5. Kết cấu luận văn
2.2.5. Phương pháp phân tích thông tin
2.2.5.1. Phương pháp thống kê mô tả
Đó là bước đầu tiên của quá trình phân tích dữ liệu, là phương pháp nghiên cứu việc tổng hợp, trình bày, biểu diễn bằng bảng và đồ thị, tính toán các tham số từ các số liệu thu thập được. Phương pháp này được tác giả sử dụng để thăm dò mối quan hệ giữa các biến độc lập trong mô hình với biến phụ thuộc, qua đó sẽ xác định được biến nào ảnh hưởng mạnh nhất đến sự hài lòng của khách hàng tại Ngân hàng.
2.2.5.2. Phương pháp thống kê so sánh
đã được lượng hóa cùng nội dung và tính chất tương tự như nhau thông qua tính toán các tỷ số, so sánh các thông tin từ các nguồn khác nhau, so sánh theo thời gian, so sánh theo không gian để có được những nhận xét nội dung nghiên cứu.
2.2.5.3. Phương pháp phân tích số liệu a) Phương pháp phân tích nhân tố
Kiểm định độ tin cậy thang đo Cronbach’s alpha
Công thức của hệ số Cronbach’alpha là: α = Np/[1 + p(N - 1)]
Trong đó: p là hệ số tương quan trung bình giữa các mục hỏi. Ký tự Hy Lạp p trong công thức tượng trưng cho tương quan trung bình giữa tất cả các cặp mục hỏi được kiểm tra.
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời. Phương pháp này cho phép người phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu vì nếu không chúng ta không thể biết được chính xác độ biến thiên cũng như độ lỗi của các biến.
- Tiêu chuẩn đánh giá
+ Cronbach’s Alphacủa từng yếu tố (theo Nunnally và Burnstein, 1994): Cronbach’s Alpha ≥ 0.9 yếu tố nghiên cứu được coi là có độ tin cậy
chính xác. Cronbach’s Alpha ≥ 0.7 yếu tố nghiên cứu được coi có độ tin cậy chấp nhận được. Tuy nhiên với các nghiên cứu học thuật thì Cronbach’s Alpha ≥ 0.6 được coi là chấp nhận được.
+ Cronbach’s Alphacủa từng yếu tố với các yếu tố khác (theo De Vaus,
2002): Cronbach’s Alpha ≤ 0.3 thì yếu tố không có độ tin cậy đảm bảo và bị
+ Cronbach’s Alpha của nhóm yếu tố và toàn bộ bảng câu hỏi (theo Gliem and Gliem, 2003): Cronbach’s Alpha ≥ 0.7 thì nhóm yếu tố lựa chọn
đảm bảo được mức ý nghĩa cần thiết.
+ Cronbach's Alpha if Item Deleted của từng yếu tố lớn hơn Cronbach’s Alpha của nhóm yếu tố.
Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA)
Phương pháp phân tích EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). Phân tích nhân tố khám phá (EFA) là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập biến cần thiết cho vấn đề nghiên cứu cũng như rất cần thiết trong việc tìm mối quan hệ giữa các biến với nhau.
Các biến có hệ số tương quan đơn giữa biến và các nhân tố (factor loading) nhỏ hơn 0.5 sẽ bị loại. Phương pháp trích “Principal Axis Factoring” được sử dụng kèm với phép quay “Varimax”. Điểm dừng trích khi các yếu tố có độ giá trị hội tụ “Initial Eigenvalues” > 1.
- Xác định số lượng nhân tố
Số lượng nhân tố được xác định dựa trên chỉ số Eigenvalue, chỉ số này đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser, những nhân tố có chỉ số Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Garson, 2003).
Tiêu chuẩn phương sai trích (Variance explained criteria): tổng phương sai trích phải lớn hơn 50%.
- Giá trị hội tụ (Kaiser-Myer- Olkin - KMO)
0,5 ≤ KMO ≤1 thì phân tích nhân tố là thích hợp với dữ liệu; ngược lại KMO < 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
- Hệ số tải nhân tố
Tiêu chuẩn đối với hệ số tải nhân tố là phải lớn hơn hoặc bằng 0,5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0,3 là đạt được mức tối thiểu; lớn hơn 0,4 là quan trọng; lớn hơn 0,5 là có ý nghĩa thực tiễn. Trong nghiên cứu, cỡ mẫu là 150 do vậy tiêu chuẩn chọn hệ số tải nhân tố lớn hơn 0,55 (Hair, Anderson, Tatham và Black; 2008).
Phương pháp trích hệ số sử dụng thang đo: Mục đích kiểm định các thang đo nhằm điều chỉnh để phục vụ cho việc chạy hồi quy mô hình tiếp theo nên phương pháp trích yếu tố Principal Axis Factoring với phép quay Varimax sẽ được sử dụng cho phân tích EFA trong nghiên cứu vì phương pháp này sẽ giúp kiểm định hiện tượng đa cộng tuyến giữa các yếu tố của mô hình (nếu có).
Phân tích phương sai ANOVA
Kỹ thuật phân tích phương sai một yếu tố (One-Way ANOVA) được áp dụng trong nghiên cứu này để tìm ra ý nghĩa thống kê của những khác biệt trung bình giữa biến phụ thuộc là sự hài lòng chung và các biến độc lập là biến mức độ hài lòng.
Trước khi tiến hành phân tích ANOVA, tiêu chuẩn Levene được tiến hành để kiểm tra giả thuyết bằng nhau của phương sai trong các nhóm với xác suất ý nghĩa Sig. (Significance) là 5%. Trong phép kiểm định này, nếu xác suất ý nghĩa lớn hơn 5% thì chấp nhận tính bằng nhau của các phương sai nhóm.
+ Tiêu chuẩn Fisher F trong phép phân tích phương sai ANOVA với mốc để so sánh các xác suất ý nghĩa Sig. là 5% được áp dụng. Trong phép kiểm định này, nếu xác suất ý nghĩa nhỏ hơn 5% thì ta có quyền bác bỏ giả thuyết: không có sự khác nhau về mức độ hài lòng giữa các yếu tố ảnh hưởng với chất lượng phục vụ hành chính thuế.
+ Nếu biến độc lập có ít hơn 3 thuộc tính, việc kiểm định bằng phương pháp ANOVA khi phương sai khác nhau (Equal variances not assumed) không thực hiện được khi đó ta sử dụng phương pháp thống kê t của Student
(T-test) sẽ được sử dụng để thay thế. Phép kiểm định t của Student rất phù hợp trong việc so sánh, tìm ra ý nghĩa thống kê cho những khác biệt (chênh lệch) giữa hai giá trị trung bình giữa biến phụ thuộc và biến độc lập có hai thuộc tính (Hồ Đăng Phúc, 2005).
Phân tích hồi quy tương quan
Sau khi thang đo của các yếu tố được kiểm định, bước tiếp theo sẽ tiến hành chạy hồi quy tuyến tính và kiểm định với mức ý nghĩa 5% theo mô hình đề xuất cho nghiên cứu sự hài lòng của khách hàng doanh nghiệp đến ngân hàng BIDV chi nhánh Nam Thái Nguyên:
SHL = β0 + β1*Tin cậy + β2*Đáp ứng + β3*Đảm bảo + β4*Cảm thông+ β5*Hữu hình
Trong đó:
Y: là Sự hài lòng ß0: hằng số (Constant)
ßi=1-5: các hệ số hồi quy (i > 0)
Kết quả từ mô hình sẽ giúp ta xác định được yếu tố ảnh hưởng quan trọng đến sự hài lòng của khách hàng đối với ngân hàng.
Phương pháp này nhằm kiểm tra mối quan hệ tuyến tính giữa biến độc lập và biến phụ thuộc. Dùng phương pháp hồi quy Stepwise để cho kết quả hồi quy mô hình nghiên cứu. Trước hết kiểm định mức độ phù hợp của mô hình đánh giá với các kiểm định về sự tự tương quan, đa cộng tuyến của mô hình. Sau đó, ta tiến hành kiểm định các giá trị hồi quy hệ số bê ta của mô hình nghiên cứu.
- Tiêu chuẩn đánh giá
+ Pearson Correlation: Hệ số tương quan Pearson (Pearson correlation
coefficient, kí hiệu r) đo lường mức độ tương quan tuyến tính giữa hai biến. Hệ số tương quan Pearson (r) sẽ nhận giá trị từ +1 đến -1.
r > 0 cho biết một sự tương quan thuận giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm tăng giá trị của biến kia và ngược lại.
r < 0 cho biết một sự tương quan nghịch giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm giảm giá trị của biến kia và ngược lại.
Theo Cohen (1988, pp. 79-81):
Có quan hệ thương quan: r = 0.10 đến 0.29
Quan hệ tương quan trung bình: r = 0.30 đến 0.49
Quan hệ tương quan mạnh: r = 0.50 đến 1.00
Sig: Ý nghĩa thống kê thể thiện sự tương quan giữa các biến Sig≤ 0.05. Adjusted R Square > 0,5
Anova analyze: F and Sig (<0,05).
Standardized Coefficients (Beta) >0: Mức ảnh hưởng của biến độc lập
là nhiều hay ít sau chuẩn hóa.
Unstandardized Coefficients (B)>0: Hệ số của mô hình hồi quy - mức
ảnh hưởng thực tế thể hiện sự thay đổi của biến phụ thuộc khi biến độc lập thay đổi 1 đơn vị.
Collinearity Tolerance và VIF tolerance <2: Đánh giá khả năng xảy ra
đa cộng tuyến giữa các biến.