Cảm nhận chi phí này thể hiện sự cảm nhận về sự ít hao tốn khi sử dụng thẻ ATM do Agribank Vĩnh Long phát hành. Trong nghiên cứu này, chất lượng cảm nhận chi phí được đo lường dựa trên thang đo trong nghiên cứu của
Sweeney & Soutar (2001) với 5 biến quan sát ký hiệu từ PP1 đến PP5.
3.2.6 Thang đo ý định sử dụng thẻ ATM do Agribank Vĩnh Long
phát hành (IB)
Khái niệm ý định được đưa ra dựa trên mô hình TAM. Ý định được dùng để chỉ một dấu hiệu về sự sẵn sàng của một người để thực hiện một quyết định. Trong nghiên cứu này, chất lượng Thang đo ý định sử dụng thẻ ATM do Agribank Vĩnh Long phát hành được đo lường dựa trên thang đo trong nghiên
3.2.7 Thang đo quyết định sử dụng thẻ ATM do Agribank Vĩnh
Long phát hành (PD)
Quyết địnhcủa khách hàng phụ thuộc vào sản phẩm hay dịch vụ mà họ sử dụng, nên các yếu tố khác nhau sẽ có mức ảnh hưởng khác nhau lên khách hàng. Trong nghiên cứu này, chất lượng thang đo quyết định sử dụng thẻ ATM
do Agribank Vĩnh Long phát hành được đo lường dựa trên thang đo trong
nghiên cứu của Hasslinger et al. (2007) với 5 biến quan sát ký hiệu từ PD1 đến
PD5.
3.3 THU THẬP VÀ PHÂN TÍCH DỮ LIỆU
3.3.1 Thu thập dữ liệu
Việc thu thập dữ liệu được thực hiện thông qua phỏng vấn bằng bảng
câu hỏi. Với đối tượng nghiên cứu là những khách hàng đang sử dụng thẻ ATM do Agribank Vĩnh long phát hành. Việc khảo sát được tiến hành bằng việc thiết kế bảng câu hỏi và gửi cho những khách hàng này.
Địa điểm nghiên cứu: Tỉnh Vĩnh Long. Thời gian: Từ 11/2014 đến 5/2015.
Để đảm bảo độ tin cậy của dữ liệu khảo sát, nghiên cứu sẽ loại bỏ tất cả bảng trả lời khảo sát không đạt được yêu cầu sau: đáp viên không sử dụng thẻ ATM do Agribank Vĩnh Long phát hành, thiếu câu trả lời; sau đó tiến hành làm sạch dữ liệu, loại bỏ những bảng trả lời trùng lắp trước khi tiến hành phân tích dữ liệu.
3.3.2 Phân tích dữ liệu
Nghiên cứu sử dụng phần mềm thống kê SPSS và phần mềm phân tích mô măng AMOS để phân tích dữ liệu. Tiến hành kiểm định thông qua các bước: đánh giá sơ bộ thang đo và độ tin cậy của biến đo lường bằng hệ số Cronbach Alpha và độ giá trị (factor loading) bằng phân tích nhân tố khám phá
EFA với tùy chọn Principal components và Varimax, phân tích nhân tố khẳng định CFA với tùy chọn Principal axis factoring và Promax để kiểm nghiệm chặt chẽ hơn về tính đơn nguyên, độ tin cậy tổng hợp, độ giá trị (hội tụ, phân biệt) của các khái niệm, kiểm định các giả thuyết mô hình cấu trúc và độ phù hợp tổngthể mô hình.
Trình tự tiến hành phân tích dữ liệu được thực hiện như sau:
Bước 1 – Chuẩn bị thông tin: thu nhận bảng trả lời, tiến hành làm sạch thông tin, mã hóa các thông tin cần thiết trong bảng trả lời, nhập liệu và phân tích dữ liệu bằng phần mềm SPSS.
Bước 2 – Nghiên cứu thống kê mô tả: tiến hành thống kê mô tả dữ liệu thu thập được.
Bước 3 – Đánh giá độ tin cậy: tiến hành đánh giá thang đo bằng phân
tích Cronbach’s Alpha.
Bước 4 – Phân tích nhân tố khám phá: phân tích thang đo bằng phân
tích nhân tố khám phá EFA.
Bước 5 – Kiểm định thang đo bằng phân tích nhân tố khẳng định CFA.
Bước 6 – Phân tích cấu trúc tuyến tính SEM để kiểm định độ thích hợp của mô hình và ước lượng bằng Bootstrap.
Bước 7 – Phân tích cấu trúc đa nhóm giữa các nhóm giới tính, độ tuổi,
theo nghề nghiệp, theo thu nhập.
3.3.2.1 Đánh giá độ tin cậy thang đo
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội
tại qua hệ số Cronbach’s Alpha. Hệ số Cronbach’s Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao. Sử dụng phương pháp hệ số tin cậy Cronbach’s
Alpha trước khi phân tích nhân tố khám phá EFA để loại các biến không phù
hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011). Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các biến đo
lường có liên kết với nhau hay không nhưng không cho biết biến nào cần loại
bỏ đi và biến nào cần giữ lại. Do đó, kết hợp sử dụng hệ số tương quan biến -
tổng để loại ra những biến không đóng góp nhiều cho khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Các tiêu chí sử dụng khi thực hiện đánh giá độ tin cậy thang đo gồm: Hệ số tin cậy Cronbach’s Alpha: lớn hơn 0.8 là thang đo lường tốt; từ 0.7 đến 0.8 là sử dụng được; từ 0.6 trở lên là có thể sử
dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong hoàn cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995; được dẫn bởi Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Trong nghiên cứu này chọn thang đo có độ tin cậy Cronbach’s Alpha lớn hơn 0.6.
Hệ số tương quan biến - tổng: các biến quan sát có tương quan biến - tổng nhỏ (nhỏ hơn 0.3) được xem là biến rác thì sẽ được loại ra và thang đo
được chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu (Nguyễn Đình
Thọ &Nguyễn Thị Mai Trang, 2011).
3.3.2.2 Phân tích nhân tố khám phá EFA
Phân tích nhân tố được dùng để tóm tắt dữ liệu và rút gọn tập hợp các yếu tố quan sát thành những yếu tố chính dùng trong các phân tích, kiểm định tiếp theo (gọi là các nhân tố). Các nhân tốđược rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban
đầu. Phân tích nhân tố khám phá được dùng để kiểm định giá trị khái niệm của thang đo.
Khi phân tích nhân tố khám phá, các nhà nghiên cứu đều quan tâm đến một số tiêu chuẩn. (1) Tiêu chuẩn thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Kiểm định Barlett xem các biến quan sát có tương quan với nhau trong tổng thể. Trị số
của KMO lớn (giữa 0.50 và 1) có ý nghĩa là phân tích nhân tố là thích hợp;
ngược lại, KMO nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích
hợp với các dữ liệu. Nếu kiểm định này có ý nghĩa thống kê (sig ≤ 0.05) thì
các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). (2) Hệ số tải nhân tố là chỉ tiêu thứ hai để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5 đểđảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0.3 là mức tối thiểu chấp nhận được; 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 nên 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, 2009). (3) Tiêu chí thứ ba là thang đo chấp nhận được khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011). (4) Hệ số eigenvalue là chỉ tiêu thứ tư và phải có giá trị lớn hơn 1 (Gerbing và
Anderson, 1988). (Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố). (5) Tiêu chuẩn thứ năm là khác biệt hệ số tải nhân tố của một
biến quan sát giữa các nhân tố≥ 0.3 đểđảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003).
Sau khi phân tích EFA, các thang đo được chấp nhận sẽ tiếp tục được kiểm định mô hình bằng CFA và SEM nên cần quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra có thể tương quan với nhau, và cũng rất quan tâm đến sự phân biệt rõ ràng giữa các nhân tố. Vì vậy nghiên cứu này sẽ sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax trong phân tích EFA khi phân tích định lượng chính thức. Theo Gerbing &
Anderson (1988), Phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal). Đối với thang đo đa hướng, sử dụng phương pháp trích yếu tố là Principal Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố
EigenValue lớn hơn hoặc bằng 1. Phương pháp này được cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng phương pháp trích Principal Components với phép quay Varimax. Đối với thang đơn hướng thì sử dụng phương pháp trích yếu tố Principal Components.
Từ cơ sở lý thuyết trên, mô hình “Các yếu tố ảnh hưởng đến quyết
định mua hàng thời trang online” với 33 biến quan sát sử dụng phân tích nhân tố EFA theo các bước sau:
- Sử dụng phương pháp trích yếu tố Principal Axis Factoring với phép
quay Promax. Điểm dừng khi trích các yếu tố có Eigen Values > 1. - Xem xét trị số KMO.
- Để phân tích EFA có giá trị thực tiễn tiến hành loại các biến quan sát có hệ số tải nhân tố nhỏhơn 0.5.
- Xem lại thông số Eigenvalues (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) có giá trị lớn hơn 1.
- Xem xét tổng phương sai trích (yêu cầu lớn hơn hoặc bằng 50%: cho biết các nhân tốđược trích giải thích % sự biến thiên của các biến quan sát.
3.3.2.3 Kiểm định thang đo bằng phân tích nhân tố khẳng định CFA
khác nhau như phân tích đường dẫn (Path Analysis), phân tích nhân tố khẳng định (Confirmatory Factor Analysis), mô hình nhân quả với các biến tiềm ẩn (Causal modeling with Latent variable, và cũng thường gọi là SEM), và thậm chí cả phân tích phương sai (Analysis of Variance), mô hình hồi quy tuyến tính bội (Multiple Linear Regression). Đề tài sẽ tập trung phân tích CFA và
SEM. Trong kiểm định thang đo, phương pháp CFA trong phân tích cấu trúc tuyến tính SEM có nhiều ưu điểm hơn so với phương pháp truyền thống như phương pháp hệ số tương quan, phương pháp phân tích nhân tố khám phá EFA, phương pháp đa khái niệm – đa phương pháp MTMM (Bagozzi &
Foxall, 1996; được dẫn bởi Nguyễn Đình Thọ & Nguyễn Thị Mai Trang,
2011). Lý do là CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo lường như mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường. Hơn nữa, chúng ta có thể kiểm định giá trị hội tụ và giá trị phân biệt của thang đo mà không cần dùng nhiều phương pháp như trong phương pháp truyền thống MTMM (Steenkamp & van Trijp, 1991; được dẫn bởi Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011).
Các đánh giá khi phân tích CFA gồm:
(1) Đánh giá độ tin cậy của thang đothông qua: (a) Hệ số tin cậy tổng hợp (composite reliability) (Joreskog, 1971), (b) tổng phương sai trích (Fornell & Larcker, 1981) và (c) hệ số tin cậy Cronbach’s Alpha. Theo Hair (1998):
“phương sai trích (Variance Extracted) của mỗi khái niệm nên vượt quá 0.5”; và phương sai trích cũng là một chỉ tiêu đo lường độ tin cậy. Nó phản ánh biến thiên chung của các biến quan sát được tính toán bởi biến tiềm ẩn. Schumacker
& Lomax (2006) cho rằng trong CFA, một vấn đề quan trọng cần phải quan tâm khác là độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); và như truyền thống, hệ số tin cậy Cronbach’s Alpha vẫn thường được sử dụng. Nó đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời (được dẫn bởi Nguyễn Đình Thọ & Nguyễn Thị
Mai Trang, 2011).
(2) Tính đơn hướng/đơn nguyên (unidimensionality): Theo Steenkamp
chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng, trừ trường hợp các sai số của các biến quan sát có tương quan với nhau (được dẫn bởi Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011).
(3) Giá trị hội tụ (Convergent validity) Gerbring & Anderson (1988)
cho rằng thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hoá của thang đo đều cao (>0.5); và có ý nghĩa thống kê (P <0.05) (được dẫn bởi Nguyễn Đình Thọ &Nguyễn Thị Mai Trang, 2011).
(4) Giá trị phân biệt (Discriminant validity): Có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn (saturated model) mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau). Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thế 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 được giá trị phân biệt.
(5) Giá trị liên hệ lý thuyết (Nomological validity).
Các vấn đề từ (1) đến (4) được đánh giá thông qua mô hình đo lường.
Riêng giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết (Anderson
& Gerbing, 1988). Khi các vấn đề trên thoả mãn thì mô hình đo lường là tốt. Tuy nhiên, rất hiếm mô hình đo lường nào đạt được tất cả các vấn đề trên. Ví dụ, mô hình đo lường vẫn có thể được sử dụng khi thang đo không đạt được tính đơn hướng… (dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011).
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, các
chỉ số thường sử dụng là Chi-square (CMIN); Chi-square 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 thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value > 0.05. Tuy nhiên Chi-
square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 được xem là rất tốt (Steiger, 1990); thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu
thị trường. Mô hình nghiên cứu sẽ được đánh giá dựa trên các chỉ tiêu giá trị GFI ≥0.9, TLI ≥0.9, CFI ≥0.9, CMIN/df ≤ 3, RMSEA ≤ 0.08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường (Nguyễn Đình Thọ &Nguyễn Thị Mai
Trang, 2011).
3.3.2.4 Kiểm định mô hình bằng phân tích cấu trúc tuyến tính SEM
Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình cấu trúc
tuyến tính SEM cho phép chúng ta kết hợp được các khái niệm tiềm ẩn với đo lường của chúng và có thể xem xét các đo lường độc lập hay kết hợp chung với mô hình lý thuyết cùng một lúc. Chính vì thế, phương pháp phân tích SEM được sử dụng rất phổ biến trong các ngành khoa học xã hội trong những năm gần đây và thường được gọi là phương pháp phân tích dữ liệu thế hệ thứ hai (Hulland et al., 1996; được dẫn bởi Nguyễn Đình Thọ & Nguyễn Thị Mai
Trang, 2011).
Phương pháp phân tích cấu trúc tuyến tính được sử dụng để kiểm định mô hình nghiên cứu. Phương pháp ước lượng ML (Maximum Likelihood)
được sử dụng để ước lượng các tham số trong các mô hình. Lý do là khi kiểm
định phân phối của các biến quan sát thì phân phối này lệch một ít so với phân phối chuẩn đa biến, tuy nhiên hầu hết các kurtoses và skewnesses đều nằm trong khoảng [-1; +1] nên ML vẫn là phương pháp ước lượng thích hợp (Muthen & Kaplan, 1985). Phương pháp bootstrap sẽ được sử dụng để ước
lượng lại các tham số mô hình để kiểm tra độ tin cậy của các ước lượng. Kết quảước lượng ML sẽđược sử dụng để kiểm định lại các giả thuyết.
3.3.2.5 Kiểm định mô hình đa nhóm
Phương pháp phân tích cấu trúc đa nhóm sử dụng trong nghiên cứu này bao gồm khả biến và bất biến từng phần (cục bộ). Trong phương pháp khả biến, các tham số ước lượng trong từng mô hình của các nhóm không bị ràng buộc. Trong phương pháp bất biến từng phần, thành phần 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.