Để đánh giá được hành vi của khách hàng, phương pháp thu thập dữliệu được
sử dụng hiện nay gồm khảo sát định tính và định lượng. Khảo sát định tính được thiết kế dựa vào phân tích đối tượng tham gia dựa theo độ sâu và phạm vi hay nói
cách khác thái độvà sựtin cậy của nhóm đối tượng sẽtham gia khảo sát. Ví dụ điển hình cho loại khảo sát này bao gồm các kiểu khảo sát bằng phỏng vấn và quan sát. Khảo sát định lượng là loại khảo sát dựa vào khả năng hỗ trợ các dữ liệu thống kê có thể lượng hóa được từ mẫu được chọn từ nhóm đối tượng sẽ khảo sát. Phương
thức khảo sát định lượng bao gồm khảo sát trực tuyến, khảo sát thư điện tử, phỏng vấn định lượng cá nhân và khảo sát điện thoại.
Trong nghiên cứu định tính và khảo sát sơ bộ của đề tài, tác giảchọn phương
pháp lấy dữ liệu: (1) phỏng vấn sâu với chuyên gia (người quản lý trong lĩnh vực dịch vụ ngân hàng, một số khách hàng) để tìm hiểu những nội hàm trong nghiên
cứu của đề tài, (2) tổchức thảo luận nhóm để xem xét và đánh giá các thang đo và
thập 50 phiếu điều tra sơ bộ, bộsốliệu này được xửlý kỹthuật trên SPSS. Cụthể:
Kiểm định độtin cậy thangđo bằng hệsố Cronbach’s Alpha:
Theo Cronbach (1951), Mendoza, Stafford, & Stauffer (2000); hệsốCronbach Alpha là một phương pháp để kiểm định độ tin cậy các mục hỏi có tính đồng nhất và mối tương quan chặt chẽ trong một thang đo. Ngoài ra, hệ số tương quan với biến tổng lớn hơn 0.3 cũng là một điều kiện đánh giá mức độ ổn định các mục hỏi trong một thang đo.
Bảng 3.2. Nguyên tắc kiểm định độtin cậy thang đo hệsố Cronbach’s Alpha
Chỉsốkiểm định
Nghiên cứu định lượng
Sơ bộ Chính thức HệsốCronbach’s Alpha Trên 0.9 Từ 0.8 đến 0.9 Từ 0.7 đến 0.8 Từ 0.6 đến 0.7 Từ 0.5 đến 0.6 Nhỏ hơn 0.5 Tính đồng nhất Đồng nhất hoàn toàn Tốt Khá Trung bình Xấu
Không đồng nhất hoàn toàn
Hệsố tương quan với biến tổng Trên 0.3 Trên 0.3
Nguồn: Hoàng Trọng (2005) Phân tích nhân tốkhám phá EFA trong nghiên cứu sơ bộ:
Công cụphân tích nhân tốkhám phá EFA nhằm rút gọn các biến quan sát ban
đầu từ bảng câu hỏi điều tra thành nhân tố chung đại diện cho những thang đo
(Child, 1990). Các nhà nghiên cứu muốn khám phá các mẫu trong các dữliệu hoặc
để kiểm tra giả thuyết quy định rõ ràng. Phân tích nhân tốkhám phá (EFA), không
áp đặt những hạn chế nội dung trên các dữ liệu; không có hạn chế về các mô hình của các mối quan hệ giữa các biến quan sát và tiềm ẩn. EFA là dữ liệu hướng (Brown, 2006). Phân tích nhân tố EFA được cho là phù hợp khi các tiêu chuẩn sau
đây được thỏa điều kiện: (1) Chỉ sốthích hợp KMO: là chỉsốdùng xem xét sựthích hợp của phân tích nhân tố nếu 0,5 ≤ KMO ≤ 1; (2) Kiểm định Bartlett: kiểm định giả thuyết H0 (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 và ngoài đường chéo bằng 0. Đại lượng kiểm định này dựa trên sự
biến đổi thành đại lượng chi bình phương từ định thức của ma trận tương quan. Ý
nghĩa kiểm định Bartlett cho biết nếu bác bỏ giả thuyết H0: đại lượng chi bình
phương lớn, ý nghĩa thống kê nhỏ hơn 0,05 thì phân tích nhân tố là thích hợp, còn
nếu chưa có cơ sở bác bỏ giả thuyết H0: đại lượng chi bình phương nhỏ, ý nghĩa
thống kê lớn hơn 0,05 thì phân tích nhân tố có khả năng không thích hợp; (3)
Phương sai trích: là phần trăm phương sai toàn bộ được thích bởi các nhân tố. Tiêu
chuẩn để chấp nhận phân tích nhân tố có phương sai cộng dồn lớn hơn 50% với Eigenvalue phải lớn hơn 1.
Bên cạnh đó, phân tích nhân tốkhám phá EFA tìm mối quan hệgiữa những bộ
khác nhau của nhiều biến được xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một sốbiến). Trong phân tích ANOVA hay hồi qui, tất cảcác biến nghiên cứu thì có một biến phụthuộc còn các biến còn lại là các
biến độc lập, nhưng đối với phân tích nhân tố thì không có sự phân biệt này. Hơn
nữa, phân tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệphụthuộc này được xác định.
Về mặt toán học, mô hình phân tích nhân tố giống như phương trình hồi qui nhiều chiều mà trong đó mỗi biến được đặc trưng cho mỗi nhân tố. Những nhân tố
này thì không được quan sát một cách riêng lẻ trong mô hình. Nếu các biến được chuẩn hóa mô hình nhân tốcó dạng như sau:
Xi= Ai1F1+ Ai2F2+... + AimFm+ViUi
Trong đó:
Xi: Biến được chuẩn hóa thứi
F: Nhân tốchung
Vi: Hệsốhồi qui của biến chuẩn hóa i trên nhân tốduy nhất i Ui: Nhân tốduy nhất của biến i
m: Sốnhân tốchung.
Mỗi nhân tố duy nhất thì tương quan với mỗi nhân tốkhác và với các nhân tố
chung. Các nhân tốchung có sựkết hợp tuyến tính của các biến được quan sát. Fi= wi1x1 + wi2x2+...+ wikxk
Trong đó:
Fi: Ước lượng nhân tốthứi
wi: Trọng sốhay hệsố điểm nhân tố
k: Sốbiến
Trong phân tích này có thểchọn trọng số(hay hệsố điểm nhân tố) để nhân tố
thứ nhất có tỷ trọng lớn nhất trong tổng phương sai. Các nhân tố có thể được ước
lượng điểm nhân tố của nó. Theo ước lượng này, nhân tốthứ nhất có điểm nhân tố
cao nhất, nhân tố thứ hai có điểm nhân tố cao thứ hai, v.v…Dĩ nhiên, kỹ thuật ước
lượng liên quan rất nhiều đến thống kê.