Các dữ liệu sau khi thu thập sẽ được tổng hợp và xử lý theo trình tự như sau:
a. Làm sạch và mã hóa dữ liệu
Trong các bản câu hỏi thu được, tìm bản không hợp lệ do chưa hoàn tất hoặc trả lời bằng cách chọn một câu trả lời duy nhất cho tất cả các câu hỏi. Những bản không hợp lệ này đã bị loại bỏ. Sau khi tiến hành kiểm tra, sàng lọc phiếu không hợp lệ. Do đó số lượng mẫu đưa vào phân tích bằng số lượng phiếu hợp lệ. Số lượng mẫu dùng trong nghiên cứu phải lớn hơn số lượng mẫu cần thiết là 135 mẫu để đảm bảo cho tính đại diện của mẫu trong việc thực hiện nghiên cứu. Mã hóa dữ liệu là quá trình liên quan đến việc nhận diện và phân loại mỗi câu trả lời trên một ký hiệu bằng số hoặc bằng chữ. Việc mã hóa dữ liệu là điều cần thiết cho việc chạy SPSS, giúp cho việc đọc kết quả dễ dàng hơn. Đặt tên biến: các biến được đặt tên lại nhằm dễ dàng trong việc xử lý dữ liệu.
b. Mô tả mẫu nghiên cứu
Lập bảng tần sốđể mô tả mẫu thu được theo các yếu tố: Đặc điểm nhân khẩu học: giới tính, nhóm tuổi, trình độ học vấn, thu nhập, nghề nghiệp.
c. Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế rủi ro trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach’s alpha. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Những biến có hệ số Cronbach’s alpha từ 0,6 trở lên là có thể sử dụng được.
d. Phân tích nhân tố khám phá (EFA)
Phân tích nhân tốđược sử dụng để kiểm định giá trị khái niệm của thang đo. Phương pháp phân tích nhân tố là một kỹ thuật để giảm bớt dữ liệu, giúp “rút trích” từ các biến quan sát thành 1 hay một số biến tổng hợp (gọi là nhân tố hay thành phần). Phương pháp này nhằm giảm số mục hỏi xuống một tập hợp nhỏ hơn, còn 3, 4 hay 5 nhân tố. Mỗi mục hỏi được tính một tỷ số, được gọi là hệ số tải nhân tố (Factor loading). Hệ số này cho biết mỗi mục hỏi “thuộc về” những nhân tố chủ yếu nào. Để có thể áp dụng được phân tích nhân tố thì các biến phải có liên hệ với nhau. Dựa trên ma trận tương quan (Correlation Matrix) của các biến để xác định phương pháp nhân tố có phù hợp hay không.
Các nhân tốđược rút trích ra phải đảm bảo các điều kiện sau:
- Trong phân tích nhân tố khám phá, trị số KMO (Kaiser - Meyer - Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 thì phân tích này mới thích hợp, nếu nhỏ hơn 0,5 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 lượng các nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình. Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue bé hơn 1 sẽ không
có giá trị tóm tắt thông tin tốt hơn một biến gốc, vì sau chuẩn hóa mỗi biến gốc có phương sai là 1.
- Một phần quan trọng trong kết quả phân tích nhân tố là ma trận nhân tố khi các nhân tố được xoay. Hệ số tải nhân tố (Factor loading) thể hiện tương quan giữa các biến và các nhân tố. Nghiên cứu sử dụng phương pháp trích nhân tố (principal components) nên các hệ số tải nhân tố phải có trọng số lớn hơn 0,5 thì mới đạt yêu cầu.
- Tổng phương sai trích phải lớn hơn 50% (Gerbing và Anderson, 1998). - Kiểm định Bartlett phải có ý nghĩa thống kê với mức ý nghĩa 5%.
e. Ước lượng mô hình hồi quy
Phân tích hồi quy nhằm xác định mối quan hệ nhân quả giữa biến phụ thuộc (sự hài lòng) và các biến giải thích là các nhân tố được tính ở trên. Mô hình phân tích hồi quy sẽ mô tả hình thức các mối liên hệ và qua đó giúp tác giả dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập.
Kiểm định mô hình thông qua kiểm định đa cộng tuyến: Sau khi phân tích hồi quy cần kiểm định đa cộng tuyến. Đa cộng tuyến là hiện tượng tồn tại mối quan hệ ở mức độ cao giữa các biến độc lập. Khi các biến độc lập xuất hiện đa cộng tuyến thì có sự chồng chéo hay phân chia khả năng dự báo, điều này có thể dẫn đến kết quả nghịch lý là tuy mô hình hồi quy thích hợp với dữ liệu nhưng không có biến dự báo nào có sự ảnh hưởng đáng kể trong việc dự báo biến phụ thuộc. Hiệu ứng khác của sự tương quan khá chặt giữa các biến độc lập là nó làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm trị thống kê t của kiểm định ý nghĩa của chúng nên các hệ số có khuynh hướng kém ý nghĩa hơn khi không có đa cộng tuyến trong khi hệ số xác định R square vẫn khá cao. Trong quá trình phân tích hồi quy bội, đa cộng tuyến được SPSS chuẩn đoán bằng tiêu chí Collinearity diagnostics (chuẩn đoán
hiện tượng đa cộng tuyến) với hệ số phóng đại phương sai VIF (Variance inflation factor) của các biến độc lập trong mô hình. Nếu VIF đều nhỏ hơn 10 tức là mô hình không có đa cộng tuyến.
Kiểm định mô hình thông qua kiểm định Durbin – Watson: Tự tương quan được hiểu là sự tương quan giữa các thành phần của dãy số thời gian hoặc không gian. Tuy nhiên trong thực tế có thể xảy ra hiện tượng mà thành phần nhiễu của các biến có thể phụ thuộc lẫn nhau. Hậu quả của tự tương quan có thể kể đến như là các ước lượng bình quân bé nhất không phải là ước lượng hiệu quả, phương sai ước lượng được của các ước lượng bình phương bé nhất thường là chệch, kiểm định t và f không đáng tin cậy, giá trị ước lượng R2 có thể không tin cậy khi dùng để thay thế cho giá trị thật của R2, phương sai và độ lệch chuẩn của giá trị dựđoán đã tính được không hiệu quả.
f. Kiểm định mô hình thông qua phân tích phương sai một yếu tố One way Anova
Sau cùng sử dụng phân tích phương sai một yếu tố (One way Anova) để kiểm định có sự khác biệt hay không về mức độ hài lòng của khách hàng theo đặc điểm giới tính, độ tuổi, trình độ học vấn, nghề nghiệp, thu nhập. P value phải nhỏ hơn 0,05 thì mới có sự khác biệt này.
KẾT LUẬN CHƯƠNG 2
Dựa trên nền tảng cơ sở lý luận và mô hình đo lường chất lường dịch vụ trong lĩnh vực ngân hàng đã trình bày ở chương 1, trong chương 2 tác giả đã trình bày quá trình nghiên cứu của đề tài thông qua hai bước chính là nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu định tính nhằm sàng lọc các biến đưa vào mô hình nghiên cứu thông qua thảo luận và phỏng vấn. Thông qua quá trình nghiên cứu này giúp tác giả xây dựng được mô hình nghiên cứu sự hài lòng của khách hàng đối với dịch vụ thẻ gồm 6 nhân tố độc lập, 1 nhân tố phụ thuộc với 27 biến quan sát. Nghiên cứu định lượng nhằm kiểm định lại thang đo trong mô hình nghiên cứu thông qua việc phân tích các dữ liệu thu thập được từ phiếu điều tra gửi cho khách hàng. Tác giả cũng đã trình bày chi tiết việc thiết kế bảng câu hỏi, kế hoạch lấy mẫu, phương pháp triển khai điều tra, tổng hợp và xử lý số liệu.
CHƯƠNG 3
KẾT QUẢ NGHÊN CỨU SỰ HÀI LÒNG CỦA
KHÁCH HÀNG ĐỐI VỚI DỊCH VỤ THẺ VÀ CÁC HÀM Ý CHÍNH SÁCH NHẰM NÂNG CAO SỰ HÀI LÒNG CỦA KHÁCH HÀNG ĐỐI VỚI DỊCH VỤ THẺ TẠI EXIMBANK
– CHI NHÁNH ĐÀ NẴNG