3.2.3.1Kiểm định thang đo bằng hệ số tin cậy Cronbach’s Alpha
Cronbach (1951) đã đưa ra hệ số tin cậy Cronbach’s Alpha cho thang đo. Hệ số Cronbach Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời. Phương pháp này cho phép người phân tích loại bỏ những biến không phù hợp, hạn chế các biến rác trong mô hình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach’s Alpha.
Thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới. Thông thường, thang đo có hệ số Cronbach’s Alpha từ 0.7 đến 0.8 là sử dụng được. Vì thế, thang đo có độ tin cậy càng gần đến 1 là thang đo lường tốt. Ngoài ra, chỉ những biến có hệ số tương quan biến tổng (Corrected Item – Total Correlation) lớn hơn 0.3 mới được xem là chấp nhận được và thích hợp đưa vào phân tích những bước tiếp theo.
3.2.3.2Phân 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 đảm bảo độ tin cậy, tiến hành phân tích nhân tố khám phá EFA. Phương pháp này cho phép rút gọn nhiều biến thành một nhóm biến để đo lường cho một nhân tố cụ thể phù hợp với ý nghĩa của biến khảo sát. Kết quả phân tích giúp tìm ra được những nhân tố phù hợp cho việc phân tích hồi quy và phương sai một yếu tố sau này; nó còn được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích EFA, trị số KMO (Kaiser - Meyer – Olkin Measure of Sampling Adequacy) là chỉ số được quan tâm để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO càng lớn càng tốt và phải có giá trị trong khoảng từ 0.5 đến 1 thì phân tích này mới thích hợp, còn nếu như trị số 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 tiêu chí Eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue ≥ 1 thì mới được giữ lại trong mô hình. Đại lượng Eigenvalue đại diện cho lượng biến thiên của tập biến quan sát được giải thích bởi mỗi nhân tố rút ra so với biến thiên còn lại của tập biến quan sát sau khi nhân tố được rút ra. Những nhân tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn 1 biến gốc và sẽ bị loại khỏi mô hình nghiên cứu (Garson, 2003).
Tổng phương sai dùng để giải thích bởi từng nhân tố lớn hơn 50% mới thỏa yêu cầu của phân tích nhân tố (Gerbing & Anderson, 1988).
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Component Matrix) hay ma trận nhân tố khi các nhân tố được xoay (Rotated Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là 1 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 trích nhân tố (Principal components) nên các hệ số tải nhân tố phải có trọng số ≥ 0.5 thì mới đạt yêu cầu.
Độ giá trị hội tụ: Để thang đo đạt giá trị hội tụ thì hệ số tương quan đơn giữa các biến và các hệ số chuyển tải nhân tố (Factor Loading) phải lớn hơn hoặc bằng 0.4 trong một nhân tố (Garbing & Anderson, 1988). Độ giá trị phân biệt: Để đạt độ giá trị phân biệt thì khác biệt giữa các hệ số chuyển tải Factor Loading phải lớn hơn hoặc bằng 0.3 (Jabnoun, 2003).
3.2.3.3Phân tích hồi quy
Sau khi rút trích được các nhân tố từ phân tích EFA, tiến hành kiểm định mô hình giả thuyết bằng hồi quy tuyến tính. Phân tích hồi quy nhằm xác định mối quan hệ nhân quả giữa biến phụ thuộc: Sự hài lòng của KHCN về CLDV tín dụng và các biến độc lập: Sự tin cậy, Sự sẵn sàng đáp ứng, Năng lực phục vụ, Sự đồng cảm, Phương tiện hữu hình, Tính cạnh tranh về giá. Việc đánh giá CLDV tín dụng đối với KHCN sẽ được đo lường thông qua sự hài lòng của khách hàng do tất cả các biến độc lập trên đều có ảnh hưởng đến sự hài lòng của khách hàng. Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp tôi dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập.
Phương trình hồi quy sẽ đưa ra được nhân tố ảnh hưởng quan trọng đến biến phụ thuộc thông qua giá trị của hệ số hồi quy. Hệ số hồi quy có giá trị càng lớn, chứng tỏ sự tác động càng nhiều.
Kiểm định đa cộng tuyến: Đa cộng tuyến là hiện tượng các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng tuyến là các biến độc lập cung cấp cho mô hình những thông tin rất giống nhau và rất khó tách rời ảnh hưởng của từng biến độc lập đến biến phụ thuộc. Hiệu ứng khác khi có hiện tượng tương quan chặt chẽ giữa các biến độc lập là làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê t của kiểm định ý nghĩa của các biến độc lập nên các hệ số có khuynh hướng kém ý nghĩa hơn khi không có đa cộng tuyến trong khi hệ số xác định R2 vẫn khá cao. Trong quá trình phân tích hồi quy bội, đa cộng tuyến được SPSS chuẩn hóa bằng tiêu chí Collinearity Diagnostics (Chuẩn đoán hiện tượng đa cộng tuyến) với hệ số phóng đại phương sai VIF (Variance Inflation Factor) của các biến độc lập trong mô hình. Nếu VIF đều nhỏ hơn 10 tức là mô hình không có đa cộng tuyến.
Kiểm định tự tương quan: Tự tương quan được hiểu là sự tự tương quan giữa các thành phần của dãy số thời gian hoặc không gian. Tuy nhiên trong thực tế có thể xảy ra hiện tượng mà thành phần nhiễu của các biến có thể phụ thuộc lẫn nhau. Hậu quả của sự tự tương quan có thể kể đến như là ước lượng bình quân bé nhất không phải là ước lượng hiệu quả, phương sai ước lượng được của các ước lượng bình phương bé nhất thường là chệch, kiểm định t và F không đáng tin cậy, giá trị ước lượng R2 có thể không tin cậy khi dùng để thay thế cho giá trị thật của R2, phương sai và độ lệch chuẩn của giá trị dự đoán đã tính được không hiệu quả.
Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tính bội được ước lượng. Và hệ số R2 đã được điều chỉnh cho biết mô hình hồi quy được ước lượng phù hợp đến mức nào.
Kiểm định giả thuyết về mức độ phù hợp của mô hình: Để xem xét mức độ phù hợp của mô hình đối với tập dữ liệu, có hai kết quả để kiểm tra là kiểm định là R2 và đại lượng F. Để kiểm định độ phù hợp của mô hình hồi quy tổng thể và mức độ biến thiên của biến phụ thuộc vào các biến độc lập có ý nghĩa thống kê, giả thuyết hệ số R2 = 0 được đặt ra với ý nghĩa thống kê thường được sử dụng là 5%. Đại lượng F được sử dụng cho kiểm định này với giả thuyết đặt ra là tất cả các hệ số
hồi quy đều bằng 0 và giả thuyết đối là không có hệ số hồi quy nào bằng 0 với mức ý nghĩa là 5%.
Kiểm định giả thiết về ý nghĩa của hệ số hồi quy: Đây là kiểm định đối với từng hệ số β. Giá trị thống kê dùng để kiểm định giả thuyết là t, phân phối của đại lượng thống kê này là Student với (N - 2) bậc tự do với mức ý nghĩa là 5%.
3.2.3.4Phân tích phương sai một yếu tố
Sau cùng, sử dụng phân tích phương sai một yếu tố (Oneway – Anova) để kiểm định có sự khác biệt hay không về mức độ hài lòng CLDV theo các đặc điểm giới tính, độ tuổi, địa chỉ, nghề nghiệp, thu nhập. Hệ số P value phải nhỏ hơn 0.05 thì mới có sự khác biệt này.
Hình 3. 1 Quy trình nghiên cứu Cơ sở lý thuyết
Nghiên cứu định tính
(Thảo luận tay đôi: phỏng vấn cấu trúc)
Khảo sát thử
(Để hiệu chỉnh bảng phỏng vấn, n= 15)
Nghiên cứu định lượng (n=250):
- Khảo sát 250 KHCN đang vay vốn tại Agribank – CN TPHCM.
- Mã hóa và nhập liệu. - Làm sạch dữ liệu.
- Kiểm định Cronbach’s Alpha. - Hồi quy bội
Kết quả nghiên cứu
Phân tích thực trạng
Bản phỏng vấn sơ bộ
Bản phỏng vấn chính