5. Bố cục của luận văn
2.2.3. Phương pháp phân tích thông tin
2.2.3.1.Phương pháp thống kê mô tả
Phương pháp thống kê mô tả, được dùng để đánh giá tình hình chất lượng dịch vụ tại Viễn thông Phú Thọ, xem xét quy trình CSKH, bộ máy tổ chức, nguồn nhân lực cung cấp dịch vụ, các nhân tố ảnh hưởng đến quản lý chất lượng dịch vụ tại Viễn thông Phú Thọ. Tác giả sử dụng bảng biểu, đồ thị để trình bày các kết quả nghiên cứu và phân tích thông tin đối với công tác quản lý chất lượng dịch vụ tại Viễn thông Phú Thọ, giúp người đọc xem xét dễ dàng những biến động của số liệu nghiên cứu qua các năm.
2.2.3.2. Phương pháp so sánh
Thông qua phương pháp này ta rút ra các kết luận về công quản lý chất lượng dịch vụ tại Viễn thông Phú Thọ trong thời gian qua và đề ra các định
hướng cho thời gian tới: đặc điểm khách hàng sử dụng dịch vụ viễn thông; số thuê bao; số doanh thu; nguồn nhân lực phục vụ công tác CSKH….Để so sánh được sự biến động của các chỉ tiêu này tác giả sử dụng 2 kỹ thuật so sánh:
- So sánh số tuyệt đối: là kết quả của phép trừ giữa số liệu của kỳ phân tích và kỳ gốc. Phương pháp này dùng để so sánh sự biến đổi giữa số liệu của kỳ tính toán với số liệu của kỳ gốc để tìm ra sự biến đổi nguyên nhân của sự biến động đó, từ đó rút ra các đánh giá và giải pháp tiếp theo.
- So sánh số tương đối: Tỷ trọng của chỉ tiêu phân tích: Được đo bằng tỉ lệ %, là tỷ lệ giữa số liệu thành phần và số liệu tổng hợp. Phương pháp chỉ rõ mức độ chiếm giữ của các chỉ tiêu thành phần trong tổng số, mức độ quan trọng của chỉ tiêu tổng thể. Kết hợp với các phương pháp khác để quan sát và phân tích được tầm quan trọng và sự biến đổi của chỉ tiêu, nhằm đưa ra các biện pháp quản lý, điều chỉnh kịp thời.
2.2.3.3.Phân tích hệ số Cronbach’s Alpha
Hệ số Cronbach Alpha được sử dụng để loại biến rác trước. Các biến có hệ số tương quan biến tổng (item-Tổng correlation) nhỏ hơn 0.3 sẽ bị loại và thang đo phải có độ tin cậy alpha từ 0.60 trở lên (Nunnally & Burnstein 1994). Sau đó các biến có trọng số (factor loading) nhỏ hơn 0.50 trong EFA sẽ tiếp tục bị loại.
2.2.3.4.Phân tích nhân tố khám phá EFA
Khi phân tích nhân tố khám phá, các nhà nghiên cứu đều quan tâm đến một số tiêu chuẩn. Thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (giữa 0,50 và 1) có ý nghĩa là phân tích nhân tố là thích hợp .
Thứ hai, Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu quan trọng để đảm bảo mức ý nghĩa thiết thực của EFA, hệ số tải lớn hơn 0,30 được xem là đạt mức tối thiểu, hệ số tải lớn hơn 0,40 được xem là quan
trọng, lớn hơn 0,50 được xem là có ý nghĩa thiết thực. Hệ số tải lớn nhất của các biến quan sát phải lớn hơn hoặc bằng 0,50.
Ngoài ra : nếu chọn hệ số tải lớn hơn 0,3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải lớn hơn 0,55, nếu cỡ mẫu khoảng 50 thì hệ số tải phải lớn hơn 0,75. Trong bài, tác giả chọn “Suppress absolute values less than” bằng 0,5 để đảm bảo ý nghĩa thiết thực của EFA.
Thứ ba, thang đo được chấp nhận khi tổng phương sai trích ≥ 50% và thứ tư là hệ số eigenvalue có giá trị lớn hơn 1 (Gerbing và Anderson, 1998). Tiêu chuẩn thứ năm là khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và AlTamimi, 2003).
2.2.3.5.Phân tích hồi quy tuyến tính bội
Được sử dụng để mô hình hoá mối quan hệ nhân quả giữa các biến, trong đó một biến gọi là biến phụ thuộc (hay biến được giải thích) và các biến kia là các biến độc lập (hay biến giải thích). Mức độ phù hợp của mô hình được đánh giá bằng hệ số R2 điều chỉnh. Giá trị R2 điều chỉnh không phụ thuộc vào độ lệch phóng đại của R2 do đó được sử dụng phù hợp với hồi quy tuyến tính đa biến. Kiểm định ANOVA được sử dụng để kiểm định độ phù hợp của mô hình tương quan, tức là có hay không có mối quan hệ giữa các biến độc lập hay biến phụ thuộc. Thực chất của kiểm định ANOVA đó là kiểm định F xem biến phụ thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập hay không và giả thuyết H0 được đưa ra là βk = 0. Trị thống kê F được tính từ giá trị R2 của mô hình đầy đủ, giá trị Sig. bé hơn mức ý nghĩa kiểm định sẽ giúp khẳng định sự phù hợp của mô hình hồi quy.