6. Tổng quan tài liệu nghiên cứu
2.7.3.Kỹ thuật phân tích dữ liệu
2.7. NGHIÊN CỨU CHÍNH THỨC
2.7.3.Kỹ thuật phân tích dữ liệu
a. Phân tích thống kê mơ tả
Trong bƣớc đầu tiên, tác giả sử dụng phân tích mơ tả có đƣợc những thơng số mơ tả cho tất cả các biến đƣợc nhập vào dữ liệu thông qua bảng phân phối tần suất. Bảng phân phối tần suất đƣợc thể hiện với tất cả các biến định
tính (rời rạc) với các cấp độ thang đo biểu danh, thứ tự và các biến định lƣợng (liên tục) với thang đo khoảng cách hoặc tỷ lệ.
b. Phân tích nhân tố khám phá EFA
Phân tích nhân tố là một phƣơng pháp thống kê đƣợc sử dụng để phân tích mối liên hệ tác động qua lại giữa một số lƣợng lớn các biến giải thích các biến này dƣới dạng các nhân tố ẩn.
Phân tích nhân tố bằng các thành phần chính cho phép rút gọn nhiều biến số ít nhiều có tƣơng quan lẫn nhau thành những đại lƣợng đƣợc thể hiện dƣới dạng mối tƣơng quan theo đƣờng thẳng đƣợc gọi là những nhân tố.
* Nguyên tắc cơ bản trong phân tích nhân tố:
Về mặt tốn học, mơ hình phân tích nhân tố giống nhƣ phƣơng trình hồi quy nhiều chiều mà trong đó mỗi biến đặc trƣng cho mỗi nhân tố. Những nhân tố này không đƣợc quan sát một cách riêng lẻ trong mơ hình. Nếu các biến đƣợc chuẩn hóa mơ hình nhân tố có dạng nhƣ sau:
Xi = Ai1F1 + Ai2F2 + … + AijFj + ViUi
Trong đó:
Xi : Biến đƣợc chuẩn hóa thứ i.
Aij : Hệ số hồi qui bội của biến đƣợc chuẩn hóa i trên nhân tố chung j. F : Nhân tố chung.
Vi : Hệ số hồi qui của biến chuẩn hóa i trên nhân tố dị biệt i. Ui : Nhân tố dị biệt của biến i.
J : Số nhân tố chung.
Mỗi nhân tố duy nhất tƣơng quan với mỗi nhân tố khác và với các nhân tố chung. Các nhân tố chung có sự kết hợp tuyến tính của các biến đƣợc quan sát.
Mơ hình phân tích nhân tố đƣợc thể hiện bằng phƣơng trình: Fi = Wi1 x 1 + Wi2 x 2 + … + Wik x k
Trong đó:
Fi : Ƣớc lƣợng nhân tố thứ i.
Wik : Trọng số nhân tố của biến số thứ k đến nhân tố i. k : Số biến (Items)
Trong phân tích này có thể chọn trọng số hay hệ số điểm nhân tố để nhân tố thứ nhất có trọng số lớn nhất trong phƣơng sai. Các nhân tố có thể đƣợc ƣớc lƣợng điểm nhân tố của nó. Theo ƣớc lƣợng này nhân tố thứ nhất có điểm nhân tố cao nhất, nhân tố thứ hai có điểm nhân tố cao thứ hai…
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 của KMO lớn giữa 0,5 và 1 có ý nghĩa là phân tích nhân tố thích hợp, cịn nếu giá trị này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu.
Ngồi ra, phân tích nhân tố còn dựa vào eigenvalue để xác định số lƣợng nhân tố. Chỉ những nhân tố eigenvalue lớn hơn 1 thì mới giữ lại trong mơ hình. Đại lƣợng eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt nhất hơn một biến gốc.
Một phần quan trọng trong bản phân tích nhân tố là ma trận nhân tố hay ma trận nhân tố khi các nhân tố đƣợc xoay (factor matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố.
Hệ số tải nhân tố (factor loandings) biểu diễn tƣơng quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và các biến có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phƣơng pháp phân tích nhân tố phải có hệ số tải nhân tố có trọng số lớn hơn 0,5 thì mới đạt yêu cầu.
Correlation matrix: Cho biết hệ số tƣơng quan giữa tất cả các cặp biến trong phân tích.
Communality: Là lƣợng biến thiên của một biến đƣợc giải thích chung với các biến khác đƣợc xem xét trong phân tích. Đây cũng là phần biến thiên đƣợc giải thích bởi các nhân tố chung.
Percentage of variance: Phần trăm phƣơng sai tồn bộ đƣợc giải thích bởi từng nhân tố. Nghĩa là coi biến thiên là 100 % thì giá trị này cho biết phân tích nhân tố cơ đọng đƣợc bao nhiêu % và bị thất thoát bao nhiêu phần trăm.
c. Kiểm tra độ tin cậy của thang đo (Cronbach’s Alpha)
Phƣơng pháp này cho phép ngƣời phân tích loại bỏ các biến khơng phù hợp và hạn chế các biến rải rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thơng qua hệ số Cronbach’s Alpha. Những biến có hệ số tƣơng quan biến tổng 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 đƣợc trong trƣờng hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Sater, 1995). Thơng thƣờng, thang đo có Cronbach’s Alpha từ 0,7 đến 0,8 là sử dụng đƣợc. Nhiều nhà nghiên cứu cho rằng khi thang đo nghiên cứu có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo tốt nhất.
d. Phân tích hồi quy bội
Cuối cùng, tác giả tiến hành kiểm định mối quan hệ giữa gắn kết sản phẩm ơ tơ với lịng trung thành thƣơng hiệu thơng qua phân tích hồi quy với mơ hình: (adsbygoogle = window.adsbygoogle || []).push({});
Yi = β0 + β1χ1i + β2χ2i +…+ βpχpi + εi Trong đó:
Yi : Biến độc lập.
χpi : Giá trị của biến độc lập thứ p tại quan sát thứ i.
βp : Hệ số hồi quy riêng phần. Đo lƣờng sự thay đổi trong giá trị trung bình Y khi χi thay đổi một đơn vị. Nói cách khác, nó cho biết ảnh hƣởng thuần của các thay đổi một đơn vị trong χi đối với giá trị trung bình của biến phụ thuộc Y khi loại trừ ảnh hƣởng của các biến độc lập khác.
εi : Biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và
phƣơng sai không đổi σ2
.
Để kiểm định sự phù hợp của mơ hình tuyến tính hồi quy bội, tác giả sử dụng hàm hồi quy tuyến tính bội với phƣơng pháp chọn từng bƣớc (Stepwise) với tiêu chuẩn vào PIN là 0,05 và tiêu chuẩn ra POUT là 0,1 (tiêu chuẩn mặc định của SPSS). Nhƣ vậy các nhân tố thành phần là biến độc lập (Independents) và sự hài lòng của khách hàng là biến phụ thuộc (Dependents). Kết quả nhận đƣợc căn cứ vào mức ý nghĩa Sig. và hệ số xác định R2
(hay R2 hiệu chỉnh) để chứng tỏ mơ hình có phù hợp hay khơng.
Sau khi rút trích đƣợc các nhân tố khám phá EFA, dị tìm các vi phạm
giả định cần thiết mơ hình hồi quy tuyến tính bội nhƣ kiểm tra phần dƣ chuẩn hóa, kiểm tra hệ số phóng đại phƣơng sai VIF. Nếu các giả định không vi phạm, mơ hình hồi quy tuyến tính đƣợc xây dựng và hệ số R2 đã đƣợc điều chỉnh cho biết mơ hình hồi quy đã đƣợc xây dựng phù hợp đến mức nào.
e. Phân tích ANOVA
Mục tiêu của phân tích phƣơng sai là so sánh trung bình của nhiều tổng thể dựa trên các trung bình mẫu và thơng qua kiểm định giả thuyết để kết luận.
Trong nghiên cứu này, ANOVA đƣợc sử dụng để xác định ảnh hƣởng của các biến định tính nhƣ: giới tính, độ tuổi, nghề nghiệp, thu nhập để kiểm định xem có sự khác biệt hay không sự gắn kết của khách hàng theo từng nhóm biến khác nhau đánh giá mối quan hệ giữa gắn kết và lòng trung thành thƣơng hiệu.
KẾT LUẬN CHƢƠNG 2
Chƣơng 2 mở đầu với phần giới thiệu chung về thƣơng hiệu Toyota. Trên cơ sở lý thuyết đã nghiên cứu ở chƣơng 1 và các nghiên cứu đi trƣớc, tác giả đề xuất mơ hình nghiên cứu và các giả thuyết nghiên cứu. Sau đó tác giả thực hiện tiền kiểm định thang đo để kiểm tra thang đo có phù hợp hay khơng.
Tiếp theo tác giả thực hiện phần thiết kế bản câu hỏi. Phƣơng pháp nghiên cứu chính thức với kích thƣớc mẫu 300 nhằm thỏa mãn yêu cầu của kỹ thuật phân tích sử dụng trong đề tài: Phân tích nhân tố và phân tích hồi quy. Đối tƣợng khảo sát của đề tài là các khách hàng đã từng hoặc đang sở hữu/ sử dụng xe ô tô Toyota tại thành phố Đà Nẵng. Tác giả sử dụng thang đo Hồ sơ gắn kết ngƣời tiêu dùng (CIP) của Laurent và Kapferer (1985) gồm 16 biến và thang đo lòng trung thành thƣơng hiệu của Jacoby và Kyner (1973) gồm 16 biến. Tất cả đều đƣợc đo bằng thang Likert 5 điểm (1. Hồn tồn khơng đồng ý - 5. Hoàn toàn đồng ý).