh tương đối:
Phương pháp này nhằm làm rõ tình hình biến động của các chỉ tiêu trong thời gian nghiên cứu. Việc so sánh tốc độ tăng trưởng giữa chỉ tiêu của các năm cho thấy sự tác động có liên quan đến các hoạt động trong phân tích từ đó có sự nhận diện rõ các hoạt động trong phân tích.
Công thức tương đối động thái kỳ gốc liên hoàn:
∆Y = [(y1 – y0)/y0]*100%
Trong đó:
Y0: Là chỉ tiêu kỳ trước Y1: Là chỉ tiêu kỳ sau ∆Y: Mức độ tăng trưởng
- Mục tiêu 1: Sử dụng phương pháp thống kê mô tả, phân tích tần số,… nhằm thống kê các yếu tố về nhân khẩu học như độ tuổi, giới tính, thu nhập, kiểm định chi – square về mối quan hệ giữa các đặc tính nhân khẩu học với hành vi.
- Mục tiêu 2: Thông qua bảng câu hỏi được thực hiện để thu thập số liệu từ đó phân tích các nhóm nhân tố ảnh hưởng đến quyết định lựa chọn khách sạn để lưu trú, từ đó đưa ra những nhân tố ảnh hưởng nhất đến quyết định của khách hàng.
Đánh giá độ tin cậy của số liệu sử dụng trong thang đo: Sử dụng hệ số tin cậy Cronbach’s Alpha để kiểm tra độ tin cậy của số liệu sử dụng trong thang đo. Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến thừa trong quá trình nghiên cứu và đánh giá độ tin cậy của số liệu bằng hệ số thông qua hệ số Cronbach’ Alpha. Những số có hệ số tương quan biến tổng (iteam-total correlation) nhỏ hơn 0,3 sẽ bị loại. Thông thường thang đo Cronbach’s Alpha là 0,8 là sử dụng tốt nhưng với những đề tài mới thì Cronbach’s Alpha là 0,6 có thể sử dụng được.
Phân tích nhân tố khám phá (EFA): Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đủ độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt dữ liệu.
21
Nếu các biến được chuẩn hóa thì mô hình nhân tố có dạng như sau:
Xi = Ai1F1 + Ai2F2 + … + AimFm + ViUi
Trong đó:
Xi: Biến được chuẩn hóa thứ i
Aij: Hệ số hồi qui bội của biến được chuẩn hóa i trên nhân tố chung j F: Nhân tố chung
Vi: Hệ số hồi qui của biến chuẩn hóa i trên nhân tố duy nhất i m: Số nhân tố chung
Nếu các nhân tố đặc trưng tương quan với nhau và tạo thành các nhóm nhân tố chung. Bản thân các nhóm nhân tố chung có thể diễn tả như những kết hợp tuyến tính của các biến quan sát.
Fi = wi1x1 + wi2x2 + ... + wikxk
Trong đó:
Fi: Ước lượng nhân tố thứ i
wi: Trọng số hay hệ số điểm nhân tố k: Số biến
Trong nghiên cứu này đã sử dụng thang đo Likert cho điểm tư 1 đến 5 để đo lường các biến quan sát.
Ý nghĩa của từng giá trị trung bình đối với thang đo Likert (Interval Scale)
Giá trị trung bình Ý nghĩa
1.00 – 1.80 Rất không hợp lý/ rất không hài lòng 1.81 – 2.60 Không hợp lý/ không hài lòng
2.61 – 3.40 Không ý kiến / trung bình 3.41 – 4.20 Hợp lý/ hài lòng
4.21 – 5.00 Rất hợp lý/ rất hài lòng
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị từ khoảng 0,5 đến 1 thì phân tích này mới thích hợp, còn nếu trị số
Giá trị khoảng cách = (giá trị lớn nhất – giá trị nhỏ nhất) / n = (5 - 1) / 5 = 0.8
22
này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra phân tích nhân tố còn dựa vào giá trị eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có giá trị eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có giá trị eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc. Một phần quan trọng trong bảng phân tích nhân tố là ma trận nhân tố (component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp phân tích nhân tố principal components nên các hệ số tải nhân tố phải có trọng số lớn hơn 0,5 thì mới đạt yêu cầu.
Hồi quy nhị phân: Còn gọi là hồi quy Binary Logistic, sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được.
Có rất nhiều hiện tượng trong tự nhiên chúng ta cần dự đoán khả năng xảy ra một sự kiện nào đó mà ta quan tâm (chính là xác suất xảy ra), ví dụ một sản phẩm mới được chấp nhận hay không, người vay trả được nợ hay không, mua hay không mua,... Những biến nghiên cứu có hai biểu hiện như vậy gọi là biến thay phiên (dichotomuous), hai biểu hiện này sẽ được mã hóa thành hai giá trị 0 và 1 và ở dưới dạng này gọi là biến nhị phân. Khi biến phụ thuộc ở dạng nhị phân thì không thể phân tích với dạng hồi quy thông thường vì làm như vậy sẽ xâm phạm các giả định.
Một khó khăn khác khi dùng hồi quy tuyến tính thông thường là giá trị dự đoán được của biến phụ thuộc không thể diễn dịch như xác suất (giá trị ước lượng của biến phụ thuộc trong hồi quy Binary Logistic phải rơi vào khoảng (0;1)).
Với hồi quy nhị phân, biến phụ thuộc Y cần thu thập là một sự kiện nào đó có xảy ra hay không, các biến độc lập X, trong luận văn này thì Y là khả năng sẽ chọn khách sạn Hậu Giang 2 nếu có dịp quay lại Cần Thơ. Lúc này Y có hai giá trị 0 và 1, với một là khách hàng sẽ chọn và 0 khách hàng sẽ không. Từ biến phụ thuộc nhị phân này một thủ tục sẽ được dùng để dự đoán xác suất sự kiện xảy ra theo quy tắc nếu xác suất được dự đoán lớn hơn 0,5 thì kết quả dự đoán sẽ cho là “có” xảy ra sự kiện, ngược lại thì kết quả dự đoán sẽ là “không”.
23
Hàm hồi quy như sau:
Loge[ ] = β0 + β1 X1 + β2 X2 + β3 X3 +….. + βn Xn
Từ công thức trên ta có thể hiểu hệ số ước lượng B1 cho biết khi biến độc lập X1 tăng 1 đơn vị thì ta sẽ có Log của tăng B1 đơn vị. Nếu ta quan tâm đến chiều hướng của tác động thì ta thấy rằng phương trình Loge[ ] ở bên trái sẽ đồng biến với Pi nghĩa là xác suất Y nhận giá trị là 1. Nếu hệ số Bi mang dấu dương thì Xi sẽ làm tăng khả năng Y nhận giá trị là 1 hoặc ngược lại hệ số Bi mang dấu âm thì Xi sẽ là biến làm giảm khả năng này.
Tác động biên của Xi lên khả năng Y=1 xác định với xác suất ban đầu bằng 0,5.
Hồi quy nhị phân cũng đòi hỏi phải đánh giá độ phù hợp của mô hình. Đo lường độ phù hợp tổng quát của mô hình Binary Logistic được dựa trên chỉ tiêu -2LL (viết tắt của -2 log likelihood), thước đo này có nghĩa giống như SSE (sum of squares of error) nghĩa là càng nhỏ càng tốt. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo.
Chúng ta còn có thể xác định được mô hình dự đoán tốt đến đâu qua bảng phân loại (Clasification table) do SPSS đưa ra, bảng này sẽ so sánh số trị số thực và trị số dự đoán cho từng biểu hiện và tính tỉ lệ dự đoán đúng sự kiện. Hồi quy nhị phân sử dụng đại lượng Wald Chi Square để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Cách thức sử dụng mức ý nghĩa Sig. cho kiểm định Wald cũng theo quy tắc thông thường.
Tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình ngoại trừ hằng số cũng được kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc không. Hồi quy nhị phân dùng kiểm định Chi bình phương để kiểm định giả thuyết H0: β1 = β2 = … = βn = 0 căn cứ vào mức ý nghĩa quan sát Sig. trong bảng Omnibus Tests of Model Coefficients để quyết định bác bỏ hay chấp nhận H0.
Mục tiêu 3: Dựa vào các số liệu đã thu thập và phân tích cùng với những hiểu biết thực tế, tổng hợp các tài liệu có liên quan nhằm nêu lên các giải pháp thích hợp thu hút khách cho khách sạn Hậu Giang 2 của Công ty.
24
CHƯƠNG 3
THỰC TRẠNG HOẠT ĐỘNG KINH DOANH CỦA KHÁCH SẠN HẬU GIANG 2 CỦA CÔNG TY CỔ PHẦN DU LỊCH CẦN
THƠ TỪ NĂM 2013 ĐẾN 6 THÁNG ĐẦU NĂM 2014
3.1 GIỚI THIỆU KHÁI QUÁT VỀ CÔNG TY CỔ PHẦN DU LỊCH CẦN THƠ VÀ KHÁCH SẠN HẬU GIANG 2