7. Tổng quan tài liệu nghiên cứu
2.6.4. Phƣơng pháp phân tích dữ liệu
Phương pháp thống kê mô tả: mô tả mẫu thu thập đƣợc theo các thuộc tính của đối tƣợng. Mẫu đƣợc chọn theo phƣơng pháp lấy mẫu phi ngẫu nhiên mà cụ thể ở đây là phƣơng pháp lấy mẫu thuận tiện. Thực hiện khảo sát trực tiếp các khách hàng đến giao dịch với ngân hàng bằng bảng câu hỏi. Việc trả lời bảng câu hỏi là hoàn toàn dựa trên tinh thần hợp tác tự nguyện của ngƣời đƣợc điều tra.
Phương pháp đánh giá độ tin cậy của thang đo (Cronbach Alpha):
Chúng ta muốn kiểm tra xem các mục hỏi (các biến quan sát) nào đã đóng góp vào việc đo lƣờng khái niệm lý thuyết sự hài lòng của khách hàng đang nghiên cứu, và những mục hỏi nào không. Điều này liên quan tới 2 phép tính toán: tƣơng quan giữa bản thân các biến quan sát và tƣơng quan của các điểm số của từng mục hỏi với điểm số toàn bộ các mục hỏi cho mỗi ngƣời trả lời. Hệ số α của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tƣơng quan với nhau, là phép kiểm định về chất lƣợng của thang đo sử dụng cho từng mục hỏi, xét trên mối quan hệ của mục hỏi với một khía cạnh đánh giá. Phƣơng pháp này cho phép ngƣời phân tích 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 bằng hệ số thông qua hệ số Cronbach alpha. Những mục hỏi không đóng góp nhiều sẽ tƣơng quan yếu với tổng số điểm, nhƣ vậy chúng ta chỉ giữ lại những mục hỏi có tƣơng quan mạnh với tổng số điểm. Do đó, những biến có hệ số có tƣơng quan biến tổng (item – total Corelation ) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach alpha từ 0.6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thƣờng, thang đo có Cronbach alpha từ 0.7 đến 0.8 là sử dụng đƣợc. Nhiều
nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến 0.9 là thang đo lƣờng tốt.
Nhƣ vậy, phƣơng pháp đánh giá độ tin cậy của thang đo cho phép tác giả loại bỏ các biến quan sát không phù hợp, hạnchế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach Alpha. Những biến quan sát có hệ số tƣơng quan biến tổng (Corrected Item – Total Correlation) nhỏ hơn 0.3 sẽ bị loại bỏ và tiêu chuẩn để chọn thang đo là hệ số Cronbach Alpha của nó tối thiểu là 0.6.
Phương pháp phân tích nhân tố khám phá (EFA – Exploratory factor analysis):
Phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề cần nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố.Trị số KMO lớn (giữa 0,5 và 1) có nghĩa phân tích nhân tố là thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra phân tích nhân tố còn dựa vào eigenvalue để xác định số lƣợng nhân tố (Eigenvalue đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố ).Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới đƣợc giữ lại trong mô hình. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.
Một phần quan trọng không thể không kể đến trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hoá bằng các nhân tố (mỗi biến là một đa thức
của các nhân tố). Những hệ số này (Factor Loading) biểu diễn tƣơng quan giữa các nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Các hệ số này đƣợc dùng để giải thích các nhân tố. Điều kiện thỏa mãn là các hệ số này phải lớn hơn 0,4.
Ta sử dụng phƣơng pháp rút trích Principal và phƣơng pháp xoay nhân tố Varimax procedure (xoay nguyên gốc nhân tố để tối thiểu hóa lƣợng biến có hệ số lớn tại cùng một nhân tố, tăng cƣờng khả năng giải thích các nhân tố).
Phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề cần nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trị số KMO phải ≥ 0.5 và mức ý nghĩa của kiểm định Bartlett căn cứ trên giá trị Sig. ≤ 0.05.
Đại lƣợng Eigenvalue phải > 1 thì nhân tố đó mới đƣợc giữ lại trong mô hình phân tích.
Hệ số tải nhân tố Factor loadings < 0.5 thì biến đó sẽ bị loại, điểm dừng khi Eigenvalue > 1 và tổng phƣơng sai trích > 50%.
Phép trích Principal Component với phép quay Varimax đƣợc sử dụng trong phân tích nhân tố thang đo các thành phần độc lập.
Phương pháp hồi quy bội tuyến tính:
Phƣơng trình hồi qui bội tuyến tính có dạng:
Yi= β0 + β1X1i +β2 X2i+... +βp Xpi +ei
Trong đó hệ số góc βi: là hệ số đo lƣờng sự thay đổi trong giá trị trung bình Y khi Xi thay đổi một đơn vị, trong khi mọi yếu tố khác không đổi.
Sau khi rút trích đƣợc các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định là cần thiết trong mô hình hồi quy tuyến tính bội
nhƣ kiểm tra phần dƣ chuẩn hóa ei, kiểm tra phƣơng sai sai số không đổi, kiểm tra tƣơng quan giữa các phần dƣ, kiểm tra hệ số phóng đại VIF, cũng nhƣ một liên hệ gần nhất của nó là kiểm tra độ chấp nhận (Tolerance) đƣợc sử dụng để đo lƣờng hiện tƣợng cộng tuyến. Nếu nhƣ các giả định không bị vi phạm thì mô hình hồi quy tuyến tính bội đƣợc xây dựng. Để đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội thì chúng ta sẽ xem xét hệ số xác định , có khuynh hƣớng là ƣớc lƣợng lạc quan của thƣớc đo sự phù hợp của mô hình trong trƣờng hợp có hơn 1 biến giải thích. Nhƣng trong trƣờng hợp này, điều chỉnh (Adjusted R Square) từ đƣợc sử dụng để phản ảnh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính bội, cho biết mô hình hồi quy đƣợc xây dựng đến cỡ nào. Định lƣợng mối quan hệ giữa các thành phần trong mô hình nghiên cứu. Từ mô hình, ta có thể đánh giá và kiểm định đƣợc độ phù hợp của mô hình cũng nhƣ biết cƣờng độ ảnh hƣởng của biến độc lập lên biến phụ thuộc. Hệ số xác định (điều chỉnh) cho biết mô hình hồi quy đƣợc xây dựng phù hợp với mức độ nào.
Phương pháp phân tích phương sai (ANOVA):
Sử dụng phƣơng pháp phân tích phƣơng sai một yếu tố (One – Way ANOVA) để xem xét liệu có sự khác nhau trong quyết định mua Smartphone giữa các nhóm khách hàng có đặc điểm nhân khẩu học khác nhau. Kiểm định Levene cho biết kết quả kiểm định phƣơng sai, với mức ý nghĩa > 0.05, có thể nói kết quả kiểm định có ý nghĩa thống kê.
Kết quả nghiên cứu từ bảng phân tích hồi quy ANOVA sẽ đƣợc đề cập để xem xét các yếu tố ảnh hƣởng độ ảnh hƣởng và các mức độ ảnh hƣởng của các thành phần đến sự thỏa mãn của khách hàng. Cuối cùng là tiến hành kiểm định một số giả thuyết đặt ra về sự khác biệt sự hài lòng với công việc theo các biến phân loại về đặc trƣng cá nhân bằng phân tích phƣơng sai ANOVA với mức ý nghĩa α = 0.05 cho tất cả các kiểm định.
TÓM TẮT CHƢƠNG 2
Chƣơng 2 của luận văn trình bày thực trạng hoạt động tại ngân hàng BIDV – Chi nhánh Đà Nẵng, tổng quan về thẻ tín dụng và đƣa ra quy trình nghiên cứu cụ thể. Từ những cơ sở lý luận và các mô hình tham khảo đã trình bày ở chƣơng 1, tác giả xây dựng mô hình nghiên cứu đề xuất. Sau đó tiến hành nghiên cứu định tính, đƣa ra mô hình nghiên cứu chính thức gồm 5 yếu tố tác động đến sự hài lòng của khách hàng nhƣ sau:
Sự an toàn
Khả năng đáp ứng Tính tiện lợi Tính hữu ích Yếu tố hữu hình
Từ mô hình nghiên cứu trên, tác giả đã xây dựng bảng câu hỏi phục vụ cho việc điều tra định lƣợng. Bảng câu hỏi sử dụng thang đo Likert 5 mức độ:
Đo lƣờng mức độ quan trọng: 1. Hoàn toàn không quan trọng – 2. Không quan trọng – 3. Không ý kiến – 4, Quan trọng – 5. Hoàn toàn quan trọng.
Đánh giá thực tế mức độ đồng ý: 1. Hoàn toàn không đồng ý – 2. Không đồng ý – 3. Không ý kiến – 4. Đồng ý – 5. Hoàn toàn đồng ý.
Chƣơng này cũng trình bày các phƣơng pháp phân tích dữ liệu bằng phần mềm SPSS mà sẽ đƣợc sử dụng để phục vụ cho việc phân tích định lƣợng sau này.
CHƢƠNG 3
PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU