5. Tổng quan tài liệu nghiên cứu
2.5. NGHIÊN CỨU CHÍNH THỨC
2.5.5. Phân tích dữ liệu thu thập đƣợc bằng phần mềm SPSS
Công việc xử lý dữ liệu thông qua việc sử dụng cơng cụ phân tích là phần SPSS phiên bản 16.0, theo trình tự sau:
Bƣớc 1: Mô tả đặc điểm của mẫu điều tra
Lập bảng tần suất để mô tả mẫu thu thập theo các thuộc tính nhƣ : giới tính, độ tuổi, trình độ học vấn, nghề nghiệp và thu nhập hàng tháng.
Bƣớc 2: Xác định các nhân tố tác động đến sự hài lòng của khách hàng đối với dịch vụ thẻ của DAB – CN Đà Nẵng
Phân tích độ tin cậy của các thang đo bằng hệ số Cronbach’s alpha.
Hệ số Cronbach’s alpha là một phép kiểm tra thống kê dùng để kiểm tra sự chặt chẽ và tƣơng quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tƣơng quan giữa bản thân các biến với điểm số toàn bộ các biến của mỗi ngƣời trả lời.
Phƣơng pháp này cho phép ngƣời phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong mơ hình nghiên cứu vì nếu khơng chúng ta khơng thể biết đƣợc chính xác độ biến thiên cũng nhƣ độ lỗi của các biến: Sau khi thu dữ liệu, bƣớc đầu tiên, tác giả kiểm định thang đo bằng hệ số tin cậy Cronbach’s alpha để loại các biến rác trƣớc. Các biến có hệ số tƣơng quan biến-tổng (Corrected Item-Total Correclation) nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi nó có độ tin cậy Cronbach’s alpha từ 0.6 trở lên (theo Nunnally & Burnstein 1994) . Cũng theo nhiều nhà nghiên cứu, nếu Cronbach’s alpha đạt từ 0.8 trở lên thì thang đo lƣờng là tốt và mức độ tƣơng quan sẽ càng cao hơn.
Kết thúc bƣớc này, sẽ có thể có một số biến quan sát bị loại khỏi thang đo, các biến còn lại đƣợc tiếp tục đƣa vào để phân tích nhân tố khám phá EFA.
Phân tích nhân tố khám phá (Exploratory Factor Analysis-EFA)
Phân tích nhan tố khám phá là một phƣơng pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998).
Một tiêu chuẩn quan trọng đối với Factor Loading lớn nhất cần đƣợc quan tâm: nó phải lớn hơn hoặc bằng 0.5: Factor Loading là chỉ tiêu để đảm bảo ý nghĩa thiết thực của EFA, Factor Loading > 0.3 đƣợc xem là đạt đƣợc mức tối thiểu, Factor Loading > 0.4 đƣợc xem là quan trọng, Factor Loading > 0.5 đƣợc xem là có ý nghĩa thực tiễn. Hair & ctg (1998, tr 111) cũng khuyên bạn đọc nhƣ sau: nếu chọn tiêu chuẩn Factor Loading > 0.3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn Factor Loading > 0.55, nễu cỡ mẫu của bạn khoảng 50 thì Factor Loading phải > 0.75.
Tác giả kiểm định thang đo bằng phân tích nhân tố khám phá EFA để loại dần các biến có trọng số (Factor Loading) nhỏ hơn 0.5 thang đo đƣợc chấp nhận khi giá trị số KMO lớn hơn hoặc bằng 0.5 và nhỏ hơn hoặc bằng 1 (Othman & Owen, 2002), Eigenvalue lớn hơn 1 và tổng phƣơng sai trích bằng hoặc lớn hơn 50% (Gerbing & Anderson 1988).
Ngoài ra còn phải quan tâm đến kiểm định Barlett: Kiểm định Barleet xem xét giả thiết Ho: Độ tƣơng phản giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa trong thống kê (Sig ≤ 0.05) thì các biến quan sát có tƣơng quan với nhau trong tổng thể.
Phân tích nhân tố cịn dựa vào Eigenvalue để xác định số lƣợng nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới đƣợc 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 tố hơn một biến gốc.
Ƣớc lƣợng mơ hình hồi quy: Sau khi rút ra đƣợc các nhân tố từ phân tích khám phá EFA, dị tìm cá vi phạm giả định cần thiết trong mơ hình hồi quy tuyến tính bội nhƣ sau:
+ Kiểm định đa cộng tuyến: Đa cộng tuyến là trạng thái trong đó các biến độc lập có tƣơng quan chặt chẽ với nhau. Vấn đề của hiện tƣợng đa cộng tuyến là chúng cung cấp cho mơ hình những thơng tin rất giống nhau và rất khó tách rời ảnh hƣởng của từng biến một đến biến phụ thuộc. Hiệu ứng khác của sự tự tƣơng quan khá chặt chẽ giữa các biến độc lập là nó làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê t trong kiểm định ý nghĩa của chúng, nên các hệ số có khuynh hƣớng kém ý nghĩa hơn trong khi hệ số xác định R2 vẫn khá cao . Trong phân tích hồi quy bội, đa cộng tuyến đƣợc SPSS chuẩn hóa bằng tiêu chí Collinearity diagnostics VIF
(Varian inflation factor) của các biến độc lập trong mơ hình. Nếu VIF đều nhỏ hơn 10 tức là mơ hình có đa cộng tuyến.
+ Kiểm định tự tƣơng quan: Tự tƣơng quan đƣợc hiểu là sự tƣơng quan giữa các thành phần của dãy số thời gian hoặc không gian . Tuy nhiên trong thực tế xảy ra hiện tƣợng mà thành phần nhiễu của các biến có thể phụ thuộc lẫn nhau. Hậu quả của tự tƣơng quan có thể kể đến nhƣ là các ƣớc lƣợng trung bình bé nhất không phải là ƣớc lƣợng hiệu quả, phƣơng sai ƣớc lƣợng đƣợc các ƣớc lƣợng bình phƣơng bé nhất thƣờng là chệch, kiểm định t và f không đáng tin cậy, giá trị ƣớc lƣợng R2 có thể khơng tin cậy khi dùng để thay thế cho giá trị thật của R2, phƣơng sai và độ lệch chuẩn của giá trị dự đốn đã tính đƣợc khơng hiệu quả. Đại lƣợng thống kê Durbin – Watson đƣợc dùng để kiểm định tự tƣơng quan.
Phân tích phƣơng sai một yếu tố (Oneway Anova)
Sau cùng tác giả sử dụng phân tích Oneway Anova để kiểm định có sự khác biệt hay khơng về mức độ hài lịng của khách hàng đối với chất lƣợng dịch vụ thẻ theo đặc điểm giới tính, thu nhập, số năm sử dụng dịch vụ, độ tuổi, trình độ văn hóa... Kết quả thu đƣợc sau những phân tích này sẽ là căn cứ nhận diện để tác giả đề xuất giải pháp nâng cao sự hài lòng của khách hàng sử dụng dịch vụ thẻ theo từng nhóm khách hàng đƣợc phân loại theo đặc điểm.
KẾT LUẬNCHƢƠNG 2
đã trình bày quá trình nghiên cứu của đề tài thơng qua hai bƣớc chính là nghiên cứu sơ bộ và nghiên cứu chính thức. Thơng qua q trình nghiên cứu n
làm cơ sở để đƣa ra kết quả nghiên cứu của đề tài.
CHƢƠNG 3
KẾT QUẢ NGHIÊN CỨUVA HAM Y CHINH SACH NHĂM
NÂNGCAO SỰHÀI LỊNGCỦA KHÁCHHÀNG ĐỐI VỚI
DỊCH VỤTHẺ CỦANGÂNHÀNG ĐƠNG Á – CHINHÁNH
ĐÀNẴNG