7. TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU CÓ LIÊN QUAN ĐẾN ĐỀ TÀI
3.3.2. KẾT QUẢ PHÂN TÍCH CRONBACH'S ALPHA
Bảng 3.16. Thang đo chất lượng dịch vụ Phòng giao dịch Ngân hàng Chính sách xã hội huyện Sơn Tịnh.
(Các biến dùng cho phân tích sau khi loại một số biến mà Cronbach's Alpha <0,6)
STT Mã
hóa Nội dung tiêu chí
I Sự đảm bảo
1 SDB1 Nhân viên Ngân hàng có thái độ tạo sự yên tâm cho khách hàng
2 SDB2 Thực hiện phối hợp ủy thác tốt với các tổ chức chính trị xã hội trong công tác cho vay, huy động tiền gửi
3 SDB3 Giao dịch bảo mật, an toàn cao
4 SDB4 Nhân viên luôn cung cấp thông tin cần thiết cho khách hàng
II Sự cảm thông
STT Mã
hóa Nội dung tiêu chí
6 SCT3 Chủ động quan tâm đến sự khó khăn của khách hàng 7 SCT4 Nhân viên ngân hàng luôn đối xử ân cần với khách hàng 8 SCT5 Nhân viên ngân hàng nhiệt tình tư vấn về khuyên nông,khuyến lâm cho khách hàng.
III Về thông tin
9 VTT2 Thông báo danh sách nợ vay, tiết kiệm của khách hàngtại điểm giao dịch xã chính xác 10 VTT3 Nội quy, quy chế điểm giao dịch tại xã rõ ràng
11 VTT4 Thông tin các chính sách vay vốn đến người dân nhanhchóng
IV Sự tiện lợi
12 STL2 Vay vốn ưu đãi với mức lãi suất thấp
13 STL3 Làm thủ tục hồ sơ thông qua tổ trưởng tổ TK&VV tạithôn bản tiện lợi 14 STL4 Một hộ gia đình vay nhiều chương trình cho vay
15 STL5 Hồ sơ vay vồn chủ tịch UBND xã, phường ký tín chấpvới mức vay dưới 50 triệu đồng
V Sự Hữu hình
16 SHH1 Ngân hàng có cơ sở vật chất đầy đủ, tiện nghi 17 SHH2 Ngân hàng có trang thiết bị và máy móc hiện đại 18 SHH3 Nhân viên ngân hàng có trang phục lịch sự, gọn gàn 19 SHH4 Xe ô tô phục vụ tại điểm giao dịch xã đảm bảo
VI Thang đo về sự hài lòng chung của Khách hàng
20 HL1 Bạn hài lòng với cung cách phục vụ
21 HL2 Bạn hài lòng với cơ sở vật chất tại Ngân hàng chính sách 22 HL3 Tóm lại bạn hài lòng khi giao dịch tại Ngân hàng chínhsách xã hội
3.3.2.1. Đánh giá thang đo bằng phân tích nhân tố khám phá EFA
Phân tích nhân tố gồm một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Đây là một kỹ thuật phụ thuộc lẫn nhau (Interdependence technique) trong đó toàn bộ các mối liên hệ phụ thuộc lẫn nhau sẽ được nghiên cứu.
Phân tích nhân tố được sử dụng để:
- Nhận diện các khía cạnh hay nhân tố giải thích được các mối liên hệ tương quan trong một tập hợp biến.
- Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích đa biến tiếp theo sau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Phân tích nhân tố sẽ được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm. Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thông qua trị thống kê Kaiser-Meyer-Olkin (KMO). Theo đó, trị số của KMO phải đủ lớn (giữa 0.5 và 1) nghĩa là phân tích nhân tố là thích hợp (Garson, 2003), nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Barlett’s test được sử dụng để kiểm định giả thuyết Ho (các biến không có tương quan với nhau trong tổng thể), nghĩa là ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1, còn các giá trị nằm ngoài đường chéo đều bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng chi-square từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì càng có nhiều khả năng bác bỏ giả thuyết Ho. Nếu giả thuyết Ho không thể bị bác bỏ thì có khả năng phân tích nhân tố không thích hợp (Trọng và Ngọc, 2005).
Communality là lượng biến thiên của một biến được giải thích chung với các biến khác được xem xét trong phân tích nhân tố chung. Bảng Communalities xuất ra trong SPSS cho biết những thông tin có liên quan sau khi số lượng nhân tố mong muốn được rút ra. Nó cho biết các communality của các biến tức là phần biến thiên được giải thích bởi các nhân tố chung, đại lượng này phải lớn hơn 0.5/
Phương pháp tích yếu nhân tố Principal Axis factoring với phép quay promax (oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp principle components với phép quay Varimax (orthogonal) (Gerbing & Anderson, 1988). Phương pháp trích Principal Axis factoring sẽ cho ta kết quả số lượng nhân tố là ít nhất để giải tích phương sai chung của tập hợp các biến quan sát trọng sự tác động qua lại giữa chúng. Trong khi đó phương pháp Principal components sẽ cho ta kết quả là một tập hợp các nhân tố giải thích cả phương sai chung và đặc trưng của các biến. Tuy nhiên với các thang đo đơn hướng thì phép trích principal components được sử dụng (Vân Anh, 2008).
Phương pháp trích Principal Component Analysis với phép xoay varimax sẽ được thực hiện và điểm dừng khi trích các yếu tố có Eigenvalue lớn hơn 1. Số lượng nhân tố được xác định dựa trên chỉ số Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, vì sau khi chuẩn hoá mỗi biến gốc có phương sai là 1 (Trọng và Ngọc, 2005). Theo tiêu chuẩn Kaiser, những nhân tố có eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Garson, 2003) và tiêu chuẩn phương sai trích (Variance explained criteria) là tổng phương sai trích phải lớn hơn 50%.
Để thang đo đạc giá trị hội tụ thì hệ số tương quan đơn giữa các biến và các nhân tố (factor loading) phải lớn hơn hoặc bằng 0.5 trong một nhân tố (Jun và cộng sự, 2002). Để đạt độ giá trị phân biệt giữa các factor loading
phải lớn hơn hoặc bằng 0.3 (Jabnoun và cộng sự, 2003).
3.3.2.2. Thang đo chất lượng dịch vụ tại Phòng giao dịch Ngân hàng Chính sách xã hội huyện Sơn Tịnh.
Thang đo chất lượng dịch vụ được đo lường bằng 24 biến quan sát, sau khi kiểm tra mức độ tin cậy bằng phân tích Cronbach Alpha thì loại 5 biến. Mô hình lý thuyết 19 biến quan sát được dùng để đo lường cho 5 thành phần của thang đo. Phân tích nhân tố dùng để đánh giá độ hội tụ của các biến quan sát theo thành phần.
Trước khi thực hiện phân tích nhân tố khám phá cần xem ý nghĩa thống kê của kiểm định Barlett <0.05 và hệ số Kaiser – Meyer – Olkin (KMO) trong khoảng 0.5-1.0 để xem xét sự thích hợp của dữ liệu để phân tích nhân tố.
Qua phân tích các điều kiện để thực hiện phân tích nhân tố khám phá EFA cho thấy giá trị KMO=0.769>0.5, kiểm định Barlett có ý nghĩa thống kê (sig=0.000 < 0.05). Do đó, có thể khẳng định dữ liệu thích hợp để phân tích nhân tố khám phá.
Bảng 3.17: Phân tích nhân tố khám phá (EFA) KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy. .769 Bartlett's Test of Sphericity Approx. Chi-Square 1980.027 Df 231 Sig. .000
Bảng 3.18: Kết quả EFA của thang đo chất lượng dịch vụ Pattern Matrixa Factor 1 2 3 4 5 6 SCT3 .847 SCT5 .833 SCT1 .811 SCT4 .673 STL4 .782 STL2 .679 STL5 .553 STL3 .522 SDB3 .776 SDB1 .769 SDB2 .563 SDB4 .377 VTT3 .864 VTT4 .732 VTT2 .681 SHH1 .769 SHH3 .622 SHH2 .613 SHH4 .522 HL3 .638 HL1 .584 HL2 .582
Extraction Method: Principal Axis Factoring.
Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 6 iterations.