8) Thang đo “Sự hài lòng của khách hàng”
3.2.2.5 Kiểm định và đánh giá thang đo
Để đánh giá thang đo các khái niệm trong nghiên cứu cần kiểm tra độ tin cậy, độ giá trị của thang đo. Dựa trên các hệ số độ tin cậy Cronbach’s Alpha, hệ số tƣơng quan biến -tổng (Item-to-total correlation) giúp loại ra những biến quan sát không đóng góp vào việc mô tả khái niệm cần đo, hệ số Cronbach’s alpha if Item Deleted để giúp đánh giá loại bỏ bớt biến quan sát nhằm nâng cao hệ số tin cậy Cronbach’s Alpha cho khái niệm cần đo và phƣơng pháp phân tích nhân tố khám phá (EFA) nhằm kiểm tra độ giá trị của thang đo các khái niệm nghiên cứu.
1) Phân tích Cronbach’s Alpha:
Trong nghiên cứu này, Cronbach alpha phải đƣợc thực hiện trƣớc để loại bỏ các biến rác (garbage items) trƣớc khi thực hiện phân tích EFA, quá trình này giúp chúng ta tránh đƣợc các biến rác vì các biến rác này tạo nên các nhân tố giả (artifical factors) khi phân tích EFA (Churchill, 1979). Kỹ thuật Cronbach alpha phát hiện loại bỏ một số biến đo lƣờng với tƣơng quan biến tổng (Item-total correlation) thấp (< 0,3), lựa chọn hệ số Cronbach alpha trong khoảng [0,8 và 1) là thang đo tốt, Cronbach alpha trong khoảng [0,7 và 0,8] sử dụng đƣợc và Cronbach alpha từ 0,6 trở lên sử dụng đƣợc cho khái niệm trong bối cảnh nghiên cứu mới (Peterson, 1994).
2) Phân tích nhân tố khám phá (EFA):
Bƣớc tiếp theo sau khi Phân tích Cronbach’s Alpha, phƣơng pháp phân tích nhân tố EFA đƣợc sử dụng để xác định: (1) độ giá trị hội tụ (convergent validity), (2) giá trị phân biệt (discriminant validity), (3) đồng thời gom các tham số ƣớc lƣợng theo từng nhóm biến (các câu hỏi đƣợc sắp xếp phù hợp theo nhóm nhân tố). Một số tiêu chuẩn đo lƣờng nhƣ sau: để thang đo đạt giá trị hội tụ thì hệ số tƣơng quan đơn giữa các biến và các nhân tố (factor loading) phải đảm bảo lớn hơn hoặc bằng 0,4; để
đạt độ giá trị phân biệt, khác biệt giữa các nhân tố phải lớn hơn hoặc bằng 0,3; số lƣợng nhân tố đƣợc xác định dựa trên chỉ số Eigenvalue - đại điện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố - theo tiêu chuẩn Kaiser thì những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại ra khỏi mô hình; tiêu chuẩn phƣơng sai trích (Variance explained criteria): Tổng phƣơng sai trích phải lớn hơn 50%. Xem xét giá trị KMO: 0,5 < KMO < 1 thì phân tích nhân tố là thích hợp với dữ liệu; ngƣợc lại KMO < 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Gerbing & Anderson, 1988). Sử dụng phƣơng pháp trích yếu tố Pricipal axis factoring với phép xoay Promax (kappa = 4) và điểm dừng khi trích các yếu tố có Eigen values lớn hơn 1 đối với các biến quan sát đo lƣờng 7 khái niệm thành phần tác động lên sự hài lòng của khách hàng sử dụng DVNDS. Theo phƣơng pháp này phát hiện ra các thứ nguyên (thành phần) tiềm ẩn trong dữ liệu gốc (phát hiện cấu trúc). Việc chọn phép xoay Promax sẽ phản ảnh chính xác cấu trúc dữ liệu tiềm ẩn hơn. Sử dụng phƣơng pháp trích nhân tố Principal components với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigen values lớn hơn 1 với các biến quan sát đo lƣờng khái niệm sự hài lòng khách hàng.
3) Phân tích hồi quy đa biến
Sau khi hoàn tất việc phân tích đánh giá độ tin cậy thang đo (sử dụng hệ số tin cậy Cronbach’s Alpha) và kiểm định giá trị khái niệm của thang đo (phân tích nhân tố khám phá EFA), các biến không đảm bảo độ giá trị hội tụ tiếp tục bị loại khỏi mô hình cho đến khi các tham số đƣợc nhóm theo các nhóm biến. Việc xác định mối quan hệ giữa các nhóm biến này cũng nhƣ xác định mối quan hệ giữa các nhóm biến độc lập (yếu tố thành phần) và nhóm biến phụ thuộc (sự hài lòng của khách hàng) trong mô hình nghiên cứu đƣợc thực hiện bằng phƣơng pháp phân tích hồi quy bội.
Giá trị của biến mới trong mô hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó, giá trị của các thành phần đƣợc phần mềm SPSS tính một cách tự động từ giá trị trung bình có trọng số của các biến quan sát đã đƣợc chuẩn hóa. Tuy nhiên, trƣớc khi tiến hành phân tích hồi quy, một phân tích quan trọng cần
đƣợc thực hiện đầu tiên là phân tích tƣơng quan nhằm kiểm định mối tƣơng quan tuyến tính giữa các biến trong mô hình.
4) Phân tích tƣơng quan
Kiểm định mối tƣơng quan tuyến tính giữa các biến trong mô hình: giữa biến phụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau. Sử dụng hệ số tƣơng quan Pearson để lƣợng hóa mức độ chặt chẽ mối liên hệ tuyến tính giữa hai biến định lƣợng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này mối tƣơng quan tuyến tính càng chặt chẽ (Gerbing & Anderson, 1988). Trong mô hình nghiên cứu này, để đạt đƣợc mục tiêu nghiên cứu thì kỳ vọng có mối tƣơng quan tuyến tính chặt chẽ giữa biến phụ thuộc và các biến độc lập. Nghiên cứu thực hiện hồi quy đa biến theo phƣơng pháp Enter: tất cả các biến đƣợc đƣa vào một lần và xem xét các kết quả thống kê liên quan đến các biến đƣợc đƣa vào trong mô hình.
TÓM TẮT CHƢƠNG 3
Chƣơng 3 trình bày phƣơng pháp thực hiện nghiên cứu nhằm đạt đƣợc các mục tiêu đề ra. Quá trình này gồm hai bƣớc: Bƣớc 1, nghiên cứu định tính với kỹ thuật phỏng vấn sâu nhằm bổ sung và hiệu chỉnh các thang đo các biến trong mô hình. Bƣớc 2, nghiên cứu định lƣợng thực hiện bằng cách phỏng vấn bằng bảng câu hỏi qua email và trực tiếp. Sau đó dữ liệu sẽ đƣợc xử lý và phân tích bằng phần mềm SPSS 20.0 để kiểm định các thang đo và sự phù hợp của mô hình lý thuyết. Trong chƣơng tiếp theo, tác giả sẽ trình bày kết quả phân tích dữ liệu, kết quả nghiên cứu bao gồm kết quả đánh giá thang đo, phân tích nhân tố khám phá, hồi quy đa biến và kiểm định giả thuyết.
CHƢƠNG 4: THỰC HIỆN KIỂM ĐỊNH, PHÂN TÍCH VÀ ĐÁNH GIÁ KẾT QUẢ.