Đề tài áp dụng thang đo CLDV SERVPERF, là thang đo đa hƣớng với 5 thành phần cơ bản và 42 biến quan sát để đánh giá chấtlƣợng phục vụ của ngành thuế; hệ số Cronbach Alpha đƣợc sử dụng để kiểm tra độ tin cậy của thang đo; xác định lại các thành phần trong thang đo bằng phân tích nhân tố khám phá. Trên cơ sở các yếu tố mới đƣợc rút ra từ phân tích nhân tố đƣợc đƣa vào phƣơng trình hồi quy đa biến để nghiên cứu mức độ ảnh hƣởng của các yếu tố chất lƣợng phục vụ ngành thuế đến sựhài lòng của DN.
Cụ thể:
* Phƣơng pháp thống kê mô tả:
- Giá trị trung bình: Mean, Average: bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát.
- Độ lệch chuẩn ( ): là căn bậc hai của phƣơng saị
* Phân tích hệ số tin cậy Cronbach Alpha:
Phƣơng pháp này giúp tác giả kiểm định lại thang đo cho từng nhân tố, đồng thời s loại đi các biến rác. Nhằm mục đích làm tăng độ tin cậy của bộ số liệu, từ đó làm cơ sở để phân tích nhân tố.
Hệ số Cronbach s: là một phép kiểm định thống kê về mức độ chặt ch mà các mục hỏi trong thang đo tƣơng quan với nhaụ Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lƣờng là tốt, từ 0,7 đến gần
0,8 là sử dụng đƣợc. Cũng có nhà nghiên cứu đề nghị rằng hệ số Alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang nghiên cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứụ
Hệ số tƣơng quan biến - tổng (Item-total correlation): là hệ số tƣơng quan của một biến với điểm trung bình của các biến trong cùng một thang đọ Do đó, hệ số này càng cao, sự tƣơng quan của biến này với các biến khác trong nhóm càng caọ Những biến có hệ số tƣơng quan biến - tổng nhỏ hơn 0,3 đƣợc coi là biến rác và s bị loại khỏi thang đọ
Đối với nghiên cứu này, tác giả chấp nhận những nhân tố có hệ số Cronbach s Alpha từ 0,6 trở lên. Nếu các nhóm nhân tố có hệ số tin cậy Cronbach s Alpha nhỏ hơn 0,6 s bị loại khỏi mô hình nghiên cứụ Ngoài ra các hệ số tƣớng quan biến tổng của các biến trong nhân tố phải lớn hơn hoặc bằng 0,3.
* Phân tích nhân tố
Phân tích nhân tố khám phá là một phƣơng pháp phân tích thống kê dùng để rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998). Trong phân tích nhân tố, ta cũng quan tâm đến chỉ số KMO (Kaiser - Meyer - Olkin) để xem xét sự thích hợp
của mô hình phân tích nhân tố và tổng phƣơng sai trích cho thấy khả năng giải thích của các nhân tố thay cho các biến ban đầụ Nếu chỉ số KMO nằm trong khoảng 0,5 đến 1 thì ta sử dụng phân tích nhân tố là thích hợp với dữ liệu nghiên cứu và thang
đo chỉ đƣợc chấp nhận khi tổng phƣơng sai trích lớn hơn 50%. Để xác định số nhân tố có rất nhiều phƣơng pháp để sử dụng, trong nghiên cứu này tác giả lựa chọn phƣơng pháp thông dụng nhất là sử dụng hệ số Eigenvalue (Determination based on
eigen value): Chỉ có những nhân tố nào có Eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích. Nhƣợc điểm của phƣơng pháp này là khi quy mô mẫu lớn (trên 200), có nhiều khả năng s có nhiều nhân tố thỏa mãn mức ý nghĩa thống kê mặc dù trong thực tế có nhiều nhân tố chỉ giải thích đƣợc một phần nhỏ toàn bộ biến thiên. Tiếp theo ta tiến hành xoay nhân tố theo phƣơng pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) s phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp trích Principal Compontents với phép xoay Varimax (Orthogonal) (Gerbing & Anderson, 1988). Trong phƣơng pháp phân tích nhân tố đƣợc quan tâm nhất là hệ số tải nhân tố Factor loading. Theo Hair & ctg (1998), factor loading là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA, factor loading
>0,3 đƣợc xem là đạt đƣợc mức tối thiểu và cỡ mẫu nên chọn ít nhất là 350, Factor loading >0,4 đƣợc xem là quan trọng, nếu cỡ mẫu khoảng 100 thì factor loading >0,5 đƣợc xem là có ý nghĩa thực tiễn.
Với số mẫu 254 nên tác giả chọn hệ số tải nhântố Factor loading >0,5. Trƣờng hợp có một biến quan sát thuộc hai nhóm nhân tố thì tác giả xét khoảng cách giữa hai số tải phải lớn hơn 0,3 và biến quan sát s thuộc về nhân tố có hệ số tải lớn.
* Phƣơng pháp phân tích hồi quy đa biến
Phân tích hồi quy là sự nghiên cứu mức độ ảnh hƣởng của một hay nhiều biến số (Biến giải thích hay biến độc lập: Independent variables) đến một biến số (Biến kết quả hay biến phụ thuộc: Dependent variable) nhằm dự báo biến kết quả dựa vào các giá trị đƣợc biết trƣớc của các biến giải thích.
Đề tài sử dụng phƣơng pháp phân tích hồi quy đa biến để ƣớc lƣợng mức độ ảnh hƣởng của các yếu tố chất lƣợng phục vụ khách hàng của ngành thuế (Biến giải thích) đến mức độ hài lòng của DN (Biến kết quả). Phƣơng trình hồi quy có dạng:
Y = α0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5+….+ βkXk
Trong đó:
Y (biến phụ thuộc): sự hài lòng của DN đối với chất lƣợng phục vụ của ngành thuế tại tỉnh Vĩnh Long.
X1, X2, X3, X4, X5,…, Xk (các biến độc lập, là các yếu tố ảnh hƣởng đến biến phụ thuộc). Dự kiến ban đầu thang đo chất lƣợng phục vụ gồm 5 thành phần với tổng cộng 42 biến.
α0: hệ số chặn của hàm hồi quy
βi: (với i = 1,2,3,4,5,…,k): các tham số hồi quy, đo lƣờng độ lớn và chiều hƣớng ảnh hƣởng của biến độc lập đối với biến phụ thuộc.
* Phân tích One Way Anova
Phân tích phƣơng sai một yếu tố (còn gọi là oneway anova) dùng để kiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%.
Kiểm định Levene test
Ho: “Phƣơng sai bằng nhau”
Sig < 0,05: bác bỏ Ho
Sig >=0,05: chấp nhận Ho -> đủ điều kiện để phân tích tiếp anova
Kiểm định One Way ANOVA test
Ho: “Trung bình bằng nhau”
Sig >0,05: bác bỏ Ho -> chƣa đủ điều kiện để khẳng định có sự khác biệt…
Sig <=0,05: chấp nhận Ho -> đủ điều kiện để khẳng định có sự khác biệt… Khi có sự khác biệt thì có thể phân tích sâu hơn để tìm ra sự khác biệt nhƣ thế nào giữa các nhóm quan sát.