Các thang đo được đánh giá đạt yêu cầu được đưa vào phân tích tương quan, hồi quy để kiểm định các giả thuyết.
Hệ số tương quan Pearson (ký hiệu là r) là chỉ số để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng. Giá trị r cho biết không có mối liên hệ tuyến tính, chưa hẳn 2 biến không có mối liên hệ và r cao đôi khi thực ra chẳng có quan hệ gì. Có tương quan chưa hẳn có quan hệ nhân quả. Hệ số tương quan là thước đo mang tính đối xứng (Hoàng Trọng và Chung Nguyễn Mộng Ngọc 2008, tập 1, trang 197).
Phân tích hồi quy là nghiên cứu mối quan hệ phụ thuộc của biến phụ thuộc vào biến độc lập với ý tưởng ước lượng hoặc dự đoán giá trị trung bình tổng thể của biến phụ thuộc trên cơ sở các giá trị biết trước của các biến độc lập (Hoàng Trọng và Chung Nguyễn Mộng Ngọc 2008, tập 1, trang 204).
Tác giả tiến hành phân tích hồi quy tuyến tính đa biến bằng phương pháp bình phương nhỏ nhất thông thường OLS (Ordinal Least Squares) nhằm kiểm định mối quan hệ giữa biến phụ thuộc: sự hài lòng của khách hàng và các biến độc lập: Sự tin cậy, Khả năng đáp ứng, Năng lực phục vụ, Sự đồng cảm, Phương tiện hữu hình.
Phương trình HQ tổng thể có dạng: Ŷi = β0 + β1X1i + β2X2i + … βkXki + εi
Trong đó:
- Ŷi: là giá trị dự báo. - Β0: là tung độ gốc.
- Βk: hệ số độ dốc của Ŷi theo biến Xk giữ nguyên các biến X1, X2, …Xk-1
không đổi.
- εi là thành phần ngẫu nhiên (yếu tố nhiễu)
Việc xây dựng và kiểm định mô hình hồi quy được thực hiện qua các bước: Bước 1: lựa chọn các biến đưa vào mô hình hồi quy, tác giả sử dụng phương pháp Enter, phần mềm SPSS xử lý tất cả các biến đưa vào cùng một lượt.
Bước 2: đánh giá độ phù hợp của mô hình bằng hệ số xác định R2 (R Square). Tuy nhiên, R2 có đặc điểm càng tăng khi đưa thêm các biến độc lập vào mô hình, mặc dù không phải mô hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế, R2 điều chỉnh (Adjusted R Square) có đặc điểm không phụ thuộc vào số lượng biến đưa thêm vào mô hình được sử dụng thay thế R2 để đánh giá mức độ phù hợp của mô hình hồi quy bội.
Bước 3: kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết H0: không có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập. Nếu trị thống kê F có Sig < 0,0 thì giả thuyết H0 bị bác bỏ, khi đó chúng ta kết luận tập hợp của các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc.
Bước 4: xác định các hệ số của phương trình hồi quy, đó là các hệ số hồi quy riêng phần βk đo lường sự thay đổi trung bình của biến phụ thuộc khi biến độc lập Xk
thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lường của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để so sánh các hệ số hồi quy với nhau, từ đó xác định tầm quan trọng (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lường độ lệnh chuẩn beta.
Bước 5: Kiểm tra vi phạm các giả định hồi quy
phạm các giả định. Vì thế, sau khi xây dựng được phương trình hồi quy, cần phải dò tìm các vi phạm giả định cần thiết sau đây:
- Liên hệ tuyến tính: Công cụ để kiểm tra là đồ thị phân tán phần dư chuẩn hóa
(Scatter) biểu thị tương quan giữa giá trị phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Pridicted Value).
- Phương sai của sai số không đổi: Vẽ đồ thị phần dư theo giá trị ước lượng ŷ
từ mô hình hồi quy và quan sát xem có hiện tượng phương sai thay đổi không. Nếu các điểm phân tán trên đồ thị cho không thấy có mối liên hệ nào giữa phần dư và giá trị ŷ có thể kết luận hiện tượng phương sai thay đổi không xảy ra
- Phân phối chuẩn của phần dư: Công cụ để kiểm tra là đồ thị tần số Histogram
hoặc đồ thị tần số P-P plot.
- Tính độc lập của các sai số (không có tương quan giữa các phần dư): Công
cụ để kiểm tra là đại lượng thống kê d (Durbin - Watson) hoặc đồ thị phân tán phần dư chuẩn hóa.
- Không có mối tương quan giữa các biến độc lập (không có hiện tượng đa cộng tuyến): Công cụ để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận
của biến (Tolerance) hoặc hệ số phóng đại phương sai (Variance inflation factor - VIF). Theo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2008), quy tắc chung là VIF>10 là dấu hiệu đa cộng tuyến; trong khi đó, theo (Nguyễn Đình Thọ 2013), khi VIF > 2 cần phải cẩn trọng hiện tượng đa cộng tuyến.
KẾT LUẬN CHƯƠNG 3
Chương 3 giới thiệu vài nét về Công ty Bảo Việt Nhân thọ Long An như quá trình hình thành và phát triển; sơ đồ cơ cấu tổ chức và kết quả hoạt động kinh doanh của đơn vị giai đoạn 2017 – 2019. Ngoài ra, Chương 3 quy trình nghiên cứu, phương pháp nghiên cứu, xây dựng và mã hóa thang đo, phương pháp xử lý dữ liệu. Với phương pháp nghiên cứu, tác giả thực hiện qua 2 bước: nghiên cứu định tính và nghiên cứu định lượng. Trong nghiên cứu định tính, tác giả sử dụng phương pháp thảo luận nhóm để điều chỉnh thang đo cho phù hợp. Trong nghiên cứu chính thức, tác giả sử dụng phương pháp nghiên cứu định lượng. Đối tượng khảo sát là khách hàng đã và đang sử dụng dịch vụ bảo hiểm nhân thọ của Công ty Bảo Việt Nhân thọ Long An, với số lượng mẫu là 250 khách hàng và được khảo sát thông qua hình thức trả lời vào bảng câu hỏi. Dữ liệu sau khi thu thập sẽ được xử lý bằng phần mềm SPSS 22.0 theo quy trình: mô tả mẫu, đánh giá độ tin cậy của thang đo, phân tích nhân tố khám phá, phân tích tương quan, phân tích hồi quy nhằm kiểm định sự phù hợp của mô hình nghiên cứu.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 4.1. Kết quả thống kê mẫu nghiên cứu
4.1.1. Giới tính
Kết quả khảo sát 250 khách hàng trong đó 95 có khách hàng nam chiếm tỷ trọng 38,00% và 155 khách hàng nữ, chiếm tỷ trọng 62,00%.
Biểu đồ 4.1. Cơ cấu khách hàng theo giới tính của mẫu
(Nguồn: Kết quả xử lý dữ liệu điều tra của tác giả)
4.1.2. Độ tuổi
Biểu đồ 4.2. Cơ cấu khách hàng theo độ tuổi của mẫu
Kết quả phân loại theo độ tuổi từ 250 khách hàng cho thấy có 26 khách hàng có độ tuổi dưới 30 chiếm tỷ lệ 10,40%; 178 khách hàng nằm trong độ tuổi từ 30 đến 40 tuổi, chiếm tỷ lệ 71,2%; 46 khách hàng nằm trong độ tuổi trên 40, chiếm tỷ lệ 18,4%.
4.1.3. Trình độ học vấn
Kết quả phân loại theo trình độ học vấn trong cuộc khảo sát này cho thấy, phần lớn khách hàng có trình độ đại học chiếm nhiều nhất với tỷ lệ 96,00%; tiếp đến là nhóm khách hàng có trình độ sau đại học chiếm 2,80% và nhóm ít nhất là nhóm khách hàng có trình độ cao đẳng chiếm 1,20%.
Biểu đồ 4.3. Cơ cấu khách hàng theo trình độ học vấn của mẫu
(Nguồn: Kết quả xử lý dữ liệu điều tra của tác giả)
4.1.4. Thu nhập
Kết quả phân loại theo thu nhập của khách hàng cho thấy, khách hàng có mức thu nhập trên 10 triệu đồng chiếm tỷ trọng cao nhất với 60,40%; hai nhóm khách hàng có thu nhập từ 5 triệu đến dưới 7 triệu đồng và từ 7 triệu đồng đến dưới 10 triệu
đồng chiếm tỷ trọng bằng nhau, đều đạt 15,20% và cuối cùng cùng là nhóm khách hàng có thu nhập dưới 5 triệu đồng chiếm tỷ trọng 9,20%.
Biểu đồ 4.4. Cơ cấu khách hàng theo thời gian công tác của mẫu
(Nguồn: Kết quả xử lý dữ liệu điều tra của tác giả)
4.2. Kết quả nghiên cứu
4.2.1. Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Mỗi một nhân tố (các biến độc lập) và biến phụ thuộc trong mô hình nghiên cứu được xây dựng từ một tập hợp từ 3-5 câu hỏi khác nhau phản ánh những khía cạnh khác nhau trong cùng một nhân tố lý thuyết. Để đảm bảo chúng là một khái niệm nghiên cứu có ý nghĩa trong nghiên cứu cụ thể thì cần kiểm tra tính tin cậy của từng nhân tố trong mô hình. Để đánh giá sự tin cậy tổng hợp của một nhân tố (khái niệm nghiên cứu) ta sử dưng hệ số Cronbach Alpha để đánh giá (Hair et al, 2006; Suanders et al, 2007). Để xem xét một biến quan sát có đóng góp vào giá trị của nhân tố nghiên cứu hay không ta xem xét nó với biến tổng của các biến khác trong nhân tố đó. Giá trị đánh giá một biến quan sát có ý nghĩa hay không là hệ số tương quan biến tổng. Nếu biến quan sát có ý nghĩa trong nhân tố đánh giá thì nó phải có tương quan chặt chẽ với biến tổng của các biến còn lại. Như vậy ta sẽ sử dụng hai tiêu chuẩn để đánh giá tính tin cậy thang đo của các nhân tố nghiên cứu trong mô hình là hệ số Cronbach Alpha và hệ số tương quan biến tổng.
Bảng 4.1. Kết quả kiểm định bằng Cronbach’s Alpha các nhân tố và biến phụ thuộc trong mô hình
Biến quan sát Tương quan Biến tổng Cronbach’s Alpha nếu loại biến
Nhân tố “Sự tin cây”: Cronbach’s Alpha = 0,829; N = 5
TC1 0,658 0,786
TC2 0,67 0,782
TC3 0,531 0,821
TC4 0,67 0,783
TC5 0,608 0,801
Nhân tố “Khả năng đáp ứng”: Cronbach’s Alpha = 0,741; N = 3
DU1 0,577 0,643
DU2 0,544 0,681
DU3 0,576 0,643
Nhân tố “Năng lực phục vụ”: Cronbach’s Alpha = 0,813; N = 4
NL1 0,615 0,773
NL2 0,649 0,757
NL3 0,634 0,764
NL4 0,63 0,766
Nhân tố “Sự đồng cảm”: Cronbach’s Alpha = 0,840, N = 5
DC1 0,636 0,81
DC2 0,669 0,8
DC3 0,633 0,812
DC4 0,583 0,823
DC5 0,735 0,792
Nhân tố “Phương tiện hữu hình”: Cronbach’s Alpha = 0,803; N = 4
PT1 0,663 0,731
PT2 0,618 0,752
PT3 0,55 0,787
PT4 0,64 0,742
Biến phụ thuộc “Sự hài lòng của khách hàng”: Cronbach’s Alpha = 0,843; N = 3
HL1 0,648 0,839
HL2 0,743 0,748
HL3 0,736 0,755
Tiêu chuẩn đánh giá là hệ số Cronbach’s Alpha tối thiểu bằng 0,6 (Hair et al, 2006) và hệ số tương quan biến tổng tối thiểu 0,3 (Nunally và Burstein, 1994). Những biến quan sát nào có hệ số tương quan biến tổng nhỏ sẽ bị loại khỏi nghiên cứu và không xuất hiện trong các bước phân tích dữ liệu tiếp theo.
Kết quả phân tích dữ liệu thu thập được từ điều tra bằng hỗ trợ của phần mềm SPSS từ bảng 4.1. cho thấy:
- Nhân tố “Sự tin cậy” được đo lường thông qua 5 biến quan sát (TC1 đến TC57). Với độ tin cậy của nhân tố đạt 0,829 đạt mức tin cậy cần thiết. Khi xem xét tương quan biến – tổng cho thấy, không có biến quan sát nào có hệ số này nhỏ hơn so với tiêu chuẩn 0,3.
- Nhân tố “Khả năng đáp ứng” được đo lường được đo lường thông qua 04 biến quan sát (DU1 đến DU4). Với độ tin cậy của nhân tố đạt 0,669 đã đạt mức tin cậy cần thiết. Tuy nhiên, khi xem xét tương quan biến – tổng cho thấy, biến quan sát DU4 có hệ số tương quan biến – tổng là 0,262 nhỏ hơn so với tiêu chuẩn 0,3. Do đó, tác giả loại bỏ biến quan sát này. Kết quả sau khi loại bỏ biến quan sát DU4, độ tin cậy của nhân tố chung đạt yêu cầu ở mức 0,741 và tương quan biến – tổng của các biến quan sát đều lớn hơn 0,3. Sau khi phân tích Cronbach’s Alpha, nhân tố “Khả năng đáp ứng” được đo lường thông qua 03 biến quan sát (DU1, DU2, DU3).
- Nhân tố “Năng lực phục vụ” được đo lường được đo lường thông qua 04 biến quan sát (từ NL1 đến NL4). Với độ tin cậy của nhân tố đạt 0,813 đạt mức tin cậy cần thiết. Khi xem xét tương quan biến – tổng cho thấy, không có biến quan sát nào có hệ số này nhỏ hơn so với tiêu chuẩn 0,3.
- Nhân tố “Sự đồng cảm” được đo lường được đo lường thông qua 05 biến quan sát (từ DC1 đến DC5). Với độ tin cậy của nhân tố đạt 0,840 đạt mức tin cậy cần thiết. Khi xem xét tương quan biến – tổng cho thấy, không có biến quan sát nào có hệ số này nhỏ hơn so với tiêu chuẩn 0,3.
- Nhân tố “Phương tiện hữu hình” được đo lường được đo lường thông qua 04 biến quan sát (từ PT1 đến PT4). Với độ tin cậy của nhân tố đạt 0,803 đạt mức tin cậy cần thiết. Khi xem xét tương quan biến – tổng cho thấy, không có biến quan sát nào có hệ số này nhỏ hơn so với tiêu chuẩn 0,3.
thông qua 03 biến quan sát (từ HL1 đến HL3). Với độ tin cậy của nhân tố đạt 0,843đạt mức tin cậy cần thiết. Khi xem xét tương quan biến – tổng cho thấy, không có biến quan sát nào có hệ số này nhỏ hơn so với tiêu chuẩn 0,3.
4.2.2. Kết quả phân tích nhân tố khám phá (EFA)
Như đã trình bày tại chương 3 phân tích khám phá nhân tố là phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát có mối tương quan với nhau thành một tập biến (các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các nội dung thông tin của tập biến ban đầu (Hair et al, 2006). Kỹ thuật phân tích khám phá nhân tố không xem xét sự khác nhau giữa biến độc lập và biến phụ thuộc mà chỉ đánh giá mối quan hệ tương quan giữa các biến với nhau. Vì vậy ta sẽ tiến hành phân tích các biến quan sát của các biến độc lập cùng một lượt để tìm hiểu các biến nguyên nhân tiềm ẩn từ các biến quan sát. Các biến quan sát của biến phụ thuộc được phân tích riêng.
Tiêu chuẩn đánh giá phân tích khám phá nhân tố phù hợp là hệ số KMO lớn (giữa 0,5 và 1), kiểm định Barlett có p-value nhỏ hơn 0,05; phương sai trích tối thiểu 50%, hệ số factor loading lớn hơn hoặc bằng 0,5. Phương pháp phân tích sử dụng phương pháp Principal component với phép xoay varimax để thu được số lượng nhân tố là bé nhất. Kết quả phân tích từ dữ liệu nghiên cứu thu thập được như sau:
4.2.2.1. Phân tích nhân tố khám phá đối với biến độc lập
Dựa trên kết quả kiểm định Cronbach’s Alpha, toàn bộ các biến quan sát hợp lệ được đưa vào phân tích nhân tố khám phá (EFA), để giảm bớt hay tóm tắt dữ liệu và tính độ tin cậy (Sig) của các biến quan sát có quan hệ chặt chẽ với nhau hay không.
Đặt giả thiết H0: “Các biến không tương quan trong tổng thể”
Sau 2 lần phân tích nhân tố khám phá (EFA), kết quả phân tích lần cuối cho thấy:
Bảng 4.2. KMO and Bartlett's Test các biến độc lập
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 0,880
Bartlett's Test of Sphericity
Approx. Chi-Square 1.846,455
Df 190
Sig. 0,000
Từ số liệu Bảng 4.2 cho thấy:
- Hệ số KMO=0,880 thỏa điều kiện 0,5 ≤ KMO ≤ 1, - Kiểm định Bartlett có Sig = 0,000<0,05
Bảng 4.3. Kết quả phân tích nhân tố khám phá (EFA) các biến độc lập
Rotated Component Matrixa Component 1 2 3 4 5 TC1 0,782 TC4 0,774 TC2 0,751 TC5 0,678 TC3 0,659 NL2 0,786 NL1 0,749 NL4 0,743 NL3 0,742 DC1 0,766 DC4 0,746 DC2 0,743 DC3 0,729 PT1 0,797 PT2 0,764 PT4 0,728 PT3 0,716 DU1 0,786 DU2 0,779 DU3 0,694 Eigenvalues 6,300 1,886 1,870 1,422 1,203 Phương sai trích % 31,501 40,930 50,281 57,390 63,404
(Nguồn: Kết quả xử lý dữ liệu điều tra của tác giả)
Bác bỏ H0, vậy các biến có tương quan trong tổng thể, 5 nhân tố có Eigenvalues = 1,203> 1, phương sai trích là 63,404% >50% biến thiên của dữ liệu được giải thích bởi 5 nhân tố này.
Dựa vào kết quả xoay trong bảng 4.3, nhận thấy các biến quan sát đều có hệ