c) Thu thập thông tin
Thông tin được thu thập thông qua điều tra các KH của NH Citibank Việt Nam bằng phương pháp phỏng vấn trực tiếp mặt đối mặt và phỏng vấn qua điện thoại
Mẫu được chọn theo phương pháp thuận tiện. Phương pháp phân tích dữ liệu chủ yếu được sử dụng trong nghiên cứu này là phương pháp phân tích nhân tố khám phá EFA và phân tích hồi quy bội.Mô hình có số biến quan sát là 23, theo nghiên cứu của Hair (2006)[12], để có thể phân tích nhân tố khám phá cần thu thập dữ liệu với kích thước
mẫu ít nhất 5 mẫu trên 1 biến quan sát, do đó kích thước mẫu cần thiết là n = 23*5 = 115. Để đảm bảo kích thước mẫu trên, 150 bảng câu hỏi được sử dụng để phỏng vấn KH.
d) Phân tích dữ liệu
Các sữ liệu sau khi thu thập sẽ được xử lý bằng phần mềm SPSS. Một số phương pháp được sử dụng để phân tích dữ liệu:
(1) Lập bảng tần số mô tả mẫu theo các tiêu thức như giới tính, tuổi, trình độ học vấn, thu nhập hàng tháng,...
(2) Hệ số tin cậy Cronbach Alpha: phương pháp này dùng để loại các biến không phù hợp, hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số tin cậy Cronbach Alpha. Những biến có hệ số tương quan tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,8 đến gần 1 là thang đo tốt, thang đo có hệ số Cronbach alpha từ 0,7 đến 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu.
(3) Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis): Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không
đảm bảo độ tin cậy, các biến còn lại sẽ được đưa vào phân tích nhân tố khám phá nhằm mục đích thu nhỏ và tóm tắt dữ liệu.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng 0,5 đến 1 thì phân tích này mới thích hợp, nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không phù hợp với các dữ liệu.
Phân tích nhân tố khám phá còn dựa vào Eigenvalue để xác định số lượng nhân tố. Đại lượng Eigenvalue đại diện cho lượng biến thiên của mô hình được giải thích bởi nhân tố. Những nhân tố có Eigenvalue lớn hơn 1 sẽ được giữ lại trong mô hình còn những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc nên sẽ bị loại khỏi mô hình.
Một phần quan trọng nữa trong kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố được xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hoá bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factoring loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có mối tương quan chặt chẽ với nhau. Trong nghiên cứu này sử dụng phương pháp trích nhân tố principal components nên hệ số tải nhân tố phải lớn hơn 0,5 thì mới đạt yêu cầu.
Kết quả của quá trình phân tích này sẽ cho ra ma trận nhân tố (component matrix). Ma trận này chứa các hệ số biểu diễn tương quan giữa các biến.
(4) Phương trình hồi quy: Sau khi rút trích được các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bội như kiểm tra hệ số phóng đại phương sai (Variance Inflation Factor – VIF). Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tình bội được xây dựng. Và hệ số R2
đã được điều chỉnh (Adjusted R square) cho biết mô hình hồi quy được xây dựng phù hợp đến mức nào.