2.2.3 .Trải nghiệm thƣơng hiệu
3.2. PHƢƠNG PHÁP NGHIÊN CỨU
3.2.2. Nghiên cứu định lƣợng
Theo Hair (2003), nghiên cứu định lƣợng thƣờng gắn liền với các cuộc điều tra hay thí nghiệm với mẫu lớn hơn nhiều so với nghiên cứu định tính. Mục tiêu chính của nghiên cứu định lƣợng là đƣa ra các số liệu cụ thể, từ đó ngƣời ra quyết
định có thể dự đoán chính xác về mối quan hệ giữa các nhân tố cần nghiên cứu cũng nhƣ có cái nhìn toàn vẹn hơn về mối quan hệ đó.
Nghiên cứu định lƣợng đƣợc thực hiện thông qua phỏng vấn trực tiếp các nhóm ngƣời trong các cửa hàng xe gắn máy và các nhóm ngƣời trong khu vực trung tâm Thành phố Hồ Chí Minh qua bảng câu hỏi chi tiết nhằm đánh giá các thang đo và kiểm định mô hình lý thuyết cùng các giả thuyết đã đặt ra.
Để có đƣợc bảng câu hỏi khảo sát chính thức, tác giả đã tiến hành các bƣớc nhƣ sau: Bƣớc 1, sau khi tìm hiểu các mô hình nghiên cứu trƣớc đây liên quan đến sự ý định mua hàng của khách hàng và các yếu tố của thƣơng hiệu, tác giả đƣa ra đƣợc các thang đo với các nội dung dùng để thảo luận nhóm trong bảng câu hỏi nháp (Nghiên cứu định tính).
Bƣớc 2, sau khi có kết quả từ nhóm thảo luận về bảng câu hỏi nháp, tác giả hình thành thang đo chính thức dùng cho nghiên cứu khám phá. Sau quá trình khảo sát, tập dữ liệu thu về sẽ đƣợc gạn lọc, kiểm tra, mã hóa, nhập liệu và làm sạch dữ liệu, sau đó một số phƣơng pháp phân tích sẽ đƣợc sử dụng trong nghiên cứu, cụ thể nhƣ sau:
*Phân tích mô tả: Trong bƣớc đầu tiên, tác giả sử dụng phân tích mô tả thống kê tần số để mô tả các thuộc tính của mẫu nghiên cứu nhƣ: Giới tính, độ tuổi, học vấn, nghề nghiệp, thu nhập của khách hàng.
*Đánh giá độ tin cậy của thang đo:
Để đánh giá thang đo các khái niệm trong nghiên cứu, cần kiểm tra độ tin cậy, độ giá trị của thang đo. Sử dụng Cronbach’s Alpha để kiểm tra độ tin cậy của các tham số ƣớc lƣợng trong tập dữ liệu theo từng nhóm yếu tố trong mô hình nghiên cứu đề xuất. Những biến nào không đảm bảo độ tin cậy sẽ bị loại khỏi tập dữ liệu. Cronbach’s Alpha đƣợc chạy cho từng nhân tố (cả nhân tố độc lập và phụ thuộc). Mục đích của đánh giá độ tin cậy của thang đo là tìm hiểu xem các biến quan sát có cùng đo lƣờng cho một khái niệm cần đo hay không. Tuy nhiên, hệ số tin cậy Cronbach’s Alpha chỉ cho biết các biến quan sát có liên kết với nhau hay không
Khi đó, việc tính toán hệ số tƣơng quan biến – tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của các khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Để biến đƣợc biến nào đóng góp nhiều hay ít, ta cũng dựa vào hệ số tƣơng quan biến – tổng.
Dựa trên hệ số tin cậy Cronbach’s Alpha và hệ số tƣơng quan biến tổng (Item-to-total correlation) giúp loại ra những biến quan sát không đóng góp vào việc mô tả khái niệm cần đo, hệ số Cronbach’s Alpha if Item Deleted để giúp đánh giá để loại bỏ bớt biến quan sát nhằm nâng cao hệ số tin cậy Cronbach’s Alpha cho khái niệm cần đo và phƣơng pháp phân tích khám phá (EFA) nhằm kiểm tra độ giá trị của thang đo các khái niệm nghiên cứu.
Phân tích Cronbach’s Alpha: Thực chất là phép kiểm định mức độ tƣơng quan lẫn nhau của các biến quan sát trong thang đo qua việc đánh giá sự tƣơng quan giữa bản thân các biến quan sát và tƣơng quan của điểm số trong từng biến quan sát với điểm số toàn bộ các biến quan sát cho từng trƣờng hợp trả lời.
Một tập hợp các biến quan sát đƣợc đánh gía tốt khi hệ số Cronbach’s Alpha lớn hơn hoặc bằng 0,8; Cronbach’s alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao, hệ số Cronbach’s alpha từ 0,6 trở lên là có thể sử dụng đƣợc (Hoàng Trọng- Chu Nguyên Mộng Ngọc, phân tích dữ liệu nghiên cứu với SPSS). Các mức giá trị của Cronbach’s Alpha: lớn hơn 0,8 là thang đo lƣờng tốt; từ 0,7 đến 0,8 là sử dụng đƣợc; từ 0,6 trở lên là có thể sử dụng trong trƣờng hợp khái niệm nghiên cứu là hoàn toàn mới hoặc là mới trong bối cảnh nghiên cứu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tƣơng quan biến – tổng là hệ số tƣơng quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, nếu hệ số này càng cao thì sự tƣơng quan giữa biến với các biến khác trong nhóm càng cao. Theo nunnally & Burnstein (1994), các biến có hệ số tƣơng quan biến – tổng nhỏ hơn 0,3 sẽ bị coi là biến rác và sẽ loại ra khỏi mô hình do có tƣơng quan kém với các biến khác trong mô hình. Sau khi loại các biến số có độ tin cậy thấp, các biến còn lại sẽ tiếp tục đƣợc phân tích nhân tố khám phá (EFA).
Tóm lại, đối với nghiên cứu này, những biến có hệ số tƣơng quan biến tổng nhỏ (dƣới 0,4) sẽ đƣợc coi là biến rác và bị loại khỏi mô hình, đồng thời thang đo đƣợc chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt từ 0,7 trở lên.
*Phân tích nhân tố khám phá EFA (Exploratory Factors Analysis):
Sau khi loại bỏ các biến không đủ độ tin cậy, phƣơng pháp phân tích EFA đƣợc sử dụng để xác định giá trị hội tụ (Convergent Validity), giá trị phân biệt (Discriminant Validity), đồng thời thu gọn các tham số ƣớc lƣợng theo từng nhóm biến hay nói cách khác làrút gọn một tập gồm nhiều biến quan sát thành một tập biến (nhân tố) ít hơn. Các nhân tố đƣợc rút gọn này sẽ có ý nghĩa hơn và vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phƣơng pháp phân tích nhân tố khám phá EFA đƣợc dùng để kiểm định giá trị khái niệm của thang đo.
- Trình tự phân tích nhân tố khám phá EFA:
Đối với các biến quan sát đo lƣờng các khái niệm thành phần là các yếu tố ảnh hƣởng đến ý định mua xe gắn máy của khách hàng: sử dụng phƣơng pháp trích nhân tố Principal components Analysis với phép xoay Varimax.
Đối với các biến quan sát đo lƣờng khái niệm ý định mua xe gắn máy của khách hàng: sử dụng phƣơng pháp trích nhân tố Principal components Analysis với phép xoay Varimax.
- Các tiêu chí đánh giá:
Kiểm định Bartlett (Bartlett’s test of sphericity): Bartlett là một đại lƣợng thống kê dùng để xét xem các biến quan sát có tƣơng quan trong tổng thể.
Xem xét hệ số tải nhân tố (Factor Loading): Hệ số tải nhân tố là những hệ số tƣơng quan đơn giữa các biến và các nhân tố. Để phân tích EFA có giá trị thực tiễn thì hệ số tƣơng quan đơn giữa các biến và các nhân tố phải lớn hơn hoặc bằng 0,4 trong một nhân tố (Bùi Nguyên Hùng & Võ Thành Toàn 2005).
Xem xét chỉ số Eigenvalues: Số lƣợng nhân tố đƣợc xác định dựa trên chỉ số Eigenvalues – đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser, những nhân tố có Eigenvalues nhỏ hơn 1 sẽ bị loại khỏi mô hình
(Hoàng Trọng- Chu Nguyễn Mộng Ngọc, phân tích dữ liệu với SPSS tập 2, trang 31).
Xem xét giá trị KMO: Chỉ số KMO (Kaiser – Meyer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. 0,5 < KMO < 1 thì phân tích nhân tố là thích hợp với dữ liệu, ngƣợc 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, 2008).
Xem xét giá trị tổng phƣơng sai trích (Variance Explained Criteria): Giá trị này cho biết các nhân tố trích đƣợc giải thích đƣợc bao nhiêu phần trăm sự biến thiên của các biến quan sát. Yêu cầu giá trị của hệ số này phải lớn hơn 50%.
Cách thực hiện và tiêu chí đáng giá trong phân tích nhân tố khám phá EFA: tác giả sử dụng phƣơng pháp trích nhân tố (Principal components Analysis) với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues lớn hơn 1 đối với các biến quan sát đo lƣờng ý định mua hàng. Với các thang đo đơn hƣớng, sử dụng phƣơng pháp trích nhân tố (Principal components Analysis). Tiến hành loại các biến có trọng số nhân tố (còn gọi là hệ số tải nhân tố) nhỏ hơn 0,5. Tiêu chuẩn đối với hệ số tải nhân tố là phải lớn hơn hoặc bằng 0,5 để đảm bảo mức ý nghĩa của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0,3 là đạt đƣợc mức tối thiểu; lớn hơn 0,4 là quan trọng; lớn hơn 0,5 là có ý nghĩa thực tiễn.Thang đo đƣợc chấp nhận khi tổng phƣơng sai trích đƣợc bằng hoặc lớn hơn 50% (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2010)
*Phân tích tƣơng quan và hồi quy đa biến
Sau khi hoàn tất việc phân tích đánh giá độ tin cậy thang đo (Cronbach’s alpha) và kiểm định giá trị khái niệm của thang đo (phân tích nhân tố khám phá EFA), tiến hành tính toán trọng số của nhân tố (giá trị của các nhân tố trích đƣợc trong phân tích nhân tố khám phá EFA) bằng cách tính trung bình cộng của biến quan sát thuộc nhân tố tƣơng ứng. Các nhân tố đƣợc trích ra trong phân tích nhân tố đƣợc sử dụng cho phân tích hồi quy đa biến để kiểm định mô hình nghiên cứu và các giả thuyết kèm theo. Các kiểm định giả thuyết thống kê đều sử dụng mức ý nghĩa 5%.
Kiểm định mối tƣơng quan tuyến tính giữa các biến trong mô hình (giữa biến phụ thuộc và biến độc lập và giữa các biến độc lập với nhau). Sử dụng hệ số tƣơng quan Pearson để lƣợng hóa mức độ chặt chẽ mối quan hệ tuyến tính giữa hai biến định lƣợng: giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này có mối tƣơng quan tuyến tính càng chặt chẽ (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008)
Trong mô hình nghiên cứu, kỳ vọng có mối tƣơng quan tuyến tính chặt chẽ giữa biến phụ thuộc và các biến độc lập, đồng thời cũng xem xét mối tƣơng quan giữa các biến độc lập với nhau để nhận dạng hiện tƣợng đa cộng tuyến. Để kiểm định mối quan hệ giữa các yếu tố của thƣơng hiệu ảnh hƣởng đến ý định mua xe gắn máy của khách hàng, tác giả sử dụng phƣơng pháp tƣơng quan với hệ số tƣơng quan “Pearson correlation coefficient”, đƣợc ký hiệu bởi chữ “r”, giá trị của r trong khoảng -1 ≤ r ≤ 1.
+ Nếu r>0 thể hiện mối quan hệ đồng biến, ngƣợc lại r<0 thể hiện mối quan hệ nghịch biến. Giá trị r=0 chỉ ra rằng hai biến không có quan hệ tuyến tính.
+ |r| 1: quan hệ tuyến tính giữa hai biến càng chặt. + |r| 0: quan hệ tuyến tính giữa hai biến càng yếu.
Mức ý nghĩa “sig” của hệ số tƣơng quan, cụ thể nhƣ sau: + sig< 5%: mối tƣơng quan khá chặt chẽ.
+ sig<1%: mối tƣơng quan rất chặt chẽ. Phân tích hồi quy đa biến:
Sau khi kết luận hai biến có quan hệ tuyến tính với nhau thì có thể mô hình hóa mối quan hệ của hai biến này bằng hồi quy đa biến (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Nghiên cứu thực hiện hồi quy đa biến theo phƣơng pháp Enter, đó là tất cả các biến đƣợc đƣa vào một lần và xem xét các kết quả thống kê liên quan đến các biến đƣợc đƣa vào trong mô hình.
* Kiểm định các giả thuyết, sử dụng với phần mềm SPSS:
Đánh giá độ phù hợp của mô hình hồi quy đa biến: Dựa vào hệ số R và R2 hiệu chỉnh, kiểm định giá trị thống kê F. Các công cụ chẩn đoán giúp phát hiện hiện tƣợng đa cộng tuyến trong dữ liệu và đánh giá mức độ cộng tuyến làm thoái hóa các tham số ƣớc lƣợng là độ chấp nhận của biến (Tolerance) và hệ số phóng đại phƣơng sai (Variance Inflation Factor- VIF). VIF có liên hệ gần với độ chấp nhận. Khi Tolereance nhỏ thì VIF lớn, khi VIF vƣợt quá 10, đó là dấu hiệu của hiện tƣợng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy. Xác định mức độ ảnh hƣởng của các nhân tố tác động ý định mua xe máy của khách hàng khu vực Thành phố Hồ Chí Minh, nhân tố nào có hệ số hồi quy β lớn hơn thì có thể nhận xét rằng nhân tố đó có mức độ ảnh hƣởng cao hơn các nhân tố khác trong mô hình nghiên cứu.