7. Tổng quan về tài liệu nghiên cứu
3.6.2. Xử lý và phân tích dữ liệu
a. Phương pháp xử lý số liệu
Dữ liệu sau khi được thu thập sẽ được làm sạch, mã hóa các thông tin cần thiết trong bảng trả lời, nhập liệu và phân tích dữ liệu bằng phần mềm SPSS 20.0
b. Phân tích mô tả
Phân tích mô tả để phân tích các thuộc tính về mẫu nghiên cứu. Các chỉ tiêu thống kê được quan tâm là trị số trung bình, mode, độ lệch chuẩn. Ba thông số này cho phép mô tả đánh giá chung của đối tượng nghiên cứu được đề cập trong phiếu điều tra.
c. Phân tích nhân tố khám phá EFA ( exploratory factor analysis)
Phương pháp phân tích nhân tố khám phá (EFA) là kỹ thuật được sử dụng để xác định giá trị hội tụ và giá trị phân biệt của thang đo, đồng thời thu nhỏ và tóm tắt dữ liệu, giúp chúng ta rút trích từ các biến quan sát thành một hay một số biến tổng hợp có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Khi phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
Thứ nhất, trị số KMO>= 0.5 và mức ý nghĩa của kiểm định Bartlett căn cứ trên giá trị Sig=< 0.05.
Kiểm định Bartlett là đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét.
KMO 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) thì phân tích nhân tố là thích hợp, còn nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Thứ hai, đại lượng Eigenvalue >1
Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố. Chỉ cónhững nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. 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 hóa mỗi biến gốc có phương sai là 1.
Thứ ba, tổng phương sai trích >=50%
Tổng phương sai trích (Variance Explained Criteria) là phần trăm phương sai toàn bộ được giải thích bởi từng nhân tố. Tổng phương sai trích tối thiểu phải bằng 50% thì phân tích nhân tố được xem là phù hợp.
Thứ tư, hệ số tải nhân tố (Factor loading) >= 0.5. Nếu biến quan sát nào có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại.
Hệ số tải nhân tố là chỉ tiêu cho thấy mối quan hệ chặt chẽ giữa biến quan sát và nhân tố. Factor loading phải >=0.3 nếu kích thước mẫu >=300, Factor loading >=0.4 nếu kích thước mẫu 200 và Factor loading >=0.5 nếu kích thước mẫu 100.
Thứ năm, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố >=0.3 để đảm bảo giá trị phân biệt giữa các nhân tố.
Đối với các biến quan sát đo lường 6 khái niệm thành phần và khái niệm ý định sử dụng thẻ TDQT TPBank đều là các thang đo đơn hướng nên sử dụng phương pháp trích nhân tố Principal Components với phép quay Varimax và điểm dừng khi trích các yếu tố có EigenValues > 1 và hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5 thì mới đạt yêu cầu.
d. Đánh giá độ tin cậy thang đo - Phân tích Cronbach’s Alpha
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Hệ số Cronbach’s Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao, và chỉ cho biết các biến đo lường có liên kết với nhau hay không nhưng không cho biết biến nào cần loại bỏ đi và biến nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan biến – tổng sẽ giúp loại ra những biến quan sát không đóng góp nhiều cho sự mô tả các khái niệm cần đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Một tập hợp các biến quan sát được đánh giá tốt khi hệ số Cronbach Alpha lớn hơn hoặc bằng 0.8, Cronbach’s Alpha càng lớn thì độ tin cậy nhất
quán nội tại càng cao (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007), hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được (Peterson, 1994).
Hệ số tương quan biến – tổng (Item – to – total correlation) là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Do đó, hệ số này càng cao thì sự tương quan giữa biến với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein (1994), các biến có hệ số tương quan biến – tổng nhỏ hơn 0.3 sẽ bị coi là biến rác và sẽ loại ra khỏi mô hình do có tương quan kém với các biến khác trong mô hình.
Trong nghiên cứu này, tác giả giữ lại các thang đo có hệ số Cronbach’s Alpha >= 0.7 và loại các biến quan sát có hệ số tương quan biến tổng < 0.3.
e. Phân tích hồi quy đa biến
- Phân tích tương quan
Các thang đo được đánh giá đạt yêu cầu được đưa vào phân tích tương quan Pearson và phân tích hồi quy để kiểm định các giả thuyết. Phân tích tương quan Pearson được thực hiện giữa biến phụ thuộc và các biến độc lập nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Giá trị tuyệt đối của Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ. Đồng thời cũng cần phân tích tương quan giữa các biến độc lập với nhau nhằm phát hiện những mối tương quan chặt chẽ giữa các biến độc lập. Vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả của phân tích hồi quy như gây ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
- Phân tích hồi quy đa biến
Sau khi kết luận hai biến có mối quan hệ tuyến tính với nhau thì có thể mô hình hóa mối quan hệ nhân quả này bằng hồi quy tuyến tính (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Nghiên cứu thực hiện hồi quy đa
biến theo phương pháp Enter: tất cả các biến được đưa vào một lần và xem xét các kết quả thông kê liên quan. Kiểm định các giả thuyết, sử dụng với phần mềm SPSS:
+ Đánh giá độ phù hợp của mô hình hồi quy đa biến + Kiểm định giả thuyết về độ phù hợp của mô hình
Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các biến độc lập) thông qua giá trị của độ chấp nhận (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance inflation factor): VIF > 10 thì có thể nhận xét có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005)
Xác định mức độ ảnh hưởng của: yếu tố có hệ số beta càng lớn thì có thể nhận xét rằng yếu tố đó có mức độ ảnh hưởng cao hơn các yếu tố khác trong mô hình nghiên cứu.
f. Phân tích ANOVA
Việc phân tích ANOVA nhằm xác định ảnh hưởng của các biến định tính như: Giới tính, thu nhập, độ tuổi của đối tượng phỏng vấn với ý định sử dụng thẻ TDQT TPBank. Phương pháp sử dụng là phương pháp phân tích phương sai một yếu tố.
Mục đích của phân tích là nhằm tìm xem có sự khác nhau đáng kể (có ý nghĩa thống kê) hay không về các nhân tố ảnh hưởng đến ý định sử dụng thẻ TDQT giữa các nhóm khách hàng khác nhau. Giá trị Sig của kiểm định F trong phân tích phương sai ANOVA, giá trị này nhỏ hơn 0.05 thì có thể kết luận tồn tại mối quan hệ giữa biến phụ thuộc và biến độc lập. Một số giả định khi phân tích ANOVA:
Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên.
Các nhóm so sánh phải có phân phối chuẩn hoặc kích cỡ mẫu phải đủ
lớn để được xem như tiệm cận phân phối chuẩn.
TÓM TẮT CHƯƠNG 3
Chương 3 trình bày chi tiết về mô hình nghiên cứu đề xuất và phương pháp thực hiện nghiên cứu. Dựa vào các lý thuyết cơ sở và các nghiên cứu trước, tác giả đề xuất mô hình các yếu tố ảnh hưởng đến ý định sử thẻ TDQT TPBank của khách hàng . Mô hình 6 nhóm nhân tố tác động đến ý định sử dụng thẻ: thái độ đối với hành vi sử dụng thẻ, chuẩn chủ quan, nhận thức về kiểm soát hành vi sử dụng thẻ, chi phí sử dụng thẻ, khả năng đáp ứng hệ thống của ngân hàng, chính sách marketing của ngân hàng. Quá trình nghiên cứu được thực hiện qua hai bước chính là nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ sử dụng phương pháp định tính thông qua kỹ thuật thảo luận tay đôi giữa người nghiên cứu và đối tượng tham gia nghiên cứu. Nghiên cứu chính thức được thực hiện bằng phương pháp định lượng thông qua phỏng vấn bằng bảng câu hỏi.
CHƯƠNG 4
KẾT QUẢ NGHIÊN CỨU 4.1. MÔ TẢ MẪU
4.1.1. Phương pháp thu thập dữ liệu và tỷ lệ hồi đáp
Mẫu được chọn theo phương pháp lấy mẫu thuận tiện. Phương pháp thu thập dữ liệu là gởi bảng câu hỏi trực tiếp và trực tuyến đến đối tượng nghiên cứu. Kích thước mẫu là 280.
Dữ liệu được thu thập trong khoảng thời gian 2 tháng bắt đầu từ đầu tháng 4/2015 đến đầu tháng 6/2015. Trong khoảng thời gian này, tác giả đã gởi 350 phiếu thu thập thông tin đi phỏng vấn, kết quả thu hồi là 303 bảng, trong đó có 280 bảng hợp lệ được dùng để đưa vào phân tích.
4.1.2. Mô tả thông tin mẫu
Thông tin cụ thể về mẫu được trình bày theo bảng dưới đây:
Bảng 4.1 : Bảng thống kê mô tả thông tin về đáp viên
Các thông tin nhận biết Số lượng Tỷ trọng(%)
Giới tính Nam Nữ 118 42.1
162 57.9
Hôn nhân Chưa kết hôn 93 33.2
Đã kết hôn 187 66.8 Độ tuổi Dưới 25 tuổi 39 13.9 Từ 25- 35 tuổi 124 44.3 Trên 35 -55 tuổi 86 30.7 Trên 55 tuổi 31 11.1 Nghề nghiệp Lãnh đạo, quản lý 79 28.2 Nhân viên 98 35.0
Buôn bán, kinh doanh tự do 63 22.5
Khác 40 14.3 Thu nhập Dưới 5 triệu 53 18.9 Từ 5 – 10 triệu 92 32.9 Từ 10 – 15 triệu 77 27.5 Trên 15 -20 triệu 41 14.6 Trên 20 triệu 17 6.1
Thống kê mô tả chỉ ra rằng tỷ lệ giữa nam giới và nữ giới tham gia khảo sát là tương đối đồng đều, mặc dù số người được khảo sát là nam giới cao hơn nữ giới nhưng chênh lệch không đáng kể. Tỷ lệ nam giới chiếm 42,1% trong khi nữ giới chiếm 57,9%.
Số người khảo sát đã lập gia đình chiếm tỷ trọng 66.8%, lớn hơn nhiều cho với những người chưa kết hôn.
Nghề nghiệp là của các đối tượng nghiên cứu có sự phân bố đồng đều, trong đó số tham gia khảo sát chủ yếu là làm nhân viên của các công ty chiếm 35% và làm Lãnh đạo, quản lý chiếm 28.2%.
Yếu tố độ tuổi là yếu tố có sự phân bố không đồng đều nhất, số tham gia khảo sát tập trung vào 2 nhóm đó là nhóm từ 25 đến 35 tuổi và nhóm từ 35 đến 55 tuổi chiếm đến hơn 70%, chiếm lần lượt là 43.3% và 30%.
Về thu nhập của người được khảo sát, nhóm thu nhập từ 5 đến 10 triệu chiếm tỷ lệ lớn nhất là 32.9%, hai nhóm thu nhập trên 10 đến 15 triệu đồng và trên 6 đến 8 triệu có tỷ lệ xấp xỉ nhau khoảng 22.7%, nhóm thu nhập trên 20 triệu chỉ chiếm 6.1 % thấp nhất trong các nhóm.
4.2. KIỂM ĐỊNH VÀ ĐÁNH GIÁ THANG ĐO 4.2.1. Phân tích nhân tố khám phá EFA 4.2.1. Phân tích nhân tố khám phá EFA a. Phân tích nhân tố cho các biến độc lập
- Kết quả EFA lần 1:
Chỉ số KMO = 0. 872, Sig. = 0.000, chứng tỏ dữ liệu phù hợp với phân tích EFA. 27 biến quan sát được trích rút thành 6 nhân tố tại Eigenvalues > 1 và tổng phương sai trích đạt 62.951% (Phụ lục 4.1.1) . Tuy nhiên, hai biến quan sát là TD3: “Sử dụng thẻ TDQT TPBank giúp nâng cao được giá trị của bản thân” và biến CP1: “ Chi phí sử dụng thẻ TDQT TPBank thấp hơn so với lợi ích tôi nhân được”, có hệ số tải nhân tố < 0.5, không đáp ứng tiêu chuẩn
hệ số tải nhân tố Factor loading. Do đó, tác giả quyết đinh loại bỏ biến TD3 và CP1 ra khỏi mô hình và thực hiện EFA lần 2.
- Kết quả EFA lần 2:
Kết quả EFA lần 2, chỉ số KMO = 0. 867, Sig. = 0.000, chứng tỏ dữ liệu phù hợp với phân tích EFA. 25 biến quan sát được trích rút thành 6 nhân tố tại Eigenvalues >1 và tổng phương sai trích đạt 65.770 (Phục lục 4.1.2). Biến quan sát CS5: “TPBank có đội ngũ nhân viên tư vấn và làm thủ tục phát hành thẻ TDQT chuyên nghiệp và tận tình” không đáp ứng tiêu chuẩn hệ số tải nhân tố Factor loading vì có hệ số tải nhân tố <0, 5. Do đó, tác giả quyết định loại bỏ biến quan sát CS5 ra khỏi mô hình và tiến hành thực hiện EFA lần 3.
- Kết quả EFA lần 3
Kết quả EFA lần 3, chỉ số KMO = 0.862, Sig. = 0.000, chứng tỏ dữ liệu phù hợp với phân tích EFA, 24 biến quan sát được trích rút thành 6 nhân tố tại Eigenvalues >1 và tổng phương sai trích đạt 66.622 %> 50% và các biến quan sát đều có hệ số Factor loading > 0.5, và mỗi biến quan sát đều đảm bảo được hệ số tải nhân tố > 0.5 (Phụ lục 4.1.3). Kết quả phân tích nhân tố khám phá lần 3, cho thấy các nhân tố trong mô hình nghiên cứu đều đạt giá trị hội tụ và giá trị phân biệt chấp nhận được.
Bảng 4.2: Kết quả phân tích EFA sau khi loại biến (lần 3)
Biến quan sát Nhân tố 1 2 3 4 5 6 HT1 0.764 HT2 0.761 HT3 0.733 HT4 0.766 CCQ1 0.822
CCQ2 0.729 CPQ3 0.825 CCQ4 0.795 TD1 0.866 TD2 0.803 TD4 0.871 TD5 0.624 NT1 0.73 NT2 0.753 NT3 0.664 NT4 0.657 CS1 0.757 CS2 0.745 CS3 0.753 CS4 0.532 CP2 0.597 CP3 0.814 CP4 0.729 Eigenvalues 7.458 2.633 1.757 1.743 1.273 1.125 Phương sai trích (%) 31.075 10.971 7.322 7.264 5.302 4.687 Sig. 0.00 KMO 0.862
Từ bảng phân tích nhân tố trên ta thấy các biến quan sát đưa vào EFA được phân tích thành 6 nhân tố và có 24 biến quan sát (sau khi loại bỏ 3 biến
b.Phân tích nhân tố cho các biến phụ thuộc
Tiếp tục thực hiện phân tích nhân tố khám phá EFA cho biến phụ thuộc gồm các biến quan sát YD1, YD2, YD3 bằng phương pháp rút trích Pincipal conponents và phép xoay Varimax. Kết quả phân tích trình bày ở bảng 4.3.
Bảng 4.3: Kết quả phân tích nhân tố cho biến phụ thuộc:
Biến quan sát Ý định sử dụng YD1 .768 YD2 .650 YD3 .843 Eigenvalues 1.723 Phương sai trích (%) 77.441 Sig. 0,000 KMO 0.585
Kiểm định Barlett: Sig = 0,000 < 5%: các biến quan sát trong phân tích EFA là có tương quan nhau trong tổng thể.
Trị số KMO= 0.585> 0.5: phân tích nhân tố là thích hợp cho dữ liệu phân tích.
-Giá trị Eigenvalues của nhân tố > 1: đạt yêu cầu. Phân tích nhân tố đã
rút trích được 1 nhân tố với phương sai trích là 77,889% > 50% : đạt yêu cầu. - Các biến quan sát có hệ số tải > 0,5: đạt yêu cầu
- Giá trị tổng phương sai trích = 77.441% (> 50%): phân tích nhân tố EFA đạt yêu cầu. Có thể nói rằng nhân tố được trích này giải thích 77.441% biến thiên của dữ liệu.
Kết quả phân tích nhân tố cho thấy các biến độc lập và biến phụ thuộc trong mô hình nghiên cứu đều đạt giá trị hội tụ và giá trị phân biệt chấp nhận được. Phân tích EFA là thích hợp với dữ liệu nghiên cứu. Có 7 nhân tố được trích rút ra từ kết quả phân tích gồm 27 biến quan sát.
4.2.2. Phân tích Cronbach’s Alpha
Kết quả phân tích Cronbach’s Alpha cho các biến quan sát được mô tả