6. Bố cục nghiên cứu
2.2.4. Phân tích nhân tố khám phá (Exploratory R=Factor Analysis – EFA)
2.2.4.1. Kiểm định KMO và Bartlett’s Test biến độc lập
Để áp dụng được phân tích nhân tốcần trải qua phép kiểm định sự phù hợp của dữliệu đối với phương pháp phân tích nhân tố. Kiểm định này được thực hiện qua hai
đại lượng là chỉ số KMO (Kaiser-Meyer-Olikin Meansure of Sampling Adequacy) và
Bartlett (Bartlett’s Test of Sphericity).
Giá trị KMO là một chỉ tiêu dùng đểxem xét sựu thích hợp của EFA. Nội dung kiểm định: hệ số KMO phải thỏa mãnđiều kiện 0.5 ≤ KMO ≤ 1, chứng tỏ bước phân tích nhân tốkhám phá EFA là phù hợp trong nhiên cứu này.
Kết quả thu được như sau:
- Mức ý nghĩa Sig. của kiểm định Bartlett’s Test nhỏ hơn 0.05 nên các biến quan
sát được đưa vào mô hình nghiên cứu có tương quan với nhau và phù hợp với phân tích nhân tốkhám phá EFA.
Bảng 2. 9: Kiểm định KMO và Bartlett’s Test biến độc lập
KMO and Bartlett’s Test
TrịsốKMO (Kaiser Meyer-Olkin of Sampling Adequacy) 0.796 Đại lượng thống kê
Bartlett’s Test
Approx. Chi-Square 1062.451
df 171
Sig. 0.000
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
2.2.4.2. Phân tích nhân tốkhám khá EFA biến độc lập
Trong nghiên cứu này, khi phân tích nhân tố khám phá EFA đề tài sử dụng
phương pháp phân tích các nhân tố chính (Principal Components) với số nhân tố (Number of Factor) được xác định từ trước là 5 theo mô hình nghiên cứu đềxuất. Mục
đích sử dụng phương pháp này là để rút gọn dữ liệu, hạn chế vi phạm hiện tượng đa
cộng tuyến giữa các nhân tốtrong việc phân tích mô hình hồi quy tiếp theo.
Phương pháp xoay nhân tố được chọn là Varimax procedure: xoay nguyên gốc cả
nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố nhằm tăng cường khả năng giải thích nhân tố. Những biến nào có hệsốtải nhân tố< 0.5 sẽbị loại khỏi mô hình nghiên cứu, chỉ những biến nào có hệsốtải nhân tố > 0.5 mới được đưa
vào các phân tích tiếp theo.
Ởnghiên cứu này, hệsốtải nhân tố(Factor Loading) phải thỏa mãn điều kiện lớn
hơn hoặc bằng 0.5. 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 mức tối thiểu và
được khuyên dùng nếu cỡ mẫu lớn 350. Factor Loading > 0.4 được xem là quan trọng,
Factor Loading > 0.5 được xem là có ý nghĩa thực tiễn, và nghiên cứu này chọn giá trị
Bảng 2. 10: Rút trích nhân tốbiến độc lập Biến quan sát Nhóm nhân tố 1 2 3 4 5 CHAMSOC1 0.906 CHAMSOC2 0.902 CHAMSOC3 0.844 CHAMSOC4 0.728 GIACA2 0.860 GIACA1 0.812 GIACA4 0.771 GIACA3 0.692 THUONGHIEU3 0.866 THUONGHIEU1 0.716 THUONGHIEU2 0.706 THUONGHIEU4 0.618 CHUQUAN4 0.781 CHUQUAN1 0.648 CHUQUAN2 0.638 CHUQUAN3 0.608 CHATLUONG2 0.788 CHATLUONG1 0.759 CHATLUONG3 0.668 HệsốEigenvalue 5.601 3.017 1.645 1.364 1.147 Phương sai tiến lũy tiến(%) 29.481 45.359 54.016 61.197 67.236
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Thực hiện phân tích nhân tố lần đầu tiên, đưa 19 biến quan sát trong 5 biến độc lập ảnh hưởng đến quyết định mua của khách hàng vào phân tích nhân tố theo tiêu chuẩn Eigenvalue lớn hơn 1 đã có 5 nhân tố được tạo ra.
Như vậy, sau khi tiến hành phân tích nhân tố khám phá EFA, số biến quan sát vẫn là 19, được rút trích lại còn 5 nhân tố. Không có biến quan sát nào có hệ số tải nhân tố (Factor Loading) bé hơn 0.5 nên không loại bỏbiến, đề tài tiếp tục tiến hành
các bước phân tích tiếp theo.
Kết quả phân tích nhân tố được chấp nhận khi Tiêu chuẩn phương sai trích
(Variance Explained Criteria) > 50% và giá trị Eigenvalue lớn hơn 1 (theo Gerbing &
Anderson, 1998). Dựa vào kết quảtrên, tổng phương saitrích là 67.236% > 50% do đó
phân tích nhân tốlà phụhợp.
Đặt tên cho các nhóm nhân tố:
- Nhân tố (Factor 1) gồm 4 biến quan sát: THUONGHIEU1, THUONGHIEU2, THUONGHIEU3, THUONGHIEU4. Nghiên cứu đặt tên nhân tố mới này là “ Thương hiệu”.
- Nhân tố 2 (Factor2) gồm 4 biến quan sát: GIACA1, GIACA2, GIACA3, GIACA4. Nghiên cứu đặt tên nhân tốmới này là“Giá cả”.
- Nhân tố 3 (Factor 3) gồm 3 biến quan sát: CHATLUONG1, CHATLUONG2, CHATLUONG3. Nghiên cứu đặt tên nhân tố mới này là “Chất lượng sản phẩm”.
- Nhân tố 4 (Factor 4) gồm 4 biến quan sát: CHAMSOC1, CHAMSOC2, CHAMSOC3, CHAMSOC4. Nghiên cứu đặt tên nhân tốmới này là“Chăm sóc khách hàng”.
- Nhân tố 5 (Factor 5) gồm 4 biến quan sát: CHUQUAN1, CHUQUAN2, CHUQUAN3, CHUQUAN4. Nghiên cứu đặt tên nhân tố mới này là “Chuẩn chủ quan”.
Bảng 2. 11: Kiểm định KMO và Bartlett’s Test biến phụthuộc
KMO and Bartlett’s Test
TrịsốKMO (Kaiser Meyer-Olkin Measure of Sampling Adequacy)
0.781
Đại lượng thống kê Bartlett’s Test
Approx. Chi-Square 217.994
df 6
Sig. 0.000
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Kết quả từ bảng trên cho thấy cơ sởdữ liệu này là hoàn toàn phù hợp với phân tích các nhân tố vì giá trị Kaiser Meyer-Olkin Measure of Sampling Adequacy là 0.781tương ứng với 78.1% lớn hơn 0.5 tương ứng với 50% với mức ý nghĩa thống kê là 99%. Ngoài ra, do số phiếu điều tra khá lớn nên phân tích nhân tốlà hoàn toàn phù hợp.
2.2.4.4. Phân tích nhân tốkhám phá EFA biến phụthuộc
Bảng 2. 12: Rút trích nhân tốbiến phụthuộc Quyết định mua Hệsốtải QUYETDINHMUA1 0.893 QUYETDINHMUA2 0.872 QUYETDINHMUA3 0.843 QUYETDINHMUA4 0.695
Phương sai tích lũy tiến (%) 68.790%
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Kết quả phân tích nhân tố khám phá rút trích ra được một nhân tố, nhân tố này
luận về quyết định mua của khách hàng đối với sản phẩm nội thất tại công ty Wood Park.
Nhận xét:
Qua quá trình phân tích nhân tố khám phá EFA trên đã xác định được 5 nhân tố ảnh hưởng đến quyết định mua của khách hàng đối với sản phẩm nội thất tại công ty
Wood Park, đó là “Thương hiệu”, “Giá cả”, “Chất lượng sản phẩm”, “Dịch vụ chăm
sóc khách hàng”, “Chuẩn chủ quan”.
Như vậy, mô hình nghiên cứu sau khi phân tích nhân tốkhám phá EFA không có gì thayđổi đáng kểso với ban đầu, không có biến quan sát nào bịloại ra khỏi mô hình trong quá trình kiểm định độtin cậy thang đo và phân tích nhântốkhám phá.
2.2.5. Kiểm định độ tin cậy của thang đo sau khi phân tích nhân tố khám pháEFA EFA
Sau khi phân tích nhân tố khám phá EFA theo phương pháp rút trích các nhân tố
chính (Principal Components), nghiên cứu tiến hành kiểm định lại độ tin cậy thang đo
của các nhân tốsau khi loại biến với các điều kiện kiểm định như trên, nhằm đảm bảo các nhân tố thu được có ý nghĩa cho các bước phân tích tiếp theo.
Bảng 2. 13: Kiểm địnhđộtin cậy của thang đo sau phân tích EFA
Hệsố Cronbach’sAlpha Biến độc lập Dịch vụ chăm sóc khách hàng 0.873 Giá cả 0.854 Thương hiệu 0.764 Chuẩn chủquan 0.745 Chất lượng sản phẩm 0.723
Biến phụthuộc
Quyết đinh mua 0.838
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Nhìn vào bảng tổng hợp phân tích, có thểnhận ra rằng không có sự thay đổi so với ban đầu sau khi phân tích EFA và hệsố Cronbach’s Alpha của các nhân tốnày khá
cao (đều lớn hơn 0.7), vì vậy các nhân tố này đảm bảođộtin cậy và mức ý nghĩa trong
các phân tích tiếp theo.
2.2.6. Kiểm định phân phối chuẩn
Trong nghiên cứu này, đềtài sửdụng kiểm định Kolmogorov-Smirnov đểkiểm
định vềphân phối chuẩn của bộdữliệu. Kết quả thu được như sau:
Bảng 2. 14 Kiểm định Kolmogorov-Smirnov GC TH CL CS CQ QD N 120 120 120 120 120 120 Normal Parameters Mean 3.8750 4.0042 4.0667 2.9375 3.8688 4.1000 Std. Deviation 0.61409 0.49257 0.64618 1.14232 0.50415 0.66847 Most Extreme Differences Absolute 0.156 0.183 0.160 0.120 0.109 0.224 Positive 0.104 0.090 0.074 0.094 0.093 0.115 Negative -0.156 -0.183 -0.160 -0.120 -0.109 -0.224 Kolmogorov-Smirnov Z 1.705 2.003 1.754 1.313 1.189 2.452
Asymp. Sig. (2-tailed) 0.006 0.001 0.004 0.064 0.118 0.000
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Với giảthuyết H0là có phân phối chuẩn, H1 là không có phân phối chuẩn, kết quảkiểm định Kolmogorov-Smirnov cho thấy: các biến“GC” (giá cả), “TH”(thương
hiệu), “CL”(chất lượng sản phẩm), “QD” (quyết định mua) có giá trị Asymp. Sig. (2-
này không có phân phối chuẩn. Các biển “CS” (chăm sóc khác hàng), “CQ” (chuẩn chủquan) có giá trịAsymp. Sig. (2-tailed) lớn hơn 0.05, chấp nhận giảthuyết H0, nên các biến này có phân phối chuẩn.
2.2.7. Kiểm định sựphù hợp của mô hình
2.2.7.1. Kiểm định mối tương quan giữa biến độc lập và biến phụthuộc
Bảng 2. 15: Phân tích tương quan Pearson
GC TH CL CS CQ QD QD Tương quan Pearson 0.512 0.516 0.680 -0.166 0.555 1 Sig.(2-tailed) 0.000 0.000 0.000 0.070 0.000 N 120 120 120 120 120 120
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Dựa vào kết quảphân tích trên, ta thấy:
- Giá trịSig.(2-tailed) của các nhân tốmới đều bé hơn mức ý nghĩa α= 0.05, cho thấy sự tương quan cóý nghĩa giữa các biến độc lập và biến phụthuộc.
- Hệsố tương quan Pearson cũng khá cao (có 4 nhân tố lớn hơn 0.5 và 1 nhân tố
nhỏ hơn 0.5) nên ta có thể kết luận rằng các biến độc lập sau khi điều chỉnh có thểgiải thích cho biến phụthuộc “quyết định mua”.
2.2.7.2. Xây dựng mô hình hồi quy
Sau khi tiến hành phân tích nhân tố khám phá EFA để khám phá các nhân tốmới cóảnh hưởng đến biến phụthuộc “quyết định mua”, nghiên cứu tiến hành hồi quy mô hình tuyến tính để xác định được chiều hướng và mức độ ảnh hưởng của các nhân tố
mới này đến quyết định sửdụng.
Mô hình hồi quy được xây dựng gồm biến phụthuộc là“quyết định mua”(QD) và
các biến độc lập được rút trích từ nhân tố khám phá EFA gồm 5 biến: “chất lượng sản phẩm” (CL), “thương hiệu” (TH), “chuẩn chủ quan”(CQ), “giá cả”(GC), “Dịch vụ chăm sóc khách hàng”(CS) với các hệsốBê-ta tương ứng lần lượt làβ1, β2, β3, β4, β5
QD= β0 + β1CL + β2TH+ β3CQ + β4GC+β5CS+ ei
Dựa vào hệsốBê-ta chuẩn hóa với mức ý nghĩa Sig. tương ứng để xác định các biến độc lập nào có ảnh hưởng đến biến phụ thuộc trong mô hình và ảnh hưởng với mức độra sao, theo chiều hướng nào. Từ đó, làm căn cứ để kết luận chính xác hơn và đưa ra giải pháp mang tính thuyết phục cao. Kết quả của mô hình hồi quy sẽ giúp ta
xác định được chiều hướng, mức độ ảnh của các nhân tố ảnh hưởng đến quyết định mua của khách hành đối với sản phẩm nội thất tại công ty Wood Park.
2.2.7.3. Phân tích hồi quy
Phân tích hồi quy tuyến tính sẽgiúp chúng ta biết được chiềuhướng và cường độ ảnh hưởng của các biến độc lập lên biến phụthuộc. Trong giai đoạn phân tích hồi quy, nghiên cứu chọn phươngpháp Enter, chọc lọc dựa trên tiêu chí chọn những nhân tốcó mức ý nghĩa Sig. < 0.05. Những nhân tốnào có giá trị Sig. > 0.05 sẽ bị loại khỏi mô hình và không tiếp tục nghiên cứu nhân tố đó.
Kết quảphân tích hồi quy được thểhiện qua các bảng sau:
Bảng 2. 16: Hệsốphân tích hồi quy
Hệsố chưa chuẩn hóa
Hệsố chuẩn hóa t Sig. VIF B Độlệch chuẩn Beta Hằng số -0.283 0.414 -0.684 0.495 GC 0.163 0.079 0.149 2.056 0.042 1.477 TH 0.263 0.096 0.194 2.741 0.007 1.401 CL 0.454 0.076 0.439 5.999 0.000 1.497 CS -0.042 0.036 -0.073 -1.182 0.240 1.053 CQ 0.253 0.098 0.191 2.579 0.011 1.531
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Giá trị Sig. tại các phép kiểm định của các biến độc lập được đưa vào mô hình:
0.05 chứng tỏ các biến độc lập này có ý nghĩa thống kê trong mô hình. Riêng đối với biến độc lập “dịch vụ chăm sóc khách hàng” có giá trị Sig. là 0.240 > 0.05 nên bị loại khỏi mô hình hồi quy. Ngoài ra, hằng số trong mô hình có giá trị Sig. là 0.495 > 0.05 nên cũng sẽbịloại.
Nhưvậy, phương trình hồi quy được xác định như sau:
QD= 0.439CL + 0.194TH + 0.191CQ + 0.149GC + ei
Nhìn vào mô hình hồi quy, ta có thể xác định rằng: có 4 nhân tố đó là “chất
lượng sản phẩm”,“thương hiệu” , “chuẩn chủ quan”, “giá cả”ảnh hưởng đến “quyết
định mua” của khách hàng tại Thành phố Huế đối với sản phẩm nội thất của công ty Nội Thất Wood Park.
Đềtài tiến hành giải thích ý nghĩa các hệsốbê-ta như sau:
Hệsốβ1 = 0.439 có nghĩa là khi biến “Chất lượng sản phẩm”thay đổi 1 đơn vị
trong khi các biến khác không đổi thì “Quyết định mua” biến động cùng chiều 0.439
đơn vị. Tương tự với các biến còn lại cũng giải thích như vậy. Hệ số β2 = 0.194 có
nghĩa là khi biến “Thương hiệu” thay đổi 1 đơn vị trong khi các biến kháckhông đổi thì“Quyết định mua” biến động cùng chiều 0.191 đơn vị. Hệsố β3 = 0.191 có nghĩa
là khi biến“Chuẩn chủ quan”thay đổi 1 đơn vị trong khi các biến khác không đổi thì
“Quyết định mua” biến động cùng chiều 0.194 đơn vị. Hệ số β4 = 0.149 có nghĩa là khi biến“Giá cả”thay đổi 1 đơn vị trong khi các biến khác không đổi thì“Quyết định
mua”biến động cùng chiều 0.149 đơn vị. Có một điểm chung của các biến độc lập này
là đều ảnh hưởng thuận chiều với biến phụ thuộc là “Quyết định mua”, quyết định mua của khách hàng đối với sản phẩm nội thất sẽ được nâng cao khi những yếu tố ảnh
hưởng này tăng. Điều này cho thấy công ty TNHH MTV Nội Thất Wood Park cần phải có những động thái nhằm kiểm soát các yếu tốnày một cách cẩn thận hơn.
Dựa trên mô hình hồi quy, ta có hệsốBê-ta chuẩn hóa của biến“Chất lượng sản phẩm” có giá trị là 0.439. Đây là nhân tố ảnh hưởng mạnh nhất đến quyết định mua của khách hàng tại thành phốHuế đối với sản phẩm nội thất của Wood Park, ngoài ra biến “Thương hiệu”và biến“Chuẩn chủ quan”cũng có mức ảnh hưởng khá lớn với hệsốBê-ta tương ứng là 0.194 và 0.191. Biến còn lại là“Giá cả”cũng sẽ được khách
hàng xem xét khi quyết định mua với hệ số Bê-ta là 0.149. Kết quảphân tích hồi quy cũng khá hợp lý so với thực tế khi mà xu hướng phát triển của sản phẩm nội thất trên thị trường ngày càng có quy mô lớn, người dùng ngày càng có nhiều nhu cầu cao hơn
về đồ nội thất, đặt biệt là nội thất thông minh đểcó thểthõa mãnđược các điều kiện về
sự thoáng mát, tiện nghi, trang trí cho không gian sống của họ. Họ có xu hướng cân nhắc kĩ lưỡng hơn về các yếu tố này để đa hóa lợi ích của họ khi mua sản phẩm nội thất đó.
2.2.7.4. Đánh giá độphù hợp của mô hình
Bảng 2. 17: Đánh giá độphù hợp của mô hình
Model R R Square Adjusted R
Square Std. Error of the Estimate Durbin– Watson 1 0.770 0.593 0.575 0.43591 2.065
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Dựa vào bảng kết quả phân tích, mô hình 4 biến độc lập có giá trị R Square hiệu chỉnh là 0.575 tức là: độ phù hợp của mô hình là 57.5%. Hay nói cách khác, 57.5% độ biến thiên của biến phụ thuộc “quyết định mua” được giải thích bởi 4 yếu tố được đưa vào mô hình. Bên cạnh đó, ta nhận ra giá trị R Square hiệu chỉnh là 0.575 khá là cao (>50%), nghĩa là mối quan hệ giữa biến độc lập và biến phụ
thuộc được coi là gần chặt chẽ.
2.2.7.5. Kiểm định sựphù hợp của mô hìnhBảng 2. 18: Kiểm định ANOVA Bảng 2. 18: Kiểm định ANOVA ANOVA Model Sum of Squares df Mean Square F Sig.
1 Regression 31.513 5 6.303 33.168 0.000
Residual 21.662 114 0.190
Total 53.175 119
(Nguồn: Kết quả điều tra xửlý của tác giả năm 2020)
Kết quảtừbảng ANOVA cho thấy giá trị Sig. = 0.000 rất nhỏ, cho phép nghiên