2. 6 Đề xuất các thành phần giá trị thương hiệu cà phê G7 Trung Nguyên:
3.3.3. Phương pháp xử lý số liệu:
Nghiên cứu sử dụng phương pháp thống kê suy diễn phân tích kết quả thu thập được từ mẫu nghiên cứu. Thông qua phần mềm xử lý số liệu SPSS 20.0, kết quả thu thập từ nghiên cứu dùng để đo lường các thành phần giá trị thương hiệu G7 Trung Nguyên, sử dụng hệ số tin cậy Cronbach’s Alpha, phân tích các nhân tố khám phá EFA, phân tích hồi quy tuyến tính.
Kiểm định thang đo:
Các thang đo các thành phần giá trị thương hiệu sẽ được kiểm định tính tin cậy và giá trị hiệu dụng của chúng theo hai bước:
Đánh giá độ tin cậy Cronbach’s Alpha: từng thang đo sẽ được đánh giá độ tin cậy bằng hệ số Cronbach’s Alpha. Các biến quan sát có hệ số tương quan biến tổng
nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach’s Alpha từ 0.7 trở lên (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011)
Phân tích nhân tố EFA (Exploratory Factor Analysis): Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Các thang đo của từng khái niệm sẽ được phân tích EFA riêng để xem xét độ hội tụ. Sau đó tất cả các khái niệm sẽ được kiểm tra lại bằng cách phân tích chúng cùng một lúc để kiểm tra độ phân biệt giữa các nhân tố. Phương pháp phân tích từng bước này nhằm mục đích loại một số biến quan sát có thể tạo nên nhân tố giả, bên cạnh đó còn giúp phát hiện được các trường hợp một thang đo của một khái niệm không đạt yêu cầu về phương sai trích. Khi phân tích nhân tố khám phá EFA, các nhà nghiên cứu thường quan tâm đến một số các tiêu chuẩn như sau:
- Thứ nhất, hệ số KMO (Kaiser – Meyer – Olkin) là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett (Bartlett’s test of sphericity)xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không 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 (Hoàng Trọng & Chu Mộng Ngọc, 2005, 262).
- Thứ hai, hệ số tải nhân tố (Factor Loading), theo Hair & ctg (1998), Factor Loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. 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 xem là có ý nghĩa thiết thực. Ngoài ra, Hair & ctg (1998) cũng khuyên các nhà nghiên cứu như sau: nếu chọn tiêu chuẩn Factor Loading ≥ 0.3 thì cỡ mẫu của nghiên cứu ít nhất là 250, nếu cỡ mẫu của nghiên cứu khoảng 100 thì Factor Loading ≥ 0.55, nếu cỡ mẫu của nghiên cứu khoảng 50 thì Factor Loading phải ≥ 0.75. Do đó, trong nghiên cứu này, cỡ mẫu là 395 mẫu, lớn hơn mức quy định là 350 mẫu, như vậy Factor Loading ≥ 0.5 được xem là có ý nghĩa thực tiễn, tuy nhiên để đảm bảo nếu các biến quan sát nào có hệ số Factor Loading ≤ 0.5 sẽ bị loại.
- Thứ ba, thang đo được chấp nhận khi tổng phương sai trích ≥ 50% (Gerbing & Anderson, 1988).
- Thứ tư, điểm dừng khi trích các yếu tố có hệ số Eigenvalue phải có giá trị ≥ 1 (Gerbing & Anderson, 1988).
- Thứ năm, khác biệt hệ số tải nhân tố Factor Loading của một biến quan sát giữa các nhân tố ≥ 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun & Al Tamimi, 2003).
Phân tích hồi quy tuyến tính kiểm định mối quan hệ giữa các thành phần giá trị thương hiệu:
Kiểm định này sẽ được thực hiện bằng phương pháp phân tích hồi quy tuyến tính. Đầu tiên ma trận hệ số tương quan Pearson sẽ được xem xét để tìm hiểu mối liên hệ giữa các biến. Sau khi xác định các biến có mối liên hệ ta tiếp tục tiến hành các thủ tục hồi quy. Để đảm bảo kết quả hồi quy là phù hợp và có thể sử dụng được, việc dò tìm các vi phạm giả định hồi quy sẽ được thực hiện (giả định hệ tuyến tính, giả định phương sai của sai số không đổi, giả định về phân phối chuẩn của phần dư, giả định không có tương quan giữa các phần dư, giả định không có mối tương quan giữa các biến độc lập). Nghiên cứu này sẽ thực hiện hồi quy tuyến tính đơn cho từng biến độc lập và biến phụ thuộc, sau đó tiếp tục thực hiện hồi quy tuyến tính bội cho tất cả các biến độc lập và biến phụ thuộc. Từ kết quả hồi quy tuyến tính bội, ta có thể rút ra kết luận về mô hình đã đưa đưa ra. Hệ số R2 và kiểm định F cũng sẽ được đưa vào phân tích để kiểm định độ phù hợp của mô hình.
Phân tích theo nhóm:
Phương pháp phân tích cấu trúc đa nhóm được sử dụng để so sánh mô hình lý thuyết theo các nhóm nào đó của một biến định tính như theo nhóm giới tính (nam/nữ), nhóm tuổi (từ 18 đến 24 tuổi, từ 25 đến 30 tuổi, từ 31 đến 40 tuổi, từ 41 đến 50 tuổi, từ 51 tuổi trở lên), nhóm nghề nghiệp (Học sinh/sinh viên, nhân viên văn phòng, quản lý, tự kinh doanh, khác), nhóm thu nhập quy đổi tương đương (dưới 4 triệu, từ 4 triệu đến dưới 6 triệu, từ 6 triệu đến dưới 8 triệu, từ 8 triệu đến dưới 10
triệu, từ 10 triệu trở lên), nhóm học vấn (Trung cấp/PTTH hoặc thấp hơn, Cao đẳng/Đại học, Trên đại học).
Phương pháp phân tích đa nhóm sử dụng trong nghiên cứu này bao gồm hai mô hình: mô hình khả biến và mô hình bất biến.
Sử dụng phương pháp kiểm định t-test cho biến giới tính và phân tích ANOVA cho các biến nhân khẩu học còn lại.