Được thực hiện bằng phương pháp nghiên cứu định lượng thông qua bảng câu hỏi chính thức đã được chỉnh sửa. Đối tượng khảo sát là những khách hàng đã từng hoặc đang gửi tiền tại BIDV Gia Lai.
Mẫu nghiên cứu
Việc xác định kích thước mẫu cần cho nghiên cứu phụ thuộc vào nhiều yếu tố như phương pháp xử lý, độ tin cậy cần thiết,… Trong điều kiện không có giới hạn về thời gian, không gian và kinh phí, việc lựa chọn kích thước mẫu càng lớn càng tốt. Theo Hair & ctg (2006), để sử dụng EFA phân tích nhân tố khám phá, kích thước mẫu tối thiểu là 50, tốt hơn là 100 và tỷ lệ quan sát biến đo lường 5:1. Bên cạnh đó, Tabachnick & Fidell (1996) cho rằng kích thước mẫu cần đảm bảo theo công thức: n≥ 8m + 50 (trong đó, n: cỡ mẫu, m: số biến độc lập của mô hình). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì tính đại diện của số lượng mẫu được lựa chọn nghiên cứu sẽ thích hợp nếu số quan sát (cỡ mẫu) ít nhất
phải bằng 4 hay 5 lần số biến quan sát. Dựa vào những nghiên cứu trên, theo Tabachnick số mẫu tối thiểu cần phải có là: n = (8 x 11) + 50 = 133 mẫu; theo Hair, số mẫu tối thiểu là: n = 26 x 5 = 130 mẫu hoặc n = 26 x 4 = 104 (theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc).
Phương pháp chọn mẫu trong bài là phi xác suất, thuận tiện để tiết kiệm thời gian, chi phí thực hiện và theo những đối tượng đã xác định, dưới hình thức khảo sát: phát bảng câu hỏi khảo sát trực tiếp đến đối tượng nghiên cứu.
Để đảm bảo sự thuận lợi và không bị gián đoạn trong nghiên cứu, tác giả quyết định tiến hành chuẩn bị 240 bảng khảo sát để sau khi gạn lọc và làm sạch dữ liệu sẽ đạt được kích cỡ mẫu như mong muốn.
Dữ liệu nghiên cứu thu thập về sẽ được đưa vào xử lý, phân tích trên phần mềm xử lý dữ liệu thống kê SPSS phiên bản 20.
Khảo sát
- Số lượng phiếu khảo sát chuẩn bị: 240 - Số lượng phiếu khảo sát thu lại: 215
- Số lượng phiếu khảo sát thu về hợp lệ: 215
Cuộc khảo sát được thực hiện từ đầu tháng 7 năm 2018. Giữa tháng 9 năm 2018, tác giả tập hợp lại tất cả các bảng khảo sát, sau khi loại bỏ các phiếu khảo sát không hợp lệ, tác giả tiến hành nhập dữ liệu vào chương trình phân tích số liệu thống kê SPSS và tiến hành phân tích dữ liệu.
Phƣơng pháp phân tích dữ liệu
- Đánh giá độ tin cậy theo phương pháp thang đo Cronbach’s Alpha:
Vào năm 1951, Cronbach đã cho ra đời một phương pháp kiểm định đọ tin cậy của thang đo. Phương pháp này cho phép người phân tích đánh giá sơ bộ thang đo, loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Tuy nhiên cần chú ý rằng hệ số Cronbach’s Alpha không thể tính được độ tin cậy cho từng biến quan sát, mà chỉ có thể đo lường độ tin cậy của thang đo (bao gồm từ 3 biến quan sát trở lên).
Có nhiều trường phái khác nhau về giá trị kiểm định Cronbach’s Alpha, nhưng nhìn chung thì một thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được. Thông thường, thang đo có độ tin cậy khi có hệ số Cronbach’s Alphatrong khoảng (0.7, 0.8), trong trường hợp Cronbach’s Alpha >= 0.8 thì thang đo có độ tin cậy tốt.
Ngoài ra, những biến có hệ số tương quan biến – tổng hiệu chỉnh (Corrected Item – Total Correlation) < 0.3 sẽ bị loại do không phù hợp với phân tích nhân tố khám phá EFA.
- Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor
Analysis)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha, loại đi các biến không đảm bảo độ tin cậy, vấn đề tiếp theo đặt ra là tiến hành phân tích nhân tố khám phá EFA, nhằm rút gọn nhiều biến thành một nhóm biến để đo lường cho một nhân tố cụ thể phù hợp với ý nghĩa của biến khảo sát. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát.
Theo Hair & ctg (1998,111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
Factor loading > 0.3 được xem là đạt mức tối thiểu.
Factor loading > 0.4 được xem là quan trọng.
Factor loading > 0.5 được xem là có ý nghĩ thực tiễn.
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
Hệ số tải nhân tố (Factor loading) > 0.5
0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser – Meyer – Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớ có ý nghĩ phân tích nhân tố là thích hợp.
Kiểm định Bartlett có ý nghĩ thống kê (Sig. < 0.05): đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương
quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: thể hiện phần trăm biến thiên của các biến quan sát.
- Phân tích hồi quy tuyến tính
Sau khi rút trích được các nhân tố từ phân tích EFA, tác giả tiến hành kiểm định mô hình giả thuyết bàng hồi quy tuyến tính bội.
Kiểm tra đa cộng tuyến (multicolinearity): Đa cộng tuyến là hiện tượng các biến độc lập có tương quan chặt chẽ với nhau. Hiện tượng đa cộng tuyến là các biến độc lập cung cấp cho mô hình những thông tin rất giống nhau và rất khó tách rời ảnh hưởng của từng biến độc lập đến biến phụ thuộc. Hiệu ứng khác khi có hiện tượng tương quan chặt chẽ giữa các biến độc lập là làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê t của kiểm định ý nghĩa của các biến độc lập nên các hệ số có khuynh hướng kém ý nghĩa hơn khi có hiện tượng đa cộng tuyến trong khi hệ số xác định R2 vẫn khá cao. Để kiểm tra hiện tượng đa cộng tuyến, chỉ số thường dùng là hệ số phóng đại phương sai VIF (Variance Inflation Factor) của các biến độc lập trong mô hình. Theo Hair & ctg (2006), nếu VIF của một biến độc lập nào đó > 10 thì biến này hầu như không có giá trị giải thích biến thiên của biến phụ thuộc trong mô hình hồi quy bội.
Kiểm định tương quan (Pearson correlation): Sử dụng hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Nếu giữa 2 biến có sự tương quan chặt chẽ thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Nếu hệ số tương quan Pearson > 0.3 thì cần xem xét hiện tượng đa cộng tuyến khi phân tích hồi quy.
Kiểm định mức độ phù hợp của mô hình: Để đánh giá độ phù hợp của mô hình, tác giả thực hiện kiểm định là hệ số R2 và đại lượng F. Hệ số xác định R2 (Adjusted R Square) được chứng minh là hàm không giảm theo số biến độc lập
được đưa vào mô hình, tuy nhiên không phải phương trình càng có nhiều biến sẽ càng phù hợp với dữ liệu hơn, R2 có khuynh hướng là một yếu tố lạc quan của thước đo sự phù hợp của mô hình với dữ liệu trong trường hợp có một biến giải thích trong mô hình. Kiểm định F dùng để kiểm định tính phù hợp của mô hình, kiểm tra sự tương quan giữa các biến độc lập và biến phụ thuộc.
Kiểm định ý nghĩa của hệ số hồi quy: Đây là kiểm định đối với từng hệ số β với giả thuyết đặt ra là H0: β1 = β2 = β3 = β4 =… = 0.
Kết quả phương trình hồi quy sẽ cho thấy yếu tố ảnh hưởng quan trọng đến biến phụ thuộc thông qua giá trị của hệ số hồi quy. Hệ số hồi quy của yếu tố nào có giá trị càng lớn, chứng tỏ yếu tố đó ảnh hưởng càng nhiều đến quyết định gửi tiền tại ngân hàng của khách hàng.
Xây dựng thang đo
Qua hai bước khảo sát định tính và định lượng, kết quả đề xuất có 7 nhân tố độc lập có ảnh hưởng đến huy động vốn đối với KHCN tại BIDV Gia Lai, được đo bằng 22 biến quan sát và 1 thành phần quyết định được đo bằng 4 biến quan sát. Cụ thể:
- Các hình thức huy động vốn – Chất lượng dịch vụ (HT): gồm 3 biến quan sát (từ HT1 đến HT3).
- Chính sách lãi suất (LS): gồm 3 biến quan sát (từ LS1 đến LS3). - Thương hiệu – Uy tín – Năng lực tài chính (TH): gồm 3 biến quan sát (từ TH1 đến TH3).
- Chất lượng nguồn nhân lực (NV): gồm 4 biến quan sát (từ CNV1 đến NV4).
- Cơ sở vật chất – Công nghê (CSVC): gồm 3 biến quan sát (từ CSVC1 đến CSVC3).
- Hoạt động truyền thông – Marketing (MAR): gồm 3 biến quan sát (từ MAR1 đến MAR3).
- Huy động vốn tiền gửi KH của ngân hàng (HDV): gồm 4 biến quan sát (từ HDV1 đến HDV4).