CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
3.2 Thiết kế nghiên cứu
3.2.3 Nghiên cứu chính thức (nghiên cứu định lƣợng)
Nghiên cứu chính thức đƣợc thực hiện bằng phƣơng pháp nghiên cứu định lƣợng. Nghiên cứu định lƣợng đƣợc thực hiện nhằm kiểm định lại các thang đo trong mô hình nghiên cứu thông qua bảng câu hỏi khảo sát gửi cho khách hàng. (Phụ lục 1)
- Thời gian khảo sát: Từ 01/10/2018 đến 01/01/2019
- Đối tƣợng và phạm vi khảo sát: Khách hàng cá nhân đến giao dịch tại VCB Vũng Tàu.
Để đạt đƣợc mục tiêu nghiên cứu, nghiên cứu lựa chọn phƣơng pháp chọn mẫu thuận tiện.”Chọn mẫu theo phƣơng pháp thuận tiện là phƣơng pháp chọn mẫu phi xác suất mà nhà nghiên cứu có thể chọn những phần tử nào mà họ có thể tiếp cận đƣợc” (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011, trang 240). Phƣơng pháp chọn mẫu này giúp tiết kiệm thời gian, chi phí thực hiện. Phƣơng pháp thu thập dữ liệu bằng bảng câu hỏi khảo sát, gửi trực tiếp đến khách hàng tại các quầy giao dịch hoặc thông qua email.
Kích thƣớc mẫu trong phân tích mô hình hồi quy tuyến tính bội cũng là một vấn đề quan tâm. Theo Hair & ctg (2006) thì kích cỡ mẫu bằng ít nhất 5 lần biến quan sát. Những nguyên tắc kinh nghiệm khác trong xác định cỡ mẫu cho phân tích nhân tố EFA (Exploratory Factor Analysis) thì thông thƣờng thì số quan sát (kích thƣớc mẫu) ít nhất phải bằng 4 hay 5 lần số biến trong phân tích (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Mô hình nghiên cứu trong luận văn gồm 24 biến quan sát. Do đó số lƣợng mẫu cần thiết tối thiểu là n= 24x5=120. Để đạt đƣợc kích thƣớc mẫu đề ra, 250 bảng câu hỏi đƣợc gửi đi khảo sát. Kết quả thu về đƣợc 180 phiếu hợp lệ. Do đó, mẫu nghiên cứu chính thức là n = 180. Với cỡ mẫu thu đƣợc đủ đảm bảo độ tin cậy để phân tích mô hình hồi quy tuyến tính bội.
Phƣơng pháp phân tích dữ liệu:
Sau khi có dữ liệu nghiên cứu tác giả sử dụng phần mềm SPSS 23.0 để phân tích dữ liệu.
Nghiên cứu sử dụng nhiều công cụ phân tích dữ liệu: phân tích thống kê mô tả, kiểm định thang đo bằng hệ số Cronbach‟s Alpha. Sử dụng phân tích nhân tố khám phá (EFA). Sau đó, sẽ kiểm tra độ thích hợp của mô hình, xây dựng mô hình hồi quy, kiểm định các giả thuyết.
Phân tích thống kê mô tả:
Phân tích thống kê mô tả để xác định dữ liệu đã đƣợc thu thập theo các thuộc tính giới tính, độ tuổi, trình độ học vấn, thu nhập, mức độ ƣu tiên của khách hàng
chọn sử dụng DV NHĐT của VCB, tiện ích khách hàng thƣờng xuyên sử dụng trong DV NHĐT, thời gian đã sử dụng DV NHĐT.
Cronbach alpha:
Trƣớc khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phƣơng pháp Cronbach‟s Alpha dùng để đánh giá độ tin cậy của thang đo.
Theo Campell và Fiske (1959), một đo lƣờng đƣợc gọi là có độ tin cậy (validity) nếu nó đo lƣờng đúng đƣợc cái cần đo lƣờng hay đo lƣờng đó vắng mặt cả hai loại sai số, hệ thống và ngẫu nhiên.
Hệ số Cronbach‟ s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tƣơng quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tƣơng quan giữa bản thân các biến và tƣơng quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi ngƣời trả lời.
Phƣơng pháp này cho phép ngƣời phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu vì nếu không chúng ta không thể biết đƣợc chính xác độ biến thiên cũng nhƣ độ lỗi của các biến.
Theo đó, chỉ những biến có Hệ số tƣơng quan tổng biến phù hợp (Corrected Item-Total Correlaiton) lớn hơn 0.3 và có Hệ số Alpha lớn hơn 0.6 mới đƣợc xem là chấp nhận đƣợc và thích hợp đƣa vào phân tích những bƣớc tiếp theo (Nunnally và BernStein, 1994). Thông thƣờng, thang đo có Cronbach Alpha từ 0.7 đến 0.8 là sử dụng đƣợc. Cũng theo nhiều nhà nghiên cứu, nếu Cronbach‟s alpha đạt từ 0.8 trở lên đến gần 1 là thang đo lƣờng là tốt và mức độ tƣơng quan sẽ càng cao hơn. Theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2007) về mặt lý thuyết, Cronbach‟s Alpha càng lớn thì thang đo có độ tin cậy càng cao. Tuy nhiên khi hệ số Cronbach‟s Alpha quá lớn (>0,95) có nghĩa là nhiều câu trong thang đo không có khác biệt gì nhau hay là chúng cùng đo lƣờng một nội dung nào đó của khái niệm nghiên cứu. Hiện tƣợng này đƣợc gọi là đa cộng tuyến.
Nhân tố khám phá EFA (Exploratory Factor Analysis):
Phƣơng pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phƣơng pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Theo Hair & ctg (1998), phân tích nhân tố (Exploratory Factor Analysis) thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tƣơng quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết các nội dung thông tin của biến ban đầu. Quan hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau đƣợc xem xét dƣới dạng một số các nhân tố cơ bản. Mỗi một biến quan sát sẽ đƣợc tính một tỷ số gọi là hệ số tải nhân tố (Factor loading). Hệ số này cho ngƣời nghiên cứu biết đƣợc mỗi biến đo lƣờng sẽ “thuộc về” những nhân tố nào.
- Theo Hair & ctg (1998), Multivariate Data Analysis, Prentice-Hall International, trong phân tích EFA, hệ số 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 đƣợc xem là đạt mức tối thiểu - Factor loading > 0.4 đƣợc xem là quan trọng
- Factor loading > 0.5 đƣợc xem là có ý nghĩa 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 đƣợc dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvadue để xác định số lƣợng nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới đƣợc giữ lại trong mô hình. Đại lƣợng Eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn 1 biến gốc. Thêm vào đó, hệ số tải nhân tố của từng biến quan sát phải có giá trị lớn hơn 0,5; điểm dừng khi Eigenvalue (đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố) lớn hơn 1 (mặc định của chƣơng trình SPSS), và tổng phƣơng sai dùng để giải thích bởi từng nhân tố lớn hơn 50% mới thỏa yêu cầu của phân tích nhân tố (Gerbing & Anderson, 1988).
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005), kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lƣợng thống kê dùng để xem xét giả thuyết các biến không có tƣơng quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tƣơng quan với nhau trong tổng thể. Phần trăm phƣơng sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích đƣợc bao nhiêu %.
Tƣơng quan hệ số Pearson
Ngƣời ta sử dụng hệ số tƣơng quan Pearson để lƣợng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lƣợng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này mối tƣơng quan tuyến tính càng chặt chẽ (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Nếu giữa 2 biến có sự tƣơng quan chặt chẽ thì phải lƣu ý vấn đề đa cộng tuyến khi phân tích hồi quy.
Kiểm định đa cộng tuyến: Đa cộng tuyến là trạng thái trong đó các biến độc lập có tƣơng quan chặt chẽ với nhau. Vấn đề của hiện tƣợng đa cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hƣởng của từng biến một đến biến phụ thuộc. Hiệu ứng khác của sự tƣơng quan khá chặt chẽ giữa các biến độc lập là nó làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê của kiểm định ý nghĩa của chúng nên các hệ số có
khuynh hƣớng kém ý nghĩa hơn khi không có đa cộng tuyến trong khi hệ số xác định R2 vẫn khá cao. Trong quá trình phân tích hồi quy bội, đa cộng tuyến đƣợc SPSS chuẩn đoán bằng tiêu chí Collinearity diagnostics (chuẩn đoán hiện tƣợng đa cộng tuyến) với hệ số phóng đại phƣơng sai VIF (Variance inflation factor) của các biến độc lập trong mô hình. Nếu VIF đều nhỏ hơn 10 tức là mô hình không có đa cộng tuyến.
Cần xem xét hiện tƣợng đa cộng tuyến khi phân tích hồi quy nếu hệ số tƣơng quan pearson > 0.3.
Phân tích hồi quy:
Là một phân tích thống kê để xác định xem các biến độc lập quy định các biến phụ thuộc nhƣ thế nào. Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp dự đoán đƣợc giá trị của biến phụ thuộc khi biết trƣớc giá trị của biến độc lập.
Kiểm định giả thuyết về độ phù hợp của mô hình: Xây dựng xong mô hình
hồi quy, vấn đề quan tâm đầu tiên là phải xem xét độ phù hợp của mô hình đối với tập dữ liệu thông qua giá trị R2. Để kiểm định độ phù hợp của mô hình hồi quy tổng thể ta đặt giả thuyết hệ số R2 =0. Đại lƣợng F đƣợc sử dụng cho kiểm định này. Nếu xác suất F nhỏ thì giả thiết R2=0 bị bác bỏ.
Kiểm định giả thuyết về ý nghĩa của hệ số nội quy: Đây là kiểm định đối với các hệ số B. Giả thuyết dùng để kiểm định giả thuyết này là: Bi =0. Ta kỳ vọng giả thuyết này sẽ bị bác bỏ vì nếu =0 nghĩa là mối quan hệ tƣơng quan ta nhận thấy ở mẫu chỉ xảy ra ngẫu nhiên chứ không phải do bản chất. Trị thống kê dụng để kiểm định giả thuyết là t, phân phối của đại dƣơng thống kê này là Student với N-2 bậc tự do. Sau đó ta tiến hành phân tích hồi quy.
KẾT LUẬN CHƢƠNG 3
Chƣơng này trình bày phƣơng pháp nghiên cứu gồm hai bƣớc chính: nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ đƣợc thực hiện bằng nghiên cứu định tính thông qua tham khảo ý kiến chuyên gia, thảo luận nhóm và phỏng vấn thử. Thông qua nghiên cứu định tính tác giả đã tiến hành hiệu chỉnh thang đo sơ bộ thành thang đo chính thức để phục vụ cho nghiên cứu chính thức. Thang đo gồm 24 biến quan sát thuộc 6 nhóm nhân tố. Nghiên cứu chính thức đƣợc thực hiện bằng nghiên cứu định lƣợng. Chƣơng này cũng trình bày kế hoạch phân tích dữ liệu thu thập đƣợc. Chƣơng tiếp theo trình bày cụ thể kết quả nghiên cứu.
CHƢƠNG 4. KẾT QUẢ NGHIÊN CỨU CHẤT LƢỢNG DỊCH VỤ NGÂN HÀNG ĐIỆN TỬ TẠI VCB VŨNG TÀU
Trong chƣơng 3 đã trình bày phƣơng pháp nghiên cứu nhằm xây dựng, đánh giá thang đo và mô hình nghiên cứu. Chƣơng 4 này sẽ trình bày thông tin về mẫu khảo sát và kiểm định các thang đo đo lƣờng các khái niệm nghiên cứu. Sau đó nghiên cứu sẽ ƣớc lƣợng và kiểm định mô hình lý thuyết để từ đó đánh giá mức độ tác động của các nhân tố thành phần đến CLDV NHĐT tại VCB Vũng Tàu.
Kết quả chạy mô hình nghiên cứu: