CHƢƠNG 3 : THIẾT KẾ NGHIÊN CỨU
3.3 Nghiên cứu chính thức
3.3.3 Kỹ thuật phân tích dữ liệu
Để thực hiện cơng việc thống kê và phân tích dữ liệu thu thập được, nghiên cứu sử dụng phần mềm SPSS 20.0 để kiểm định độ tin cậy và độ giá trị của thang đo thơng qua chạy Cronbach’s alpha và phân tích nhân tố khám phá – EFA (trong khảo sát sơ bộ và khảo sát chính thức), đồng thời cũng sử dụng SPSS để thực hiện các thống kê mô tả, thống kê suy diễn và phân tích hồi quy.
3.3.3.1 i m định độ tin cậ của thang đo
Để sử dụng thang đo cho các phân tích thống kê trong nghiên cứu, tác giả đã kiểm tra độ tin cậy của thang đo. Độ tin cậy của thang đo được kiểm tra bằng phương pháp nhất quán nội tại với hệ số Cronbach Alpha. Hệ số Cronbach Alpha càng lớn thì các biến quan sát trong thang đo càng tương quan chặt chẽ với nhau. Tuy nhiên, kết quả phân tích cho hệ số Cronbach Alpha không cho chúng ta biết được những biến quan sát nào phù hợp và khơng phù hợp, do đó cần xem xét thêm Hệ số Alpha nếu bỏ biến quan sát đang xét” để kiểm tra và loại bỏ đi những biến quan sát không phù hợp với yếu tố cần đo (Hoàng Trọng và Chu Nguyễn Mộng
43
Ngọc 2008).
Nhiều nhà nghiên cứu cho rằng khi Cronbach Alpha từ 0.8 đến gần 1 thì thang đo đang xét là tốt, từ 0,7 đến gần 0,8 thì thang đo có thể sử dụng được. Cũng có nhà nghiên cứu đề nghị từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunally và Bernstein 1994; Peterson 1994; Slater và Narver 2000). Ngoài ra, với hệ số Alpha nếu lần lượt bỏ bớt từng biến quan sát đều nhỏ hơn hệ số Cronbach Alpha chung thì khơng nên loại bỏ biến quan sát đã được bỏ đi đó (Hồng Trọng và Chu Nguyễn Mộng Ngọc 2008). Trong nghiên cứu, này tác giả chọn thang đo có hệ số Cronbach Alpha lớn hơn 0,6.
3.3.3.2 h n tích nh n t hám phá
Phân tích nhân tố khám phá (EFA) là một nhóm các thủ tục, phương pháp phân tích thống kê được sử dụng để thu nhỏ và rút gọn một tập dữ liệu gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (còn gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng được hầu hết nội dung thông tin của tập biến ban đầu (Hair và ctg 2006). Phương pháp thực hiện: Mơ hình nghiên cứu ở đây gồm 21 biến quan sát đo lường 5 khái niệm thành phần, tác giả sử dụng phương pháp trích yếu tố Principal Components với phép xoay Varimax để cho ra ma trận nhân tố đã xoay, từ đó xác định được số lượng nhân tố đã trích ra cũng như số lượng các biến quan sát ban đầu thuộc về các nhân tố.
Điều kiện đ phân tích nhân t khám phá (EFA):
Phân tích nhân tố khám phá (EFA) dựa trên cơ sở mối quan hệ giữa các biến đo lường, vì vậy trước khi quyết định phân tích nhân tố khám phá (EFA) cần phải xem xét mối quan hệ giữa các biến đo lường này. Sử dụng ma trận hệ số tương quan có thể nhận biết được mức độ quan hệ giữa các (Nguyễn Đình Thọ 2011). Nếu các hệ số tương quan nhỏ hơn 0,3 thì việc phân tích nhân tố khám phá (EFA) khơng phù hợp (Hair và ctg 2006). Một số tiêu chí đánh giá mối quan hệ giữa các biến sau:
44
• Kiểm định Bartlett: Dùng để xem xét ma trận tương quan có phải là ma trận
đơn vị I (Identity Matrix), là ma trận có các thành phần (hệ số tương quan giữa các biến) bằng không và đường chéo (hệ số tương quan với chính nó) bằng 1. Nếu phép kiểm định Bartlett có p < 0,05 (5%), thì giả thuyết H0 bị bác bỏ (ma trận tương quan là ma trận đơn vị), nghĩa là các biến có quan hệ với nhau.
• Kiểm định KMO: (Kaiser – Meyer - Olkin Measure of Sampling Adequacy)
là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa hai biến Xi và Xj với độ lớn của hệ số tương quan riêng phần của chúng (Norusis 1994). KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn. Để phân tích nhân tố khám phá (EFA), KMO phải lớn hơn 0,5. Kaiser (1974) đề nghị MO ≥ 0,9: rất tốt; MO ≥ 0,8: tốt; MO ≥ 0,7: được; MO ≥ 0,6: tạm được; MO ≥ 0,5: xấu và KMO < 0,5: không thể chấp nhận được.
Tiêu chuẩn chọn s lượng nhân t trong phân tích EFA:
Có nhiều phương pháp chọn nhân tố, còn gọi là chọn điểm dừng, cần chú ý thêm là các nhà nghiên cứu không sử dụng một phương pháp riêng biệt nào trong xác định số lượng các nhân tố mà họ thường kết hợp nhiều tiêu chí khác nhau (ví dụ Hair và ctg (2006)). Có ba phương pháp thường được sử dụng là: (1) tiêu chí Eigenvalue, (2) tiêu chí điểm gãy Scree Test Criterion và (3) xác định trước số lượng nhân tố. Mặc dù cả ba tiêu chí đều hướng tới việc xác định số lượng nhân tố phù hợp cho mơ hình phân tích, nhưng hai tiêu chí điểm gãy Scree Test Criterion và xác định trước số lượng nhân tố phần lớn được thực hiện dựa trên giải pháp đồ thị và kinh nghiệm của người phân tích (Anderson & Gerbing 1988). Trong khi đó, tiêu chí Eigenvalue được sử dụng phổ biến nhất trong các nghiên cứu khoa học, dựa vào giải pháp thống kê nhằm để quyết định số lượng các nhân tố tác động được giữ lại (Hoyle and Duvall, 2004). Do đó, trong nghiên cứu này tác giả sử dụng tiêu chí Eigenvalue để xác định số lượng nhân tố trích ra. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có Eigenvalue tối thiểu bằng 1 (≥1) và phương sai trích phải lớn hơn 0,5 (>0,5) (Anderson & Gerbing 1988). Chỉ những
45
nhân tố có eigenvalue lớn hơn 1 thì mới được giữ lại trong mơ hình. Giá trị eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc.
3.3.3.3 h n tích hồi qu
Phân tích hồi quy tuyến tính sẽ cho biết cường độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Phương pháp hồi quy được sử dụng ở đây là phương pháp bình phương bé nhất thơng thường OLS. Trong nghiên cứu này, tác giả sử dụng hồi quy 1 bước, với biến phụ thuộc là Ý định sử dụng (YDSD) dịch vụ mobile banking của khách hàng cá nhân còn các biến độc lập bao gồm: Cảm nhận sự hữu ích (PU),
Cảm nhận dễ sử dụng (PE), Cảm nhận sự tin tưởng (PT), Cảm nhận về chi phí (PC), và Cảm nhận về rủi ro (PR).
Phương trình hồi quy tổng thể có dạng như sau (gồm 5 nhân tố độc lập):
YDSDi = β° + β1PUi + β2PEi + β3PTi + β4PCi + β5PRi + ei (3.1) Tương tự như quy trình đo lường các biến độc lập, biến phụ thuộc (YDSDi) được đo lường thông qua bảng hỏi với thang đo Likert 5 mức độ. Với đặc tính này của biến phụ thuộc, tác giả sử dụng phương pháp bình phương bé nhất thơng thường OLS để ước lượng mơ hình hồi quy (3.1). Việc xác định tầm quan trọng của các biến độc lập trong mối quan hệ với biến phụ thuộc căn cứ vào hệ số beta (β) đã chuẩn hóa. Nếu trị tuyệt đối hệ số beta đã chuẩn hóa của nhân tố nào càng lớn thì nhân tố đó ảnh hưởng càng quan trọng đến ý định sử dụng dịch vụ mobile banking của khách hàng.
Ngoài ra, để kiểm tra có sự khác biệt hay khơng trong các nhân tố tác động đến ý định sử dụng dịch vụ mobile banking giữa các nhóm đối tượng khách hàng, tác giả còn chia bộ dữ liệu thành hai mẫu con (sub-sample) tương ứng với số quan sát thuộc hai đối tượng khách hàng: chưa sử dụng và đã sử dụng mobile banking. Sau đó, mỗi mẫu con sẽ được tác giả tiến hành ước lượng hồi quy theo phương trình hồi
46
Tóm tắt chƣơng 3
Trong chương này tác giả đã nêu rõ quy trình nghiên cứu, phương pháp nghiên cứu được hiện thông qua 2 bước nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ thực hiện việc nghiên cứu định tính, bằng cách thảo luận với các chuyên gia trong lĩnh vực dịch vụ tài chính – ngân hàng và các cán bộ Vietcombank CN Đà Lạt nhằm hiệu chỉnh các câu hỏi, thang đo cho phù hợp. Tác giả đã phân tích, nêu lên các giả thiết nghiên cứu, từ đó đề xuất mơ hình nghiên cứu nhằm đánh giá cảm nhận của khách hàng về dịch vụ mobile banking, nghiên cứu các nhân tố Cảm nhận sự hữu ích, Cảm nhận sự dễ sử dụng, Cảm nhận sự tin tưởng,
Cảm nhận về chi phí, Cảm nhận về rủi ro có tác động nhu thế nào đến Ý định sử dụng dịch vụ mobile banking. Trong chương này, tác giả cũng nêu rõ các bước
nghiên cứu, đối tượng khảo sát, các câu hỏi khảo sát, kích cỡ mẫu dự kiến cần nghiên cứu, phương pháp chọn mẫu để đạt các yêu cầu về số lượng mẫu cần thiết trong nghiên cứu.
47