Sau khi thu thập xong dữ liệu từ khách hàng, tiến hành kiểm tra và loại đi những bảng hỏi không đạt yêu cầu. Tiếp theo là mã hóa dữ liệu, nhập dữ liệu, làm sạch dữ liệu. Sau đó tiến hành phân tích dữ liệu với phần mềm SPSS 22.0 với các công cụ sau:
- Phân tích thống kê mô tả
Được sử dụng để xử lý các dữ liệu và thông tin thu thập được nhằm đảm bảo tính chính xác và từ đó, có thể đưa ra các kết luận có tính khoa học và độ tin cậy cao về vấn đề nghiên cứu. Cụ thể, thực hiện phân tích tần số để mô tả đặc điểm của mẫu như giới tính, độ tuổi, thu nhập, nghề nghiệp. Tiếp theo là tính giá trị trung bình của từng nhóm yếu tố và rút ra nhận xét.
- Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Mục đích của phân tích hệ số Cronbach’s Alpha là để kiểm tra độ tin cậy của các biến, loại bỏ các biến không phù hợp và hạn chế biến rác. Theo Nunnally & Berstein (1994), các biến quan sát được chấp nhận khi có hệ số tương quan biến tổng (Correct Item-Total Correlation) lớn hơn 0,3 và hệ số Cronbach’s Alpha lớn hơn 0,6. Tất cả các biến quan sát của những thành phần đạt được độ tin cậy sẽ được đưa vào phân tích nhân tố khám phá EFA.
- Phân tích nhân tố khám phá (EFA)
Sau kết quả phân tích Cronbach’s Alpha loại bỏ các biến không đảm bảo độ tin cậy, phân tích nhân tố được sử dụng để thu nhỏ và gom các biến lại, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt của các nhân tố. Khi phân tích nhân tố cần lưu ý những điểm sau:
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn, từ 0,5 đến 1 là điều kiện đủ để phân tích nhân tố thích hợp. Kiểm định Bartlett (Bartlett’s test of sphericity), 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. Hệ số tải nhân tố (Factor Loading) là hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số này càng lớn ≥ 0,5 cho biết các biến và nhân tố càng có mối quan hệ chặt chẽ với nhau, biến quan sát có hệ số tải nhân tố < 0,5 sẽ bị loại. Trong phân tích nhân tố dùng phương pháp Principal Component Analysis với phép xoay Varimax và điểm dừng khi trích các yếu tố có trị số Eigenvalue lớn hơn 1. Đại lượng Eigenvalue đại diện cho lượng biến thiên giải thích bởi nhân tố. Những nhân tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1. Thang đo được chấp nhận khi tổng phương sai trích ≥ 50% (Hair và cộng sự, 1988).
- Phân tích hồi quy
Được sử dụng để mô hình hoá mối quan hệ nhân quả giữa các biến, trong đó một biến gọi là biến phụ thuộc và các biến kia là các biến độc lập. Mô hình này được mô tả như sau:Yi=β0+β1X1i+β2X2i+…+ βkXki+ei
Trong đó: Xpi: Giá trị của biến độc lập thứ k tại quan sát i. βk: Hệ số hồi quy riêng phần.
ei: là một biến độc lập có phân phối chuẩn với trung bình là 0 và phương sai không đổi σ2.
Sau khi rút trích các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bội: kiểm tra phần dư chuẩn hóa, kiểm tra độ chấp nhận của biến (Tolerance), kiểm tra hệ số phóng đại phương sai VIF. Khi Tolerance nhỏ thì VIF lớn, quy tắc là khi VIF>10, đó là dấu hiệu đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tính bội được xây dựng.
Mức độ phù hợp của mô hình được đánh giá bằng hệ số R2 điều chỉnh. Giá trị R2 điều chỉnh không phụ thuộc vào độ lệch phóng đại của R2 do đó được sử dụng phù hợp với hồi quy tuyến tính đa biến.
- Kiểm định thống kê
Các phương pháp kiểm định thống kê: Kiểm định T-Test, ANOVA…
+ Kiểm định Independent - Samples T-test
Tại kiểm định Levene (kiểm định F):
Sig > 0,05: Sử dụng kiểm định t ở cột Equal variances assumed. Sig < 0,05: Sử dụng kiểm định t ở cột Equal variances not assumed. Tại kiểm định T:
Sig > 0,05: H0 chấp nhận, không có sự khác biệt Sig < 0,05: H0 bị bác bỏ, có sự khác biệt.
+ Kiểm định ANOVA
Phương pháp kiểm định ANOVA để kiểm định sự khác nhau về giá trị trung bình (điểm bình quân gia quyền về tỷ lệ ý kiến đánh giá của khách hàng theo thang điểm Likert). Phân tích này nhằm cho thấy được sự khác biệt hay không giữa các ý kiến đánh giá của các nhóm khách hàng được phân tổ theo các tiêu thức khác nhau như: độ tuổi, thu nhập, nghề nghiệp… Với các giả thuyết đặt ra:
H0: Không có sự khác biệt giữa trung bình của các nhóm được phân loại. H1: Có sự khác biệt giữa trung bình các nhóm được phân loại.
(α là mức ý nghĩa của kiểm định, α = 0,05)
Nếu Sig ≥ 0,05: Chưa đủ bằng chứng thống kê để bác bỏ giả thuyết H0 Nếu Sig ≤ 0,05: Đủ bằng chứng thống kê để bác bỏ giả thuyết H0