7. Tổng quan tài liệu nghiên cứu
3.2.2.Đánh giá thang đo bằng phân tích nhân tố khám phá (EFA)
Phân tích yếu tố là một phương pháp phân tích định lượng đơn giản hóa một tập hợp các biến quan sát phụ thuộc vào một biến ít hơn (gọi là các yếu tố) để chúng có ý nghĩa hơn, nhưng vẫn chứa hầu hết các nội dung quan trọng của các biến gốc. (Hair et al, 1998).
Các biến trọng số (tải trọng yếu tố) nhỏ hơn 0,3 trong EFA sẽ bị loại trừ. Tác giả sử dụng các thành phần yếu tố chính với xoay vòng varimax cho đến khi các phần tử được xem xét có «Eigenvalue» = 1. Thang đo được chấp nhận nếu tổng phương sai trích xuất > = 50% (Gerbing & Anderson, 1988), với điều kiện chỉ số KMO> = 0,5. KMO được sử dụng để xem xét sự phù hợp của EFA, KMO ≤ 0.5 ≤ 1, có nghĩa là phân tích nhân tố phù hợp.
Kiểm thử Bartlett: nếu kiểm thử này có ý nghĩa thống kê (Sig <0,005), các biến quan sát được tương quan với nhau trong tổng thể [20].
a. Phân tích EFA cho biến không phụ thuộc
Với kênh Internet
Bảng 3.4. KMO and Bartlett's Test (internet channel)
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .708 Bartlett's Test of Sphericity Approx. Chi- Square 722.09 4 df 66 Sig. .000
Giá trị KMO trong trường hợp này đạt 0,708> 0,5, điều này cho thấy dữ liệu phù hợp để phân tích nhân tố; và Sig của Bartlett's Test = 0,000 <0,05, nói rằng các biến quan sát được tương quan với nhau trên toàn bộ.
Tuy nhiên, tại phân tích EFA lần 1, chênh lệch giữa hai hệ số tải không lớn hơn 0,3; vì vậy yếu tố SQi3, SQi4 và SQi1 sẽ bị loại. Tác giả tiếp tục phân tích EFA lần thứ hai và EFA lần thứ 3. Các mục IAi1, IAi3, PCi3 bị loại bỏ.
Bảng 3.5. Rotated Component Matrixa (internet channel)
Component 1 2 3 4 PRi1 .811 PRi2 .771 PCi1 .716 IAi2 .613
Component 1 2 3 4 PEi2 .793 PEi3 .705 SEi3 .801 SEi2 .303 .734 SEi1 .707 SQi5 .819 SQi2 .745
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
Kết quả của bảng trên cho thấy các biến của PRi1, PRi2, PCi1, IAi2 tương quan với thành phần 1, tác giả đặt tên cho thành phần này là tính thuận tiện mua sắm và dám chấp nhận rủi ro; các biến của PEi1, PEi2, PEi3 tương quan với thành phần 2, tác giả đặt tên cho thành phần này là sự nổ lực mua hàng; các biến SEi1, SEi2, SEi3 tương quan với thành phần 3, tác giả đặt tên cho thành phần này là sự nổ lực tìm kiếm; các biến của SQi2, SQi5 tương quan với thành phần 4, tác giả đặt tên cho thành phần này là chất lượng dịch vụ. Các mục được giữ lại trong phân tích tiếp theo.
Với kênh cửa hàng
Bảng 3.6. KMO and Bartlett's Test (physical channel)
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .688 Bartlett's Test of Sphericity Approx. Chi- Square 200.09 8 df 3 Sig. .000
Giá trị KMO trong trường hợp này đạt 0,675 > 0,5, điều này cho thấy dữ liệu phù hợp để phân tích nhân tố; và Sig của Bartlett's Test = 0,000 <0,05, nói rằng các biến quan sát được tương quan với nhau trên toàn bộ.
Bảng 3.7. Rotated Component Matrixa (physical channel)
Component 1 2 3 4 5 6 IAs3 .805 IAs2 .801 IAs1 .693 SQs2 .771 SQs5 .734 SQs1 .592 SQs4 .570 PRs2 .816 PRs3 .762 PRs1 .720
Component 1 2 3 4 5 6 SEs1 .759 SEs3 .594 PEs1 .855 PEs2 .795 PCs2 .914 PCs3 .911 PCs1 .895
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 7 iterations.
Tuy nhiên, tại phân tích EFA lần 1, chênh lệch giữa hai hệ số tải không lớn hơn 0,3; vì vậy yếu tố SEs4, PEs3 sẽ bị loại. Tác giả tiếp tục phân tích EFA lần thứ hai.
Kết quả của bảng trên cho thấy các biến IAs3, IAs2, IAs1 tương quan với thành phần 1, tác giả đặt tên cho thành phần này là sự sẵn có thông tin; các biến SQs2, SQs1, SQs4, SQs5 tương quan với thành phần 2, tác giả đặt tên cho thành phần này là chất lượng dịch vụ; các biến PRs1, PRs2, PRs3 tương quan với thành phần 3, tác giả đặt tên cho thành phần này là rủi ro mua hàng; các biến SEs1, SEs2, Ses3 tương quan với thành phần 4, tác giả đặt tên cho thành phần này là sự nổ lực tìm kiếm; PEs1, PEs2 tương quan với thành phần 5, tác giả đặt tên cho thành phần này là sự nổ lực mua hàng; PCs1, PCs2, PCs3 tương quan với thành phần 6, tác giả đặt tên cho thành phần này là tính thuận tiện mua hàng. Các mục được giữ lại trong phân tích tiếp theo.
b. Phân tích EFA cho biến phụ thuộc
Với kênh Internet Component Matrixa
Thành phần 1 I- Nhìn chung, việc mua sắm tại kênh này làm tôi hài
lòng .829
I- Nhìn chung, việc mua sắm tại kênh này là quyết
định khôn ngoan .806 (adsbygoogle = window.adsbygoogle || []).push({});
I- Nhìn chung, việc mua hàng tại kênh này thú vị. .800 Phương pháp chiết xuất: Phân tích thành phần chính.
A.1 thành phần được trích xuất.
Thông qua kết quả của bảng trên, chúng ta thấy các biến PAi1, PAi2, PAi3 tương quan với thành phần PAi (thái độ mua hàng). Các mục này được giữ lại trong phân tích tiếp theo:
Điều chỉnh mô hình nghiên cứu
Dựa trên phân tích Cronbach's Alpha Factor Analysis và phân tích nhân tố khám phá (EFA), nhóm tác giả cung cấp một mô hình nghiên cứu được sửa đổi như sau:
Hình 3.1. Mô hình mới được đề xuất (kênh internet)
Với kết quả trên, so với mô hình nghiên cứu đề xuất, mô hình được điều chỉnh thành bốn yếu tố với 13 biến quan sát là các yếu tố ảnh hưởng đến thái độ mua hàng (biến này bao gồm 3 quan sát).
Các giả định được hiệu chỉnh theo mô hình mới:
Dựa trên các yếu tố còn lại sau khi sửa đổi mô hình nghiên cứu, tác giả có các giả định về các yếu tố ảnh hưởng đến thái độ mua hàng trên kênh Internet như sau:
H1a: Sự thuận tiện mua sắm và dám chấp nhận rủi ro được nhận thức từ Internet có tác động tích cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó.
H2a: Sự nỗ lực mua hàng được nhận thức từ Internet có tác động tiêu cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó
H3a: Sự nỗ lực tìm kiếm được nhận thức từ Internet có tác động tiêu cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó.
H1(+) H2(-) H3(-) H4(+)
đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó.
Với kênh cửa hàng
Component Matrixa
Component 1
I- Nhìn chung, việc mua sắm tại kênh này làm tôi hài lòng .854 I- Nhìn chung, việc mua sắm tại kênh này là quyết định
khôn ngoan .813
I- Nhìn chung, việc mua hàng tại kênh này thú vị. .807 Extraction Method: Principal Component Analysis.
a.1 components extracted.
Thông qua kết quả của bảng trên, chúng ta thấy các biến PAs1, PAs2, PAs3 tương quan với thành phần PAs (thái độ mua hàng). Các mục này được giữ lại trong phân tích tiếp theo:
Điều chỉnh mô hình nghiên cứu
H1(+) H2(+) H3(-) H4(-) H5(-) H6(+)
Dựa trên phân tích Cronbach's Alpha Factor Analysis và phân tích nhân tố khám phá (EFA), tác giả cung cấp một mô hình nghiên cứu được sửa đổi như sau:
Với kết quả trên, so với mô hình nghiên cứu đề xuất, mô hình được điều chỉnh thành 6 yếu tố với 18 biến quan sát là các yếu tố ảnh hưởng đến thái độ mua hàng (biến này bao gồm 3 quan sát).
Các giả định được hiệu chỉnh theo mô hình mới:
Dựa trên các yếu tố còn lại sau khi sửa đổi mô hình nghiên cứu, tác giả có các giả định về các yếu tố ảnh hưởng đến thái độ mua hàng trên kênh cửa hàng như sau: (adsbygoogle = window.adsbygoogle || []).push({});
H1b: Tính khả dụng của thông tin có sẵn được nhận thức từ kênh cửa hàng có tác động tích cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó.
H2b: Chất lượng dịch vụ được nhận thức từ kênh cửa hàng có tác động tích cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó.
H3b: Rủi ro mua hàng được nhận thức từ kênh cửa hàng có tác động tiêu cực đển thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó.
H4b: Nỗ lực tìm kiếm được nhận thức từ kênh cửa hàng có tác động tiêu cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó.
H5b: Nỗ lực mua hàng được nhận thức từ kênh cửa hàng có tác động tiêu cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó
H6b: Sự thuận tiện mua hàng nhận thức từ kênh cửa hàng có tác động tích cực đến thái độ của người tiêu dùng đối với việc mua hàng trên kênh đó