Phân tích thống kê mô tả
Các phép thống kê đơn giản như tần số, phần trăm, giá trị trung bình, độ lệch chuẩn trong trong phần mềm SPSS 23.0 dùng để mô tả đặc điểm của mẫu nghiên cứu gồm: tuổi, giới tính và trình độ học vấn.
Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Hệ số Cronbach’s Alpha là phép kiểm định thống kê về mức độ chặt chẽ của thang đo. Nhiều nhà nghiên cứu cho rằng hệ số Cronbach’s Alpha càng cao sẽ càng tốt. Nhưng điều này không thật sự đúng. Nếu Cronbach’s Alpha quá lớn (>0.95) thì dễ xảy ra hiện tượng trùng lắp trong thang đo nghĩa là có nhiều biến trong thang đo không có sự khác biệt, chúng cùng đo một nội dung nào đó của khái niệm nghiên cứu. Theo Nguyễn Đình Thọ (2011), một thang đo có độ tin cậy tốt khi nó biến thiên từ 0.7 đến gần 0.8, nhưng hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể chấp nhận được.
Trong phân tích Cronbach’s Alpha, các biến quan sát có hệ số tương quan biến tổng (Corrected item – total correlation) nhỏ hơn 0.3 sẽ bị loại (theo Nguyễn Đình Thọ, 2011).
Phân tích nhân tố khám phá EFA
Kiểm định giá trị hội tụ và giá trị phân biệt bằng phân tích nhân tố khám phá EFA. Đánh giá chỉ số Kaiser – Mayer – Olkin (KMO) để xem xét sự thích hợp của phân tích nhân tố khám phá (EFA), chỉ số KMO thỏa điều kiện 0.5 ≤ KMO ≤ 1. Kiểm định Bartlett để xem xét giả thuyết H0: Các biến không có tương quan với nhau trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (0.5≤ KMO ≤ 1 và sig ≤ 0.5) thì các biến có tương quan với nhau trong tổng thể (theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005, trang 262). Các hệ số tải nhân tố (Factor loading) < 0.4 trong EFA sẽ tiếp tục bị
loại để đảm bảo giá trị hội tụ cho các biến (Gerbing và Aderson, 1988). Cuối cùng, khi đánh giá kết quả EFA, chỉ có những nhân tố nào có Eigenvalue >1 mới được giữ lại trong mô hình phân tích và xem xét phần tổng phương sai trích, tổng phương sai trích ≥ 50% (Hair và cộng sự, 2009).
Phân tích nhân tố khẳng định CFA
CFA là phương pháp xác định sự phù hợp của số liệu nghiên cứu với mô hình lý thuyết.
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, nghiên cứu sử dụng các chỉ tiêu Chi – bình phương, Chi – bình phương điều chỉnh theo bậc tự do, chỉ số thích hợp so sánh CFI, chỉ số TLI và chỉ số RMSEA. Mô hình được gọi là thích hợp khi phép kiểm định Chi – bình phương có giá trị P > 0.05, giá trị TLI và CFI từ 0.9 đến 1, CMIN/df ≤ 2, RMSEA ≤ 0.08 (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007). Theo nghiên cứu của Kettinger và Lee (1995), mô hình có thể phù hợp với dữ liệu thị trường khi CMIN/df < 5 nếu N > 200, hoặc CMIN/df < 3 nếu N < 200.
Nghiên cứu này áp dụng CMIN/df < 5 với N > 200. Các chỉ tiêu đánh giá là:
- Hệ số tin cậy tổng hợp ≥ 0.5 - Tổng phương sai trích được ≥ 0.5 - Tính đơn hướng
- Giá trị hội tụ, trọng số đã chuẩn hóa ≥ 0.5
- Giá trị phân biệt, các hệ số tương quan và sai lệch chuẩn cho thấy chúng đều khác với 1
- Giá trị liên hệ lý thuyết
Phân tích mô hình cấu trúc SEM
Phương pháp SEM được dùng để đánh giá mối quan hệ nhân quả giữa các thành phần, cụ thể hơn là dùng để ước lượng mức độ tác động của các biến độc lập lên biến phụ thuộc. Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình cấu trúc tuyến tính cũng có lợi thế hơn phương pháp hồi qui đa biến vì nó có thể tính được sai số đo lường.
Kiểm định Bootstrap
Phương pháp kiểm định này dùng để đánh giá độ tin cậy của các ước lượng, nếu độ lệch chuẩn xuất hiện không có ý nghĩa thống kê (>0.05) thì có thể kết luận được rằng mô hình là có thể tin cậy được.
Kiểm định sự khác biệt về lòng trung thành thương hiệu theo các biến nhân khẩu học
Nhằm kiểm định sự khác biệt về lòng trung thành thương hiệu website nghe nhạc trực tuyến theo các đặc điểm cá nhân, tác giả sử dụng phương pháp kiểm định Independent Samples T-test và One – Way ANOVA trong SPSS 23.0. Trong phân tích ANOVA, nếu giá trị Sig ≤ 0.05 là có sự khác biệt về lòng trung thành của người tiêu dùng, tiếp tục sử dụng phương pháp phân tích sâu là kiểm định sâu (Post Hoc) để tìm ra sự khác biệt là giữa các nhóm nào.