1. 4.2 Đối tượng khảo sát
3.2.2 Phương pháp phân tích số liệu
Tác giả sử dụng phần mềm Excel để vẽ biểu đồ và phần mềm SPSS để hỗ trợ việc thực hiện chạy thống kê mô tả, phân tích hệ số Cronbach’s Alpha, phân tích nhân tố khám phá (EFA), phân tích mô hình hồi quy Logistic. Các phương pháp phân tích cho từng mục tiêu cụ thể như sau:
Đối với mục tiêu (1):
Tác giả sử dụng phương pháp thống kê mô tả với các chỉ tiêu như: tần suất, trung bình, tỷ lệ, độ lệch chuẩn để mô tả thực trạng sự phàn nàn của khách hàng đối với các dịch vụ viễn thông của Viettel trên địa bàn tỉnh Vĩnh Long.
Đối với mục tiêu (2):
Đầu tiên, tác giả sử dụng hệ số tin cậy Cronbach’s Alpha để kiểm định tính đồng nhất của các biến quan sát nhằm loại bỏ những biến rác ra khỏi mô hình nghiên cứu.
Tiếp theo, tác giả sẽ sử dụng phương pháp phân tích nhân tố khám phá (EFA) để phân tích các nhân tố ảnh hưởng đến quyết định phàn nàn của khách hàng đối với các dịch vụ của Viettel trên địa bàn tỉnh Vĩnh Long.
Sau đó, các nhân tố được hình thành từ kết quả phân tích (EFA) sẽ được sử dụng để phân tích hồi quy Logistic nhằm ước lượng các nhân tố ảnh hưởng đến sự phàn nàn của khách hàng đối với các dịch vụ của Viettel trên địa bàn tỉnh Vĩnh Long.
Đối với mục tiêu (3):
Từ kết quả mục tiêu thứ nhất và thứ hai làm cơ sở hàm ý quản trị giúp nhà cung cấp dịch vụ hoàn thiện chất lượng dịch vụ viễn thông di động Viettel trên địa bàn tỉnh Vĩnh Long.
Các phương pháp được sử dụng để phân tích số liệu phù hợp với từng mục tiêu của nghiên cứu, cụ thể như sau:
3.2.2.1 Phương pháp thống kê mô tả
Phương pháp thống kê mô tả với các chỉ tiêu như tỷ lệ, tần suất, trung bình, … được sử dụng để mô tả thực trạng sự phàn nàn của khách hàng đối với dịch vụ viễn thông Viettel trên địa bàn tỉnh Vĩnh Long.
Giá trị trung bình (Mean): bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát.
Số trung vị - Me (Median): giá trị của biến đứng ở vị trí giữa của một dãy số đã được sắp xếp theo thứ tự tăng hoặc giảm dần.
Mode-Mo (Mode): giá trị có tầng số cao nhất trong dãy phân phối.
Khoảng cách biến động (R): sai lệch giữa lượng biến lớn nhất và lượng biến nhỏ nhất của dãy số:
Trong đó: Xmax và Xmin lần lượt là lượng biến lớn nhất và nhỏ nhất trong dãy phân phối.
Phương sai: sai số trung bình bình phương giữa các lượng biến và số trung bình số học của các lượng biến đó:
σ2
= ∑(xi-μ)2
/N
Trong đó:
xi là giá trị lượng biến thứ i. μ là trung bình của tổng thể. N là số đơn vị tổng thể.
Độ lệch chuẩn là căn bậc hai của phương sai.
Bảng phân phối tần số:
Tần số là số lần xuất hiện của một quan sát, tần số của một tổ là số quan sát rơi vào giới hạn của tổ đó. Phân tích tần số cho ta thấy mức độ tập trung của các giá trị giúp ta có cái nhìn tổng quan về các quan sát. Để lập một bảng phân tích tần số trước hết ta phải sắp xếp dữ liệu theo một thứ tự nào đó tăng dần hoặc giảm dần. Sau đó thực hiện các bước sau:
Bước 1:Xác định số tổ:
k= [(2) x Số quan sát (n)]1/3
GVHD: PGS.TS. Bùi Văn Trịnh
HVTH: Trần Thị Minh Nguyệt Trang 27
Bước 2:Xác định khoảng cách tổ
h = (Xmax - Xmin)/k
Trong đó: Xmax và Xmin lần lượt là lượng biến lớn nhất và nhỏ nhất trong dãy phân phối.
Bước 3:Xác định giới hạn trên và dưới của mỗi tổ.
Giới hạn dưới của tổ đầu tiên sẽ là giá trị biến nhỏ nhất của dãy số phân phối, sau đó lấy giới hạn dưới cộng với khoảng cách tổ (h) sẽ được giá trị của giới hạn trên, lần lượt cho đến tổ cuối cùng. Giới hạn trên của tổ cuối cùng thường là giá trị biến lớn nhất của dãy số phân phối.
Bước 4: Xác định tần số của mỗi tổ bằng cách đếm số quan sát rơi vào giới hạn của tổ đó. Cuối cùng trình bày kết quả trên bảng biểu và sơ đồ.
Cách tính cột tần số tích lũy: Tần số tích lũy của tổ thứ nhất chính là tần số của nó, tần số của tổ thứ hai bao gồm tần số của tổ thứ nhất và cả tần số của tổ thứ hai, tần số của thứ tổ ba là tần số của chính nó và tần số của cả hai tổ thứ nhất và thứ hai.
3.2.2.2 Hệ số tin cậy Cronbach’s Alpha
Phương pháp Cronbach’s Alpha dùng để loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Những số có hệ số tương quan biến tổng (it – total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Tuy nhiên, cũng cần lưu ý rằng nếu Cronbach’s Alpha quá cao (> 0,95) thì có khả năng xuất hiện biến quan sát thừa (Redunmant its) ở trong thang đo. Biến quan sát thừa là biến đo lường một khái niệm hầu như trùng với biến đo lường khác, tương tự như trường hợp cộng tuyến (Collinearity) trong hồi quy, khi đó biến thừa nên được bác bỏ.
3.2.2.3 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá là một phương 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 nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al., 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 phương sai trích cho thấy khả năng giải thích của các nhân tố thay cho các biến ban đầu. 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 được chấp nhận khi tổng phương sai trích lớn hơn 50%. Để xác định số nhân tố có rất nhiều phương pháp để sử dụng, trong nghiên cứu này tác giả lựa chọn phương 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 được giữ lại trong mô hình phân tích;
Nhược điểm của phương pháp này là khi qui mô mẫu lớn (trên 200), có nhiều khả năng sẽ có nhiều nhân tố thỏa mãn mức ý nghĩa thống kê mặc dù trong thực tế có nhiều nhân tố chỉ giải thích được một phần nhỏ toàn bộ biến thiên. Tiếp theo ta tiến hành xoay nhân tố theo phương pháp trích Principal Compontents với phép xoay Varimax (Orthogonal) (Gerbing & Anderson, 1988). Trong phương pháp phân tích nhân tố được quan tâm nhất là hệ số tải nhân tố Factor loading. Theo Hair et al (1998), Factor loading là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA, Factor loading > 0,3 được xem là đạt được mức tối thiểu và cỡ mẫu nên chọn ít nhất là 350, nếu cỡ mẫu khoảng 100 đến 350 thì Factor loading > 0,55 được xem là có ý nghĩa thực tiễn, với số mẫu 341 nên tác giả chọn hệ số tải nhân tố Factor loading > 0,55.
3.2.2.4 Phân tích hồi quy Binary Logistic
Mô hình hồi quy Binary Logistic phân tích những nhân tố ảnh hưởng đến sự phàn nàn của khách hàng đối với dịch vụ viễn thông di động Viettel như sau:
HV Trang 29 Trong đó: Y là biến giả, có giá trị bằng 1 (nếu khách hàng đã từng phàn nàn) và bằng 0 (nếu khách hàng chưa từng phàn nàn); Xj là các nhân tố ảnh hưởng đến hành vi phàn nàn của khách hàng (j=1-n); µ là phần dư (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Dạng tổng quát của mô hình hồi quy Binary Logistic:
Trong đó:
P(Y = 1) = P0: Xác suất khách hàng phàn nàn đối với dịch vụ di động viễn thông Viettel.
P(Y = 0) = 1 – P0: Xác suất khách hàng không phàn nàn đối với dịch vụ di động viễn thông Viettel (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Nghiên cứu các nhân tố ảnh hưởng đến hành vi phàn nàn của khách hàng đối với dịch vụ di động viễn thông Viettel trên địa bàn tỉnh Vĩnh Long có hàm hồi quy Binary Logistic như sau: