PHƯƠNG PHÁP NGHIÊN CỨU

2.3.1 Phương pháp chọn mẫu

Mẫu trong nghiên cứu được chọn theo phương pháp lấy mẫu thuận tiện thông qua lấy mẫu trực tiếp bằng bảng câu hỏi chuẩn bị sẵn. Phương pháp lấy mẫu thuận tiện là phương pháp chọn mẫu phi xác suất, trong đó nhà nghiên cứu tiếp cận với các đối tượng nghiên cứu bằng phương pháp thuận tiện. Điều này có nghĩa là nhà nghiên cứu có thể lựa chọn các đối tượng mà họ có thể tiếp cận được. Ưu điểm phương pháp này là dễ tiếp cận đối tượng nghiên cứu và thường sử dụng khi thường bị giới hạn về thời gian hoặc chi phí. Tuy nhiên phương pháp này có nhược điểm là không xác định được sai số do lấy mẫu.

Kích thước mẫu thường tùy thuộc vào các phương pháp ước lượng trong nghiên cứu và có nhiều quan điểm khác nhau. Theo Hair & ctg (1998) thì kích thước mẫu tối thiểu phải từ 100 đến 150. Hoetler (1983) thì cho rằng kích thước mẫu tới hạn phải là 200, hay theo Bollen (1989) thì kích thước mẫu tối thiểu là 5 mẫu cho 1 tham số ước lượng. Thêm vào đó, theo Cattell (1978), số lượng mẫu cho phân tích nhân tố khám phá là tối thiểu từ ba đến sáu lần của tổng biến cố quan sát. Số biến quan sát trong nghiên cứu này là 15, vậy số mẫu tối thiểu cho nghiên cứu này là 90. Vì thế cỡ mẫu quan sát được chọn trong đề tài nghiên cứu là 120.

2.3.2 Phương pháp thu thập số liệu 2.3.2.1 Số liệu thứ cấp 2.3.2.1 Số liệu thứ cấp

Nguồn dữ liệu thứ cấp được tổng hợp từ nguồn của Hiệp hội bán lẻ Việt Nam, thu thập số liệu từ “Dự án quy hoạch phát triển hệ thống chợ, siêu thị, trung tâm thương mại trên địa bàn thành phố Cần Thơ”.

2.3.2.1 Số liệu sơ cấp

Qua thu thập phỏng vấn trực tiếp cá nhân bằng bảng câu hỏi đã thiết kế sẵn. Bảng câu hỏi gồm 3 phần chính.

Phần mở đầu là phần sàng lọc, chọn lọc mẫu cho phù hợp với đối tượng khảo sát.

Phần thứ 2 là một số câu hỏi về thông tin cá nhân: độ tuổi, trình độ học vấn, thu nhập,…Có mục đích thống kê phân loại sau này.

Phần thứ 3 là phần nội dung chính: một số câu hỏi về mức độ thường xuyên đi chợ, thời điểm đi chợ, lý do chọn mua thực phẩm tươi sống ở chợ. Người được phỏng vấn đưa ra mức độ đồng ý của mình qua 15 phát biểu bằng thang đo Likert 5 mức độ.

2.3.3 Mô hình đề xuất và các biến đưa vào mô hình 2.3.3.1 Mô hình đề xuất 2.3.3.1 Mô hình đề xuất Hình 2.4: Mô hình đề xuất Sản phẩm Giá cả Người bán hàng Sự thuận tiện Hành vi tiêu thụ thực phẩm tươi sống

2.3.3.2 Các biến đưa vào mô hình

Bảng 2.1: Các biến đưa vào mô hình

Nhân tố Các biến cần đo

Sản phẩm đa dạng, đáp ứng được nhu cầu của khách hàng Sản phẩm tươi, ngon

Sản phẩm

Sản phẩm an toàn, có nguồn gốc rõ ràng Giá cả phù hợp với chất lượng hàng hóa

Giá rẻ phục vụ cho đại đa số người dân có thu nhập trung bình

Giá cả có thể thương lượng được Giá cả

Có thể mua thiếu được

Tác phong mau mắn, nhanh nhẹn của người bán phản ánh nét văn hóa của người Việt Nam

Thời điểm bắt đầu bán hàng rất sớm trong ngày nên có thể mua được thực phẩm rất tươi

Mối quan hệ giữa người bán và người mua gần gũi Cân đong thực phẩm chính xác, không gian lận Người bán hàng

Thái độ phục vụ tận tình, chiều theo khách của người bán hàng

Cách bố trí hàng hóa dễ thấy, dễ tìm

Thanh toán tiền nhanh chóng hơn, không có những thủ tục rườm rà

Sự thuận tiện

Tiết kiệm được thời gian hơn

Nguồn: Sinh viên khảo sát, 2014

2.3.4 Phương pháp phân tích số liệu

Sử dụng phương pháp thống kê mô tả để khảo sát hành vi mua thực phẩm tươi sống của người dân đối với thực phẩm tươi sống trên địa bàn quận Ninh Kiều, thành phố Cần Thơ.

Sử dụng số liệu sơ cấp được thu thập từ bảng câu hỏi. Dùng phương pháp phân tích nhân tố EFA để phân tích nhân tố ảnh hưởng đến hành vi tiêu thụ thực phẩm tươi sống của khách hàng tại chợ truyền thống.

a/ Phương pháp phân tích nhân tố EFA

Phân tích độ tin cậy Cronbach’s alpha

Trước khi tiến hành phân tích nhân tố ta đánh giá độ tin cậy của thang đo dựa vào hệ số Cronbach’s Alpha của mô hình và hệ số Cronbach’s Alpha của mỗi biến lợi ích. Nếu hệ số Cronbach’s Alpha của biến lớn hơn hệ số Cronbach’s Alpha của mô hình thì ta sẽ loại bỏ biến đó ra.

Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ: 0,8 trở lên gần 1 thì thang đo lường là tốt. Từ 0,7 đến gần 0,8 là sử dụng được.

Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally 14 (1978); Peterson 15 (1994); Slater 16 (1995)).

Tuy nhiên, hệ số Cronbach’s Alpha còn tùy thuộc vào kích thước mẫu. Cỡ mẫu càng nhỏ thì càng có nhiều khả năng hệ số Cronbach’s Alpha sẽ không cao (thiếu dữ liệu để xác định sự tương quan giữa các biến). Trong các trường hợp cỡ mẫu nhỏ thì hệ số tin cậy Cronbach’s Alpha bằng 0,6 vẫn có thể chấp nhận được. Ngoài ra, ở trường hợp ngược lại, hệ số Cronbach’s Alpha quá cao (lớn hơn 0,95) thì có sự đa cộng tuyến cao giữa các biến giải thích.

Để thang đo có độ tin cậy cao đòi hỏi các biến phải có tương quan mạnh với nhau. Điều này được thể hiện qua chỉ số tương quan giữa biến - tổng (Corrected item – Total correlation). Tương quan biến tổng này phải lớn hơn 0,3.

Phân tích nhân tố khám phá EFA: là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu.

Phân tích nhân tố có rất nhiều ứng dụng trong các lĩnh vực nghiên cứu kinh tế và xã hội. Trong nghiên cứu xã hội, phân tích nhân tố được dùng trong quá trình sử dụng thang đo lường các khía cạnh khác nhau của khái niệm nghiên cứu, kiểm tra tính đơn khía cạnh của thang đo lường. Trong kinh doanh phân tích nhân tố được sử dụng trong các trường hợp: phân khúc thị trường để nhận ra các biến quan trọng dùng để phân nhóm người tiêu dùng; trong nghiên cứu sản phẩm để xác định các thuộc tính nhãn hiệu có ảnh hưởng đến sự lựa chọn của người tiêu dùng; trong nghiên cứu quảng cáo dùng để hiểu thói quen sử dụng phương tiện truyền thông của thị trường mục tiêu; trong nghiên cứu định giá dùng để nhận ra các đặc trưng của những người nhạy cảm với giá.

Phương pháp phân tích nhân tố khám phá đòi hỏi mô hình phải thỏa mãn một số điều kiện nhất định. Theo Hair và cộng sự (2008) thì hệ số KMO phải nằm trong khoảng 0,5 đến 1 và hệ số ý nghĩa của mô hình theo kiểm định Bartlett phải có ý nghĩa thống kê 5%. Hoặc theo Gerbing và Anderson (1988) thì các thang đo của mô hình chỉ được chấp nhận khi tổng phương sai trích lớn hơn 50%. Ngoài ra, theo Hair và cộng sự (1988, trang 111) thì các biến quan

sát có hệ số tải phải đạt mức tối thiểu từ 0,3 trở lên, lớn hơn 0,4 được xem là biến quan trọng và lớn hơn 0,5 thì biến được xem là có ý nghĩa thực tiễn.

Tiến hành phân tích nhân tố:

Bước 1. Xác định vấn đề: xác định vấn đề gồm nhiều bước. Đầu tiên là phải nhận diện các mục tiêu của phân tích nhân tố cụ thể là gì. Các biến tham gia vào phân tích nhân tố phải được xác định dựa vào các nghiên cứu trong quá khứ, phân tích lý thuyết và đánh giá của các nhà nghiên cứu. Vấn đề quan trọng là các biến này phải được đo lường một cách thích hợp bằng thang đo định lượng (khoảng cách hay tỷ lệ), và cỡ mẫu đủ lớn (tối thiểu bằng 3 hoặc 6 lần số biến trong phân tích nhân tố)

Bước 2. Xây dựng ma trận tương quan: Chúng ta có thể sử dụng Bartlett’s test of sphericity để kiểm định giả thiết H0 là các biến không có tương quan với nhau trong tổng thể (ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1 còn các giá trị nằm ngoài đường chéo đều bằng 0). Đại lượng này có giá trị càng lớn thì ta càng có nhiều khả năng bác bỏ giả thiết H0. Nếu giả thiết H0 không thể bị bác bỏ thì phân tích nhân tố rất có khả năng không thích hợp.

Bước 3. Số lượng nhân tố: có 2 phương pháp để xác định số lượng nhân tố.

Phương pháp xác định từ trước (Priori determination): dựa vào kinh nghiệm hay phân tích lý thuyết hay từ kết quả của các nghiên cứu trước mà xác định số lượng nhân tố cần phải rút ra để báo cho chương trình máy tính. Hầu hết các chương trình máy đều cho người dùng chỉ định số nhân tố cần phân tích, làm cho việc giải thích kết quả dễ dàng hơn.

Phương pháp dựa vào eigenvalue (determination based on eigenvalue): chỉ có những nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai bằng 1. Nhược điểm của phương pháp này là khi quy mô mẫu lớn (trên 200), có nhiều khả năng sẽ có nhiều nhân tố thỏa mãn mức ý nghĩa thống kê mặc dù trong thực tế có nhiều nhân tố chỉ giải thích được chỉ một phần nhỏ toàn bộ biến thiên.

Bước 4. Xoay các nhân tố: có nhiều phương pháp xoay khác nhau như Varimax procedure: xoay nguyên góc các nhân tố để tối thiểu hóa số

lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố. Phương pháp này thường được sử dụng nhất.

Bước 5. Đặt tên và giải thích các nhân tố: việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến hệ số (factor loading) lớn ở cùng một nhân tố.

Bước 6. Nhân số (factor score): nếu mục tiêu phân tích của nhân tố là biển đổi một tập hợp biến góc thành một tập hợp các biến tổng hợp (nhân tố) có số lượng ít hơn để sử dụng trong các phương pháp phân tích đa biến tiếp theo, thì chúng ta tính ra các nhân tố cho từng trường hợp quan sát với công thức:

F_i = W_iX₁ + W_i2X₂ + W_i3X₃ + …+ W_ikX_k

b. Phân tích cụm

Phân tích cụm là tên của một nhóm các kỹ thuật đa biến có mục tiêu chính là phân loại các đơn vị dựa vào một số các đặc tính của chúng. (Giáo trình SPSS của Hoàng Trọng và Chu Nguyễn Mộng Ngọc). Các kỹ thuật đa biến nhận diện và phân loại các đối tượng hay các biến sao cho các đối tượng trong cùng một cụm tương tụ nhau xét theo các đặc tính được chọn để nghiên cứu. Nội bộ trong các cụm sẽ đồng nhất cao trong khi giữa chúng có sự khác biệt lớn. Vì vậy, nếu phân loại thành công thì các đối tượng trong cùng một cụm sẽ nằm gần với nhau và các đối tượng khác cụm sẽ nằm cách xa nhau khi được diễn giải trên đồ thị.

Phân tích cụm có nhiều tên gọi khác nhau như: phân tích Q, phân tích phân loại, phân loại bằng kỹ thuật định lượng. Có nhiều tên gọi như vậy là vì nó được ứng dụng trong nhiều lĩnh vực như: tâm lý, sinh học, địa lý, xã hội học, kỹ thuật, kinh tế và kinh doanh. Tuy vậy, tất cả đều có chung đặc điểm là phân loại theo các mối quan hệ tự nhiên. Đặc tính này phản ánh bản chất của tất cả các phép phân cụm.

Các bước tiến hành phân tích cụm:

Hình 2.5: Các bước tiến hành phân tích phân biệt

Bước 1. Xác định vấn đề nghiên cứu: Phần quan trọng nhất khi xác định vấn đề phân cụm là việc chọn lựa các biến để phân cụm. Nếu chỉ dựa vào một hay hai biến không có liên quan hay không thích hợp thì cũng sẽ làm nhiễu hay hỏng cả kết quả phân cụm. Vì thế nên chọn tập hợp biến có khả năng mô tả được sự giống nhau giữa các đối tượng theo mục đích nghiên cứu. Các biến có thể được chọn trên cơ sở phân tích lý thuyết, kết quả nghiên cứu trong quá khứ, hay xem xét các giả thuyết liên quan đã được kiểm định. Trong nghiên cứu thử nghiệm, người nghiên cứu có thể dùng cả phán đoán và trực giác để xác định các biến này.

Bước 2. Chọn lựa thước đo khoảng cách hay thước đo mức độ giống nhau:

Vì mục tiêu của phân tích cụm là nhóm các đối tượng giống nhau Xác định vấn đề nghiên cứu

Chọn thước đo khoảng cách

Chọn thủ tục phân cụm

Quyết định số cụm

Giải thích và mô tả số cụm

hay khác nhau của các đối tượng. Phương pháp thông thường nhất là đo lường mức độ giống nhau bằng khoảng cách giữa hai đối tượng trong một cặp đối tượng. Các đối tượng có khoảng cách giữa chúng nhỏ thì giống nhau hơn là các đối tượng có khoảng cách giữa chúng lớn.

Có 3 loại thước đo khoảng cách giữa hai đối tượng:

 Được sử dụng phổ biến nhất là khoảng cách Euclid hay khoảng cách (k/c) Euclid bình phương. Khoảng cách Euclid là căn bậc 2 của tổng các độ lệch bình phương của các giá trị trên từng biến của hai đối tượng. Nó là chiều dài đường thẳng nối hai đối tượng.

Hình 2.6: Về khoảng cách Euclid giữa hai đối tượng được đo theo hai biến X và Y Đối tượng 2 k/c Euclid = (x₂  x₁)² (y₂  y₁)² Đối tượng 1 y₂ - y₁ x2 - x1 (x1 , y1) (x2 , y2)

Bước 3.Chọn thủ tục phân cụm: Các thủ tục phân cụm được chia thành hai loại thủ tục theo thứ bậc và thủ tục không thứ bậc

Hình 2.7: Sơ đồ phân loại thủ tục phân cụm

i).Phân cụm thứ bậc: (hierarchical clustering) Trong số các phương pháp phân cụm tích tụ thì phương pháp khoảng cách trung tâm và thủ tục Ward đã được chứng minh là có kết quả tốt hơn các phương pháp khác ¹ (Giáo trình SPSS của Hoàng Trọng và Chu Nguyễn Mộng Ngọc).

Thủ tục Ward: ta sẽ tính giá trị trung bình tất cả các biến cho từng cụm một. Sau đó tính khoảng cách Euclid bình phương giữa các phần tử trong cụm với trị trung bình của cụm, rồi lấy tổng tất cả các khoảng cách bình phương này.

ii).Phân cụm không thứ bậc: (Non-hierarchical clustering) thường được gọi là phân cụm K-mean, gồm có: phương pháp bắt đầu tuần tự (sequential threshold), bắt đầu song song (parallel threshold), phân chia tối ưu (optimizing partitioning).

Bước 4. Quyết định số cụm: Đây là một vấn đề chính trong phân tích cụm. Cho tới nay chưa có những quy tắc rõ ràng và chắc chắn về việc xác

Thủ tục phân cụm

Thứ bậc Không thứ bậc

Tích tụ Phân chia Song Tuần tự

k/c liên kết _{Phương sai} k/c trung tâm

Phân chia tối ưu

định số cụm. Nói một cách khác là số cụm cần thiết hay hợp lý không phải là một vấn đề hoàn toàn về mặt kỹ thuật, mà nó phụ thuộc vào nhiều yếu tố khác:

 phân tích lý thuyết

 Sử dụng khoảng cách giữa các cụm làm tiêu chuẩn để xác định cụm

 Dựa vào tỷ số giữa phương sai nội bộ nhóm và phương sai giữa các nhóm

 Dựa vào quy mô tương đối của các cụm.

Bước 5. Diễn giải và mô tả các cụm: Để diễn giải và mô tả các cụm ta sẽ xem xét các trung bình cụm (centroid), dùng phân tích biệt số hay đơn giản hơn là dùng thủ tục tính trung bình.

Bước 6. Đánh giá: Có nhiều cách thẩm định và đánh giá độ tin cậy và tính hợp lý của kết quả phân tích cụm:

 Sử dụng nhiều thước đo khoảng cách khác nhau trên cùng tập hợp dữ liệu và so sánh kết quả.

 Sử dụng các phương pháp phân cụm khác nhau.

 Chia dữ liệu làm hai phần rồi thực hiện phân tích từng phần