7. Tổng quan tài liệu nghiên cứu
3.3.1. Phân tích nhân tố khám phá cho các biến độc lập
Phân tích các nhân tố gồm một nhóm các thủ tục đƣợc sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Đây là một kỹ thuật phụ thuộc lẫn nhau
(Interdependence technique) trong đó toàn bộ các mối liên hệ phụ thuộc lẫn nhau sẽ đƣợc nghiên cứu.
Phân tích nhân tố đƣợc sử dụng để:
- Nhận diện các khía cạnh hay nhân tố giải thích đƣợc các mối liên hệ tƣơng quan trong một tập hợp biến.
- Nhận diện một tập hợp gồm một số lƣợng biến mới tƣơng đối ít có tƣơng quan với nhau để thay thế tập hợp biến gốc có tƣơng quan với nhau để thực hiện một phân tích đa biến tiếp theo sau.
Phân tích nhân tố sẽ đƣợc sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm. Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thông qua trị thống kê Kaiser-Meyer-Olkin (KMO). Theo đó, trị số của KMO phải đủ lớn (giữa 0.5 và 1) nghĩa là phân tích nhân tố thích hợp
(Garson, 2003), nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Barlett’s test of sphericity đƣợc sử dụng để kiểm định giả thuyết Ho (các biến không có tƣơng quan với nhau trong tổng thể), nghĩa là ma trận tƣơng quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đƣờng chéo đều bằng 1, còn các giá trị nằm ngoài đƣờng chéo đều bằng 0. Đại lƣợng kiểm định này dựa trên sự biến đổi thành đại lƣợng chi-quare từ định thức của ma trận tƣơng quan. Đại lƣợng này có giá trị càng lớn thì càng có khả năng bác bỏ giả thuyết H0. Nếu giả thuyết Ho không thể bị bác bỏ thì có khả năng phân tích nhân tố không thích hợp.
Phƣơng pháp tích yếu nhân tố Principal Axis factoring với phép quay promax (oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp principle components với phép quay Varimax (orthogonal) (Gerbing & Anderson, 1998). Phƣơng pháp trích Principal Axis factoring sẽ cho ta kết quả số lƣợng nhân tố là ít nhất để giải thích phƣơng sai chung của tập hợp các biến quan sát trong sự tác động qua lại giữa chúng. Trong khi đó phƣơng pháp Principle components sẽ cho ta kết quả là một tập hợp các nhân tố giải thích cả phƣơng sai chung và đặc trƣng của các biến. Tuy nhiên, với các thang đo đơn hƣớng thì phép trích principle components đƣợc sử dụng (Vân Anh, 2008).
Phƣơng pháp trích Principle components Analysis với phép xoay varimax sẽ đƣợc thực hiện và điểm dừng khi trích các yếu tố có Eigenvalue lớn hơn 1. Số lƣợng nhân tố đƣợc xác định dựa trên chỉ số Eigenvalue đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. 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 chuyển hoá mỗi biến gốc có phƣơng sai là 1. Theo tiêu chuẩn Kaiser, những nhân tố có eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Garson, 2003) và tiêu
chuẩn phƣơng sai trích (Variance explained criteria) là tổng phƣơng sai trích phải lớn hơn 50%.
Để thang đo đạt giá trị hội tụ thì hệ số tƣơng quan đơn giữa các biến và các nhân tố (factor loading) phải lớn hơn hoặc bằng 0.5 trong một nhân tố (Jun và cộng sự, 2002). Để đạt độ giá trị phân biệt giữa các factor loading phải lớn hơn hoặc bằng 0.5 (Jabnoun và cộng sự, 2003).
Thực hiện phân tích nhân tố khám phá (EFA) cho các biến độc lập : CLCG, DVGT, CTG, STT và DVKH với phép xoay Promax và hệ số Kappa bằng 4.
Phân tích nhân tố lần 1
Bảng 3.9. Kết quả phân tích nhân tố lần 1 cho các biến độc lập
STT Biến quan sát Nhân tố
1 2 3 4 1 STT1 0,734 2 CLCG2 0,724 3 DVGT5 0,666 4 CLCG1 0,631 5 DVKH5 6 STT4 7 DVGT3 8 DVGT2 9 CTG2 0,828 10 STT3 0,732 11 CTG1 0,547 12 DVKH3 0,528 13 DVKH2 0,501 14 STT2
15 DVKH4 16 DVKH7 17 CTG5 0,767 18 CTG3 0,743 19 CTG4 0,648 20 DVKH6 0,522 21 STT5 22 DVKH1 23 DVGT1 0,869 24 CLCG5 0,793 25 DVGT4 0,555 26 CLCG4 0,503 27 CLCG3 Eigenvalues 12,142 1,286 1,167 1,111 Phƣơng sai trích (%) 44,970 4,764 4,324 4,114 Sig. 0,000 KMO 0,936
Kết quả phân tích EFA lần 1 cho các biến độc lập :
- Kiểm định Bartlett’s : Sig. = 0,000 <0,05 : Các biến quan sát trong phân tích nhân tố trên có tƣơng quan với nhau trong tổng thể.
- Hệ số KMO = 0,936>0.5 : Phân tích nhân tố thích hợp với dữ liệu nghiên cứu.
- Có 04 nhân tố đƣợc trích ra từ phân tích EFA.
- Hệ số Cumulative % =58,172% cho biết 04 nhân tố trên giải thích đƣợc 58,172% biến thiên của dữ liệu.
- Có 17 biến quan sát có hệ số tải nhân tố (Factor loading) > 0,5. Còn 10 biến DVKH5, STT4, DVGT3, DVGT2, STT2, DVKH4, DVKH7, STT5, DVKH1, CLCG3 có hệ số tải nhân tố nhỏ hơn 0,5 nên bị loại khỏi mô hình.
Phân tích nhân tố lần 2
Bảng 3.10. Kết quả phân tích nhân tố lần 2 cho các biến độc lập
STT Biến quan sát Nhân tố
1 2 3 1 CTG2 0,932 2 DVKH6 0,610 3 STT3 0,589 4 CTG3 0,582 5 CTG4 0,567 6 CTG1 0,562 7 CTG5 0,534 8 DVKH3 0,503 9 DVKH2 10 DVGT5 0,791 11 CLCG2 0,775 12 STT1 0,750 13 CLCG1 0,502 14 CLCG4 15 DVGT1 0,839 16 CLCG5 0,759 17 DVGT4 0,508 Eigenvalues 7,471 1,126 1,053 Phƣơng sai trích (%) 43,945 6,621 6,196 Sig. 0,000 KMO 0,914
Kết quả phân tích EFA lần 2 cho các biến độc lập :
- Kiểm định Bartlett’s : Sig. = 0,000 <0,05 : Các biến quan sát trong phân tích nhân tố trên có tƣơng quan với nhau trong tổng thể.
- Hệ số KMO = 0,914>0.5 : Phân tích nhân tố thích hợp với dữ liệu nghiên cứu. - Có 03 nhân tố đƣợc trích ra từ phân tích EFA.
- Hệ số Cumulative % =56,761% cho biết 03 nhân tố trên giải thích đƣợc 56,761% biến thiên của dữ liệu.
- Giá trị hệ số Eigenvalues của các nhân tố đều lớn hơn 1 : Đạt yêu cầu. - Có 15 biến quan sát có hệ số tải nhân tố (Factor loading) > 0,5. Còn 2 biến DVKH2, CLCG4 có hệ số tải nhân tố nhỏ hơn 0,5 nên bị loại khỏi mô hình.
Phân tích nhân tố lần 3
Bảng 3.11. Kết quả phân tích nhân tố lần 3 cho các biến độc lập
STT Biến quan sát Nhân tố
1 2 3 1 CTG2 0,818 2 CTG3 0,712 3 CTG4 0,708 4 CTG5 0,696 5 DVKH6 0,675 6 DVKH3 7 STT3 8 CLCG2 0,811 9 DVGT5 0,756 10 STT1 0,749 11 CLCG1 0,563 12 DVGT1 0,892 13 CLCG5 0,728 14 DVGT4 0,527 15 CTG1 Eigenvalues 6,618 1,082 1,043 Phƣơng sai trích (%) 44,122 7,211 6,951 Sig. 0,000 KMO 0,909
Kết quả phân tích EFA lần 3 cho các biến độc lập :
- Kiểm định Bartlett’s : Sig. = 0,000 <0,05 : Các biến quan sát trong phân tích nhân tố trên có tƣơng quan với nhau trong tổng thể.
- Hệ số KMO = 0,909>0.5 : Phân tích nhân tố thích hợp với dữ liệu nghiên cứu.
- Có 03 nhân tố đƣợc trích ra từ phân tích EFA.
- Hệ số Cumulative % =58,284% cho biết 03 nhân tố trên giải thích đƣợc 58,284% biến thiên của dữ liệu.
- Giá trị hệ số Eigenvalues của các nhân tố đều lớn hơn 1 : Đạt yêu cầu. - Có 12 biến quan sát có hệ số tải nhân tố (Factor loading) > 0,5. Còn 3 biến DVKH3, STT3, CTG1 có hệ số tải nhân tố nhỏ hơn 0,5 nên bị loại khỏi mô hình.
Phân tích nhân tố lần 4
Bảng 3.12. Kết quả phân tích nhân tố lần 4 cho các biến độc lập
STT Biến quan sát Nhân tố
1 2 3 1 CTG2 0,789 2 CTG3 0,779 3 CTG4 0,715 4 CTG5 0,712 5 DVKH6 0,614 6 CLCG2 0,849 7 STT1 0,799 8 DVGT5 0,708 9 CLCG1 0,642 10 DVGT1 0,818 11 CLCG5 0,806 12 DVGT4 0,548 Eigenvalues 5,379 1,077 1,009 Phƣơng sai trích (%) 44,827 8,971 8,408 Sig. 0,000 KMO 0,900
Kết quả phân tích EFA lần 4 cho các biến độc lập :
- Kiểm định Bartlett’s : Sig. = 0,000 <0,05 : Các biến quan sát trong phân tích nhân tố trên có tƣơng quan với nhau trong tổng thể.
- Hệ số KMO = 0,900>0.5 : Phân tích nhân tố thích hợp với dữ liệu nghiên cứu.
- Có 03 nhân tố đƣợc trích ra từ phân tích EFA.
- Hệ số Cumulative % =62,207% cho biết 03 nhân tố trên giải thích đƣợc 62,207% biến thiên của dữ liệu.
- Giá trị hệ số Eigenvalues của các nhân tố đều lớn hơn 1 : Đạt yêu cầu. - Tất cả các biến quan sát đều có hệ số tải nhân tố (Factor loading) > 0,5: Đạt yêu cầu.
3.3.2. Phân tích nhân tố khám phá cho biến phụ thuộc
Thực hiện phân tích EFA cho các biến phụ thuộc bằng phƣơng pháp Principal Components với phép xoay Varimax. Kết quả phân tích đƣợc trình bày ở bảng 3.13.
Bảng 3.13. Kết quả phân tích nhân tố cho các biến phụ thuộc
Biến quan sát Sự hài lòng
H1 0,929 H2 0,904 H3 0,877 Eigenvalues 2,450 Phƣơng sai trích (%) 81,666 Sig. 0,000 KMO 0,727
Kết quả phân tích EFA cho các biến phụ thuộc :
- Hệ số KMO = 0,727 >0,5 : Phân tích nhân tố thích hợp với dữ liệu nghiên cứu.
- Có 01 nhân tố đƣợc trích ra từ phân tích EFA. - Tổng phƣơng sai trích = 81,666% : Đạt yêu cầu.
- Giá trị hệ số Eigenvalues của nhân tố lớn hơn 1 : Đạt yêu cầu.
- Tất cả các biến quan sát đều có hệ số tải nhân tố (Factor loading) > 0,5 : Đạt yêu cầu.
Nhƣ vậy, thang đo “Sự hài lòng” đạt giá trị hội tụ.
Kết quả phân tích nhân tố cho thấy các biến trong mô hình nghiên cứu đều đạt giá trị hội tụ và giá trị phân biệt chấp nhận đƣợc. Phân tích EFA là thích hợp với dữ liệu nghiên cứu. Có 03 nhân tố đƣợc trích ra từ kết quả phân tích gồm 12 biến quan sát. Tất cả các biến quan sát trong từng nhân tố tƣơng ứng đều đạt yêu cầu và đƣợc sử dụng trong các bƣớc phân tích tiếp theo.
3.3.3. Hiệu chỉnh mô hình
Sau khi phân tích nhân tố EFA, các biến đo lƣờng sự hài lòng của khách hàng đối với dịch vụ thông tin di động Vinaphone trên địa bàn thành phố Đà Nẵng đƣợc phân biệt thành 3 thành phần gồm 12 biến quan sát cụ thể nhƣ sau:
- Chất lƣợng cuộc gọi : CLCG2, STT1, DVGT5, CLCG1. - Dịch vụ gia tăng: DVGT1, CLCG5, DVGT4.
- Cấu trúc giá: CTG2, CTG3, CTG4, CTG5, DVKH6.
Hình 3.1: Mô hình nghiên cứu hiệu chỉnh
Chất lƣợng cuộc gọi
Cấu trúc giá
Dịch vụ gia tăng Sự hài lòng
Mã hóa các biến độc lập và biến phụ thuộc nhƣ sau: Các biến độc lập:
-Biến “Chất lƣợng cuộc gọi” (CLCG) là trung bình của 4 biến quan sát CLCG2, STT1, DVGT5, CLCG1.
CLCG= (CLCG2 + STT1 + DVGT5 + CLCG1)/4
- Biến “Dịch vụ gia tăng” (DVGT) là trung bình của 3 biến quan sát DVGT1, CLCG5, DVGT4.
DVGT= (DVGT1 + CLCG5 + DVGT4)/3
- Biến “Cấu trúc giá” (CTG) là trung bình của 5 biến quan sát CTG2, CTG3, CTG4, CTG5, DVKH6.
CTG= (CTG2 + CTG3 + CTG4 + CTG5 + DVKH6)/5
Biến phụ thuộc: biến “Sự hài lòng của khách hàng”(HL) là trung bình của 3 biến quan sát HL1, HL2, HL3.
HL= (HL1+ HL2 + HL3)/3
Dựa vào mô hình nghiên cứu hiệu chỉnh, mối quan hệ giữa các biến phụ thuộc và biến độc lập đƣợc thiết lập nhƣ sau: HL=f(CLCG, DVGT, CTG)
Các giả thuyết của mô hình điều chỉnh:
-Giả thuyết H1 : Chất lượng cuộc gọi tăng (giảm) thì sự hài lòng của khách hàng cũng tăng (giảm) theo. Hay nói cách khác, chất lượng cuộc gọi tương quan đồng biến lên sự hài lòng của khách hàng.
- Giả thuyết H2 : Nếu chất lượng dịch vụ gia tăng của dịch vụ thông tin di động Vinaphone tăng (giảm) thì sự hài lòng của khách hàng cũng tăng (giảm) theo. Hay nói cách khác, dịch vụ gia tăng tương quan đồng biến với sự hài lòng của khách hàng.
- Giả thuyết H3: Nếu cấu trúc giá tăng (giảm) thì sự hài lòng của khách hàng cũng tăng (giảm) theo. Hay nói cách khác, giá cả dịch vụ hợp lý tương quan đồng biến lên sự hài lòng của khách hàng.
3.4. KIỂM ĐỊNH MÔ HÌNH VÀ CÁC GIẢ THUYẾT 3.4.1. Phân tích hồi quy bội
Để nghiên cứu mối quan hệ của các nhân tố ảnh hƣởng đến sự hài lòng, tác giả sử dụng mô hình hồi quy tuyến tính bội. Mô hình này có một biến phụ thuộc là sự hài lòng khách hàng và ba biến độc lập là chất lƣợng cuộc gọi, dịch vụ gia tăng và cấu trúc giá. Mô hình nghiên cứu đƣợc biểu diễn bằng phƣơng trình hồi quy tuyến tính đa biến có dạng nhƣ sau:
Y = βo+ β1X1 + β2X2 + β3X3 Trong đó: Y: Sự hài lòng. X1: Chất lƣợng cuộc gọi. X2: Dịch vụ gia tăng. X3: Cấu trúc giá. βo: Hằng số.
βi: Hệ số hồi quy riêng phần tƣơng ứng với các biến độc lập Xi (i=1, 2, 3). Bảng ANOVA cho thấy, Trị thống kê F trong bảng 3.14 là 118,590 đƣợc tính từ R2 của mô hình đầy đủ, giá trị sig = 0.000 cho thấy an toàn khi bác bỏ giả thuyết H0 là β1 = β2 = β3 =0 ( ngoại trừ hằng số). Nhƣ vậy mô hình hồi quy tuyến tính bội đƣa ra là phù hợp và có thể sử dụng đƣợc.
Tra bảng thống kê Durbin – Watson để tìm dL và dU với N là số quan sát, k là số biến độc lập, ta có dL = 1,539 và dU = 1,813. Đại lƣợng thống kê của Durbin – Watson là d = 1,785: dU<d<4- dU nên mô hình không có hiện tƣợng tự tƣơng quan.
Bảng 3.14. Kiểm định sự phù hợp của mô hình Mô hình Tổng bình phƣơng df Bình phƣơng trung bình F Sig 1 Hồi quy 81,622 3 27,207 118,950 .000a Phần dƣ 44,831 196 0,229 Tổng 126,453 199
Bảng 3.15. Tổng kết mô hình hồi qui
Mô hình R R2 R2 hiệu chỉnh Sai số chuẩn của ƣớc lƣợng Durbin- Watson 1 0,803 0,645 0,640 0,47826 1,785
Kết quả của mô hình hồi qui cho thấy R2 là 0,640 có nghĩa là 64% sự biến thiên của biến phụ thuộc “Sự hài lòng - HL” đƣợc giải thích chung bởi các biến độc lập có trong mô hình. Nhƣ vậy 36% còn lại đƣợc giải thích bởi các yếu tố không đƣợc đƣa vào mô hình và đây đƣợc xem là hạn chế của nghiên cứu. Kết quả cũng cho thấy rằng R2 điều chỉnh nhỏ hơn R2, do đó dùng hệ số này để đánh giá độ phù hợp của mô hình sẽ an toàn và chính xác hơn vì nó không thổi phồng độ phù hợp của mô hình. Bảng 3.16. Các hệ số hồi quy Mô hình Hệ số chƣa chuẩn hoá Beta T Sig. Đa cộng tuyến B Sai số chuẩn Độ chấp nhận Hệ số phóng đại phƣơng sai (constant) 0,183 0,179 1,020 0,309 CLCG 0,331 0,062 0,317 5,364 0,000 0,517 1,934 DVGT 0,171 0,055 0,169 3,116 0,002 0,618 1,619 CTG 0,496 0,065 0,441 7,656 0,000 0,544 1,837
Tất cả các biến CLCG, DVGT, CTG đều có ý nghĩa về mặt thống kê (Sig.<0.05). Hệ số chấp nhận (Tolerance) đạt từ 0,517 đến 0,618 và chấp nhận đƣợc. Hệ số phóng đại phƣơng sai VIF (Variance inflation factor) <10, cho thấy các biến trong mô hình không xảy ra hiện tƣợng đa cộng tuyến. Do đó mối quan hệ giữa các biến độc lập không ảnh hƣởng đáng kể đến kết quả giải thích của mô hình hồi quy.
Dựa vào kết quả phân tích hồi qui ở trên, tác giả kết luận : Có 03 nhân tố tác động đến sự hài lòng khách hàng sử dụng dịch vụ thông tin di động Vinaphone: (1) Chất lƣợng cuộc gọi; (2) Dịch vụ gia tăng; (3) Cấu trúc giá. Trong 3 nhân tố trên, nhân tố Cấu trúc giá có tác động lớn nhất đến Sự hài lòng khách hàng với hệ số hồi qui là 0,496, nhân tố có tác động nhỏ nhất là Dịch vụ gia tăng với hệ số hồi qui là 0,171. Kết quả hồi qui đƣợc biểu diễn dƣới dạng toán học nhƣ sau :
HL= 0,183 + 0,331*CLCG + 0,171*DVGT + 0,496*CTG
Hình 3.2. Mô hình hoàn chỉnh sau khi hồi quy
3.4.2. Các nhân tố ảnh hƣởng đến sự hài lòng dịch vụ thông tin di động Vinaphone động Vinaphone
Chất lượng cuộc gọi :
HL= 0,183 + 0,331*CLCG + 0,171*DVGT + 0,496*CTG
Phân tích hồi qui cho thấy Chất lƣợng cuộc gọi và Sự hài lòng khách hàng có tƣơng quan dƣơng với nhau. Hệ số hồi qui này là 0,331, có nghĩa : trong