6. Kết cấu của đề tài
2.6.4.2Cách thức thu thập và xử lý các dữ liệu nghiên cứu
Thực tế, tác giả đã tiến hành gửi 200 bảng câu hỏi khảo sát đến khách hàng để đánh giá. Khảo sát được tiến hành trong khoảng thời gian từtháng 5/2017– 6/2017.
Sau đó, tác giả thu vềđược 150 bảng câu hỏi và tiến hành phân tích và xửlý số liệu
trên 150 bảng câu hỏi trả lời hợp lệ.
Nhằm đảm bảo tính bảo mật của người trả lời, tác giả cam kết thông tin khảo
sát và thông tin người trả lời được bảo mật và chỉ sử dụng cho mục đích nghiên cứu. Sau khi thu thập bảng câu hỏi, tác giả tiến hành phân tích theo các bước sau:
- Bước 1: Đánh giá độ tin cậy thang đo Cronbach’s Alpha.
Theo Nguyễn Đình Thọ (2012), trước tiên chúng ta cần đánh giá độ tin cậy của thang đo. Độ tin cậy thường dung nhất quán nội tại, nói lên mối quan hệ các
biến quan sát trong cùng một thang đo. Độ tin cậy thường sử dụng nhất đó là hệ số
α của Cronbach’s Alpha. Nhiều nhà nghiên cứu đồng ý rẳng khi Cronbach's Alpha
có nhiều nhà nghiên cứu đề nghị rằng Cronbach's Alpha từ 0.6 trở lên là có thể sử
dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với
người trả lời trong bối cảnh nghiên cứu (Dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008); nếu ngược lại thì biến được xem là biến rác và sẽ bị loại khỏi
mô hình.
- Bước 2: Phân tích nhân tốkhám phá EFA.
Phân tích nhân tố tên chung của một nhóm các thủ tục được sử dụng chủ yếu
để thu nhỏvà tóm tắt dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng
chúng phải được giảm bớt xuống một lượng mà chúng ta có thể phân tích. Liên hệ
giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản. ( Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Theo Gerbing và Aderson (1998) trích bởi Nguyễn Đình Thọ và Nguyễn Thị Mia
Trang (2007) các biến quan sát có trọng lượng < 0.5 trong EFA sẽ tiếp tục bị loại bỏ và kiểm tra tổng phương sai trích được (>=50%). Các biến quan sát còn lại (thang
đo hoàn chỉnh) sẽđược đưa vào phân tích hồi quy.
Các tham số thống kê đuợc sử dụng trong phân tích nhân tốlà:
+ Correlation matrix: Cho biết hệ số tương quan giữa tất cảcác cặp biến trong
phân tích.
+ Eigenvalue: Là đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. + Factor loading ( hệ số tải nhân tố ): Hệ số tải nhân tố (Factor loading) > 0,5
đểđảm bảo sựtương quan đơn giữa biến và các nhân tố.
+ Factor matrix (ma trận nhân tố): Chứa các hệ số tải nhân tố của tất cả các
biến đối với các nhân tốđược rút ra.
+ Factor scores: Là các điểm số nhân tố tổng hợp được ước lượng cho từng biến quan sát trên các nhân tốđược rút ra.
+ Kaiser - Meyer - Olkin (KMO): Là một chỉ số dùng đểxem xét sựthích hợp của phân tích nhân tố, trị số KMO nằm trong khoảng từ0,5 đến 1 và hệ số Sig. của kiểm định Bartlett < 0,5 để xem xét sự phù hợp của phân tích nhân tố. Nếu như trị
số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không phù hợp với các dữ (adsbygoogle = window.adsbygoogle || []).push({});
+ Đối với thang đơn hướng thì sử dụng phương pháp trích nhân tố “Principal Components”. Thang đo chấp nhận được khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Nguyễn Đình Thọ, 2011).
- Bước 3: Phân tích hồi quy bội.
Mô hình hồi quy bội (Multiple Linear Regression) biểu diễn mối quan hệ của hai hay nhiều biến độc lập định lượng với một biến phụ thuộc định lượng (Nguyễn
Đình Thọ, 2012). Các biến độc lập định lượng trong luận văn này là thương hiệu, cơ
sở vật chất, sản phẩm/dịch vụ, đội ngũ nhân viên, chất lượng phục vụ và vệ sinh. Biến phụ thuộc định lượng chính là năng lực cạnh tranh của Banquet – Khách sạn The Reverie Saigon so với các khách sạn cùng đẳng cấp khác.
Theo Nguyễn Đình Thọ(2012), để ước lượng các trọng số hồi quy βk (k=1, 2, 3, 4, 5) trong mô hình hồi quy bội ta dùng phương pháp bình phương bé nhất (Ordinary Least Squares - OLS). Một thước đo sự phù hợp của mô hình tuyến tính thường sử dụng là hệ số xác định R2. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), hệ sốxácđịnh R2càng gần 1 thì mô hình đã xây dựng càng thích hợp,
R2càng gần 0 thì mô hình càng kém phù hợp. Hệ sốxác định R2 này đã được chứng
minh là hàm không giảm theo số biến độc lập đưa vào mô hình, càng đưa thêm biến
độc lập vào mô hình thì R2 càng tăng. Tuy Nhiên, điều này cũng được chứng minh
rằng không phải quy trình càng có nhiều biến phụ thuộc sẽcàng phù hợp hơn với dữ
liệu. Như vậy R2 có khuynh hướng là một ước lượng lạc quan của thước đo sự phù
hợp của mô hình. Trong tình huống này R2 hiệu chỉnh đểđánh giá phù hợp của mô
hình sẽan toàn hơn vì nó không thổi phồng mức độphù hợp của mô hình.
Sử dụng mô hình hồi quy đa biến đểđánh giá ảnh hưởng của từng nhân tốđến
năng lực cạnh tranh của bộ phận Banquet với các điều kiện: Độ phù hợp của mô
hình (Sig. của kiểm định Anova nhỏ hơn hoặc bằng 0,05). Hiện tượng tự tương
quan và đa cộng tuyến không đáng kể (1,5 < DW < 2,5; hệ số VIF < 10) (Hoàng
Trọng và Chu Nguyễn Mộng Ngọc, 2008).