Nghiên cứu định lượng được thực hiện qua các giai đoạn:
- Thiết kế mẫu nghiên cứu; thiết kế bảng câu hỏi; thu thập thông tin mẫu khảo sát là các cá nhân đã sử dụng qua dịch vụ IB của Ngân hàng TMCP Ngoại thương Việt nam chi nhánh Khánh Hòa.
- Sử dụng phương trình hồi quy đa biến dựa theo mô hình TAM kết hợp mô hình TRA và TPB có cải biến. Được hỗ trợ bởi phần mềm SPSS 22.0 nhằm mục đích: Khẳng định các yếu tố cũng như các giá trị và độ tin cậy của thang đo các yếu tố ảnh hưởng đến quyết định sử dụng dụng dịch vụ IB của khách hàng tại chi nhánh Khánh Hòa.
Kiểm định độ phù hợp mô hình nghiên cứu và các giả thiết nghiên cứu được thiết kế. Cuối cùng là kiểm định có hay không sự khác biệt về thái độ đối với việc sử dụng dịch vụ IB của khách hàng ở tính Khánh Hòa theo các đặc điểm cá nhân của khách hàng.
3.3.3.1 Thiết kế mẫu nghiên cứu
Mẫu nghiên cứu được chọn theo phương pháp lấy mẫu thuận tiện, dựa trên tính dễ tiếp cận của đối tượng. Vì là nhân viên VCB Khánh Hòa, tôi có thể dễ dàng tiếp cận được khách hàng và nhờ họ điền vào phiếu khảo sát mà không làm cho khách hàng cảm thấy khó chịu. Về kích thước của mẫu nghiên cứu, tổng hợp từ các nhà nghiên cứu và ý kiến chuyên gia thì cỡ mẫu tối ưu là bao nhiêu phải phụ thuộc vào kỳ vọng về độ tin cậy, phương pháp phân tích dữ liệu, phương pháp ước lượng được sử dụng trong nghiên cứu, các tham số cần ước lượng và quy luật phân phối của tập các lựa chọn (trả lời) của khách hàng được khảo sát. Chẳng hạn:
Để tiến hành phân tich hồi qui một cách tốt nhất, theo Tabachnick và Fidell, kích thước mẫu phải đảm bảo công thức: n > 104 + m (với m là số lượng biến độc lập và phụ thuộc), hoặc n > 50 + m, nếu m < 5.
Trường hợp sử dụng phương pháp phân tích yếu tố khám phá (EFA), Hair & ctg (1998) trích trong Nguyễn Thị Kim Anh, 2012 cho rằng kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỷ lệ số quan sát/ biến đo lường là 5/1, nghĩa là cứ mỗi biến đo lường cần tối thiểu 5 quan sát.
Nghiên cứu này sử dụng phương pháp phân tích yếu tố khám phá (EFA) và phân tích hồi qui đa biến, mô hình nghiên cứu có 30 biến đo lường. Nên nếu tính theo quy tắc 5 mẫu/ biến đo lường thì cỡ mẫu tối thiểu là 150. Song về nguyên tắc số mẫu càng lớn thì càng tốt nên tôi quyết định khảo sát 250 khách hàng.
3.3.3.2 Thiết kế bảng câu hỏi
Để kiểm nghiệm mô hình các yếu tố ảnh hưởng đến quyết định sử dụng IB của khách hàng tại NHTMCP Ngoại thương Chi nhánh Khánh Hòa, đề tài đã xây dựng bảng dựa trên thang đo đề xuất ở mục 3.3.2 và bổ sung thêm phần thông tin cá nhân khách hàng được khảo sát.
3.3.3.3 Thu thập thông tin mẫu nghiên cứu
Thông tin mẫu nghiên cứu được thu thập bằng hình thức phát phiếu điều tra khảo sát các đối tượng khách hàng đang giao dịch với NH TMCP Ngoại Thương chi nhánh Khánh Hòa chưa từng hoặc đang sử dụng dịch vụ IB.
Có 250 bảng câu hỏi được phát ra. Sau khi thu lại và sàng lọc được 205 bảng đáng tin cậy và hợp lệ.
Kết quả khảo sát khách hàng được thu thập vào ma trận dữ liệu trên phần mềm SPSS 22.0 để sử dụng phân tích dữ liệu.
3.3.3.4 Phương pháp phân tích dữ liệu
Quá trình phân tích dữ liệu được thực hiện qua các giai đoạn:
Đánh giá sơ bộ thang đo
Việc đánh giá sơ bộ độ tin cậy và giá trị của thang đo được thực hiện bằng phương pháp hệ số tin cậy Cronbach alpha và phân tích yếu tố khám phá EFA (Exploratory Factor Analysis) thông qua phần mềm xử lý SPSS 22.0 để sàng lọc, loại bỏ các biến quan sát không đạt tiêu chuẩn (biến rác). Trong đó:
Cronbach Alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) thông qua hệ số Cronbach Alpha. Hair et al (2006) đưa ra qui tắc đánh giá như sau:
< 0.6 Thang đo yếu tố là không phù hợp (có thể trong môi trường nghiên cứu đối tượng không có cảm nhận về yếu tố đó)
0.6 - 0.7 Chấp nhận được với các nghiên cứu mới 0.7 – 0.8 Chấp nhận được
0.8 – 0.95 Tốt
>= 0.95 Chấp nhận được nhưng chưa tốt, nên xét các biến quan sát có thể có hiện tượng “trùng biến”
Tuy nhiên, theo Nunnally et al, 1994 trích trong Nguyễn Thị Kim Anh, 2012, hệ số Cronbach Alpha không cho biết biến nào nên bỏ và biến nào nên giữ lại. Bởi vậy, bên cạnh hệ số Cronbach Alpha, người ta còn sử dụng thêm hệ số tương quan giữa biến – tổng (Corrected Item – Total correlation) và những biến nào có tương quan biến – tổng < 0.3 sẽ bị loại bỏ.
Phân tích yếu tố khám phá (EFA)
Là tên chung của một nhóm thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu chúng ta có thể thu thập một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Ở đây EFA được ứng dụng để tập hợp các biến quan sát thành một số ít các yếu tố nhất định đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu.
Tiêu chuẩn áp dụng và chọn biến đối với phân tich EFA bao gồm:
Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Phân tích yếu tố khám phá EFA được xem là thích hợp khi: 0,5<= KMO <= 1. Kiểm định Bartlett xem xét giả thuyết về độ tương quan của các biến quan sát bằng 0 trong tổng thể, 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. Trường hợp KMO < 0.5 thì phân tích yếu tố có khả năng không thích hợp với dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, trang 31).
Tiêu chuẩn rút trích yếu tô gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các yếu tố) và chỉ số Cumulative (tổng phương sai trích cho biết nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Các yếu tố chỉ được rút trích tại Eigenvalue >1 và được chấp nhận khi tổng phương sai trích > 50% (Gerbing và Anderson, 1988 trích trong Nguyễn Thị Kim Anh, 2012). Tuy nhiên, trị số
Eigenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay yếu tố. Việc xoay các yếu tố sẽ giúp ta dễ dàng nhận thấy biến quan sát thuộc yếu tố nào. Có nhiều phương pháp xoay khác nhau nhưng phương pháp xoay Varimax được sử dụng phổ biến nhất.
Tiêu chuẩn hệ số tải yếu tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các yếu tố, là chỉ tiêu dùng để đánh giá mức ý nghĩa thiết thực của EFA. Theo Hair& ctg. 1998 trích trong Nguyễn Thị Kim Anh, 2012, Factor loading > 0.3 được xem là đạt mức tối thiểu; Factor loading > 0.4 được xem là quan trọng; Factor loading > 0.5 được xe là có ý nghĩa thực tiễn.
Trong nghiên cứu này, tôi quyết định giữ lại các thang đo có hệ số Cronbach Alpha >= 0.7 và loại các biến quan sát có tương quan biến – tổng < 0.3; trong quá trình phân tích yếu tố EFA, tôi sử dụng phương pháp trích Principal Components với phép xoay Varimax, loại bỏ các biến quan sát có trị số Factor loading <= 0.5 hoặc chênh lệch trọng số Factor loading giữa các yếu tố của một biến quan sát <= 0.3.
Phân tích hồi quy tuyến tính bội
Quá trình phân tích hồi quy tuyến tinh được thực hiện qua các bước:
Bước 1: Kiểm tra tương quan giữa các biến độc lập và phụ thuộc thông qua ma trận hệ số tương quan. Theo đó, điều kiện để phân tích hồi quy là phải có tương quan chặt chẽ giữa các biến độc lập và biến phụ thuộc với nhau. Tuy nhiên, theo John và Benet-Martiner, 2000 trích trong Nguyễn Thị Kim Anh, 2012, khi hệ số tương quan > 0.85 thì cần xem xét vai trò của các biến độc lập. vì có thể xảy ra hiện tượng đa cộng tuyến (một biến độc lập này có được giải thích bằng các biến khác).
Bước 2: Xây dựng mô hình hồi quy Được thực hiện qua các thủ tuc:
Lựa chọn các biến đưa vào mô hình hồi quy
Đánh giá độ phù hợp của mô hình bằng hệ số xác định R2(R Square). Tuy nhiên, R2 có đặc điểm tăng khi đưa thêm các biến độc lập vào mô hình, mặc dù không phải mô hình có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế R2 điều chỉnh (Adjusted R Square) có đặc điểm không phụ thuộc vào số lượng biến đưa thêm vào mô hình, được sử dụng thay thế R2 để đánh giá mức độ phù hợp của mô hình hồi quy bội.
Ngoài ra hệ số thống kê Durbin-Watson cũng được sử dụng để kiểm tra xem có hiện tượng tự tương quan hay không trong phần dư của một phép hồi quy. Durbin- Watson nằm trong khoảng từ 1 đến 3 là phù hợp, chứng tỏ mô hình hồi quy không có sự tự tương quan trong phần dư.
Kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng sử dụng phân tích ANOVA để kiểm định giả thuyết H0: không có mối liên hệ tuyến tính giữa các biến phụ thuộc với tập hợp các biến độc lập ( Nếu trị thống kê F có Sig rất nhỏ (< 0.05), thì giả thuyết H0 bị bác bỏ, khi đó chúng ta kết luận tập hợp các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng được.
Đánh giá xem giữa các biến độc lập có hiện tượng đa cộng tuyến hay không bằng việc xem xét hệ số phóng đại phương sai (Variance inflation factor – VIF). Về quy tắc khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc , 2008, tập 1, trang 252).
Kiểm định sự khác biệt về thái độ đối với việc sử dụng dịch vụ IB của khách hàng theo các đặc điểm cá nhân
Công cụ sử dụng là phép kiểm định Independent – Sample T – Test hoặc phân tích phương sai (ANOVA). Trong đó:
Independent – Sample T – Test được sử dụng trong trường hợp các đặc điểm cá nhân của khách hàng có hai thuộc tính (chẳng hạn giới tính bao gồm: giới tính nam và giới tính nữ), vì thế chia tổng thể mẫu nghiêm cứu làm hai nhóm tổng thể riêng biệt.
Phân tích phương sai (ANOVA) được sử dụng trong trường hợp đặc biệt cá nhân của khách hàng có ba thuộc tính trở lên, vì thế chia tổng thể mẫu nghiên cứu làm ba nhóm tổng thể riêng biệt (chẳng hạn: độ tuổi bao gồm: từ 18-22; từ 23-30; từ 32-45; từ 46-55; từ 55 trở lên). Phương pháp thực hiện là kiểm định có hay không sự khác biệt giữa các nhóm tổng thể được xác định theo các đặc điểm cá nhân của khách hàng.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN