a) Thiết kế bảng câu hỏi
Tất cả các biến quan sát trong các thành phần của chất lượng dịch vụ đều sử dụng thang đo Likert 5 mức độ với lựa chọn số 1 nghĩa là rất không đồng ý với phát biểu và mức độ tăng dần với lựa chọn số 5 là rất đồng ý với phát biểu. Nội dung các biến quan sát trong các thành phần được hiệu chỉnh cho phù hợp với đặc thù của chất lượng dịch vụ cho vay ngắn hạn tại ngân hàng Vietinbank chi nhánh 12.
b) Xác định kích thước mẫu và phương pháp thu thập số liệu
Đây là giai đoạn nghiên cứu chính thức được thực hiện thông qua kỹ thuật phỏng vấn trực tiếp bằng bảng hỏi những khách hàng đã và đang sử dụng dịch vụ cho vay ngắn hạn tại Vietinbank chi nhánh 12. Dựa theo nghiên cứu của Hair, Anderson, Tatham và Black (1998) cho tham khảo về kích thước mẫu dự kiến. Theo đó kích thước mẫu tối thiểu là gấp 5 lần biến quan quan sát. Với 28 biến khảo sát, kích thước mẫu dự kiến là 140. Để tăng độ tin cậy, cỡ mẫu được chọn là 220. Việc chọn mẫu được thực hiện theo phương pháp chọn mẫu phi xác suất. Có 220 bảng câu hỏi được phát trực tiếp cho khách hàng giao dịch tại chi nhánh (120), gửi cho khách hàng thông qua email (100) dựa trên danh sách khách hàng đã và đang vay vốn ngắn hạn tại Vietinbank chi nhánh 12 do ngân hàng cung cấp.
c) Kiểm định chất lượng thang đo
Sử dụng kiểm định Cronbach Alpha để đánh giá chất lượng và mức độ tương quan chặt chẽ của các thang đo được xây dựng. “Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach Alpha từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến 0.8 là sử dụng được. Đối với các trường hợp thang đo lường là mới hoặc mới đối với người trả lời thì Cronbach Alpha từ 0.6 trở lên là có thể sử dụng được” (Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2009), Phân tích dữ liệu nghiên cứu với SPSS, NXB Thống Kê). Do đó trong đề tài nghiên cứu này, thang đo đạt độ tin cậy khi hệ số Cronbach Alpha của tổng thể > 0.6 và có hệ số tương quan biến- tổng thể (Corrected item- Total correlation) > 0.3. Về lý thuyết, Cronbach Alpha càng cao và hệ số tương quan biến tổng càng lớn thì sự tương quan của biến đang phân tích với các biến khác trong nhóm càng cao.
d) Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phân tích nhân tố là một kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các
nhóm biến có liên hệ qua lại lẫn nhau được xem xét dưới dạng một số các nhân tố cơ bản. Mỗi một biến quan sát sẽ được tính một tỷ số gọi là Hệ số tải nhân tố (factor loading). Hệ số này cho biết mỗi biến đo lường sẽ thuộc về những nhân tố nào. Hệ số tải nhân tố của từng biến quan sát phải có giá trị > 0.45.
Để đảm bảo mô hình EFA đảm bảo độ tin cậy, đòi hỏi thực hiện theo các bước sau: 1. Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser- Meyer- Olkin) phải có giá trị lớn (0.5< KMO <1) thể hiện phân tích nhân tố là thích hợp, còn nếu hệ số KMO < 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Kiểm định Bartlett’s (Bartlett’s Test of Sphericity) để đánh giá các biến có tương quan với nhau trong một thang đo hay không. Nếu kiểm định này có ý nghĩa thống kê (Sig. <0.05) thì các biến quan sát có tương quan với nhau trong tổng thể.
2. Phương pháp trích “Principal Component” được sử dụng trong phân tích nhân tố từ đó tiến hành xác định các nhân tố được trích ra bằng chỉ số Eigenvalue, chỉ có những nhân tố nào > 1 mới giữ lại trong mô hình phân tích và tổng phương sai trích (Cumulative % Extraction Sums of Squared Loadings) lớn hơn 50% mới thỏa yêu cầu của phân tích nhân tố (Gerbing & Anderson, 1988)
3. Xác định hệ số tương quan giữa các nhân tố bằng cách xoay các nhân tố thông qua phép quay “Varimax”.
4. Sau khi đã trích ra được các nhân tố từ bước 3, chúng ta cần kiểm định lại độ tin cậy của các nhân tố này.
e) Phân tích hồi quy đa biến MRA (Multiple Regression Analysis)
Để mô hình hồi quy đảm bảo khả năng tin cậy và hiệu quả, ta cần thực hiện các kiểm định sau:
Kiểm định tương quan từng phần của các hệ số hồi quy: mục tiêu của kiểm định này là xem xét các biến độc lập có tương quan ý nghĩa với biến phụ thuộc hay không. Khi mức ý nghĩa của các hệ số hồi quy từng phần có độ tin cậy Sig. < 0.05 thì kết luận giữa biến độc lập và biến phụ thuộc có ý nghĩa tương quan.
Mức độ giải thích của mô hình: hệ số xác định R2
hiệu chỉnh (Adjusted R square) được dùng để đánh giá mức độ giải thích của mô hình. R2
hiệu chỉnh càng lớn thể hiện mức độ giải thích của mô hình càng cao.
Mức độ phù hợp của mô hình: mục tiêu của kiểm định này nhằm xem xét có mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc hay không. Mô hình được xem là không phù hợp khi tất cả các hệ số hồi quy đều bằng 0 và mô hình phù hợp khi có ít nhất một hệ số hồi quy khác 0.
Giả thuyết: H0: các hệ số hồi quy đều bằng 0 H1: có ít nhất một hệ số hồi quy khác 0
Sử dụng phân tích phương sai (Analysis of variance- ANOVA) để kiểm định mức độ phù hợp của mô hình. Nếu mức ý nghĩa đảm bảo có độ tin cậy ít nhất 95% (Sig. < 0.05) thì chấp nhận giả thuyết H1, mô hình phù hợp với tập dữ liệu và có thể suy rộng ra cho toàn tổng thể.
Hiện tượng đa cộng tuyến (Multicollinearity): đây là hiện tượng các biến độc lập có quan hệ gần như tuyến tính. Việc bỏ qua hiện tượng đa cộng tuyến sẽ làm cho các sai số cao hơn, giá trị thống kê thấp hơn và có thể không có ý nghĩa. Để kiểm tra hiện tượng này, ta dùng hệ số phóng đại phương sai (Variance Inflation Factor- VIF), điều kiện VIF < 10 thì không xảy ra hiện tượng đa cộng tuyến.
Kiểm định phân phối chuẩn của phần dư: có nhiều cách để nhận biết một phân phối chuẩn trong SPSS. Đơn giản nhất là xem biểu đồ với đường cong chuẩn (Histograms with normal curve) với dạng hình chuông đối xứng với tần số cao nhất nằm ngay giữa và các tần số thấp dần nằm ở hai bên; xem giá trị trung bình bằng 0 và độ lệch chuẩn bằng 1.
CHƯƠNG 4: THỰC TRẠNG VÀ KẾT QUẢ NGHIÊN CỨU