Thực hiện kiểm định Cronbach’s Alpha nhằm kiểm định xem dữ liệu đã có giá trịchƣa hay dữ liệu đã có độ tin cậy chƣa. Để tính Cronbach’s Alpha cho một thang đo
thì thang đo phải có tối thiểu là 3 biến đo lƣờng. Hệ số Cronbach’s Alpha có giá trị biến thiên trong khoảng [0,1]. Công thức tính hệ số Cronbach’s Alpha () là:
) 1 ( 1 N N
Trong đó, là hệ sốtƣơng quan trung bình giữa các mục hỏi, N là tổng số quan sát trong nghiên cứu.
Về lý thuyết, Cronbach’s Alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên hệ số Cronbach’s Alpha quá lớn (> 0,95) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau. Hiện tƣợng này đƣợc gọi là hiện tƣợng trùng lắp trong đo lƣờng (redundancy).
Cũng cần chú ý thêm là mô hình đo lƣờng kết quả dựa trên nguyên tắc trùng lắp (redundancy principle, DeVellis 2003). Các biến đo lƣờng dùng đểđo lƣờng cùng một khái niệm nghiên cứu nên chúng phải có tƣơng quan chặt chẽ với nhau. Vì vậy khi kiểm tra từng biến đo lƣờng chúng ta sử dụng hệ sốtƣơng quan biến tổng (item – total correlation). Nếu một biến đo lƣờng có hệ sốtƣơng quan biến tổng (hiệu chỉnh) ≥ 0,3 thì biến đó đạt yêu cầu (Nunnally & Bernstein 1994). Hệ số này càng cao, sự tƣơng quan của các biến với các biến khác trong nhóm càng cao. Tuy nhiên, nếu chúng trùng lắp hoàn toàn (r=1) thì hai biến đo lƣờng này thật sự chỉ làm một việc và chúng ta chỉ cần một trong hai biến là đủ.
Vì vậy, một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0,7 – 0,8]. Nếu Cronbach’s Alpha ≥ 0,6 thì thang đo đó có thể chấp nhận đƣợc về mặt độ tin cậy (Nunnally & Bernstein 1994). Trong nghiên cứu này, tác giả quyết định sử dụng tiêu chuẩn Crobach’s Alpha ≥ 0,6 và các biến quan sát có hệ sốtƣơng quan biến tổng (Corrected item - total correlation) ≥ 0,3.
2.2.4.2 Kiểm định giá trị thang đo bằng phân tích nhân tố khám phá (mô hình EFA- Exploratory Factor Analysis)
Sau khi kiểm định mức độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha để loại bỏ biến không phù hợp, các biến phù hợp còn lại sẽ tiếp tục sử dụng cho phân tích nhân tố khám phá EFA.
Trong nghiên cứu, ta có thể thu thập đƣợc số biến khá lớn và hầu hết các biến này có ảnh hƣởng đến sự hài lòng của khách hàng và số lƣợng của chúng phải đƣợc
giảm bớt xuống đến một số lƣợng mà chúng ta có thể sử dụng đƣợc. Phƣơng pháp phân tích EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát.
- Kiểm định tính thích hợp của EFA:
+ Sử dụng thƣớc đo KMO (Kaiser – Mayer – Olkin measure of sampling adequacy) để đánh giá sự thích hợp của mô hình EFA đối với ứng dụng vào dữ liệu thực tế nghiên cứu.
+ Khi trị số KMO thỏa mãn điều kiện: 0,5 < KMO <1, phân tích nhân tố khám phá là thích hợp cho dữ liệu thực tế.
- Kiểm định tương quan của các biến quan sát trong thước đo đại diện:
+ Sử dụng kiểm định Barlett’s (Bartlett’s test of sphericity) để đánh giá các biến quan sát có tƣơng quan với nhau trong một thang đo (nhân tố).
+ Khi mức ý nghĩa (Significance, Sig.) của kiểm định Barlett’s nhỏhơn 0,05, các biến quan có tƣơng quan tuyến tính với nhân tốđại diện.
- Kiểm định mức độ giải thích của các biến quan sát đối với nhân tố:
+ Phƣơng pháp trích hệ số đƣợc sử dụng là Principal Component Analysis với phép quay là Varimax (xoay nguyên góc các nhân tốđể tối thiểu hóa sốlƣợng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cƣờng khả năng giải thích nhân tố sẽ đƣợc sử dụng cho phân tích EFA trong nghiên cứu.
+ Sử dụng phƣơng sai trích đểđánh giá mức độ giải thích của các biến quan sát đối với nhân tố. Các biến quan sát có trọng số nhỏ hơn 0,5 sẽ tiếp tục bị loại và thang đo đƣợc chấp nhận khi tổng phƣơng sai trích (% cumulative variance) bằng hoặc lớn hơn 50%.
- Tóm tắt các thông tin chứa đựng trong các biến gốc:
Để tóm tắt các thông tin chứa đựng trong các biến gốc, cần rút ra một số lƣợng các nhân tốít hơn số biến dựa vào Eigenvalue (đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố), trong đó chỉ có những nhân tố nào có Eigenvalue > 1 mới đƣợc giữ lại trong mô hình phân tích, những nhân tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phƣơng sai là 1.
Nếu các yếu tốtrên đƣợc thỏa mãn thì phân tích nhân tố thành công. Sau khi rút đƣợc các nhân tố và lƣu lại thành các biến mới, các biến này sẽđƣợc thay cho tập hợp biến gốc đểđƣa vào phân tích hồi quy.
Qua chƣơng này tác giả đã trình bày tóm tắt các lý thuyết về sản phẩm, chất lƣợng sản phẩm, dịch vụ, chất lƣợng dịch vụ, sự hài lòng, các yếu tốảnh hƣởng đến sự hài lòng, giới thiệu các phƣơng pháp nghiên cứu cho từng mục tiêu cụ thể. Để từ đó làm nền tảng áp dụng cho việc phân tích các nhân tố ảnh hƣởng đến sự hài lòng của khách hàng ở những chƣơng sau.
CHƢƠNG 3
THỰC TRẠNG DỊCH VỤ CUNG ỨNG THỰC PHẨM TƢƠI SỐNG
TẠI SIÊU THỊCO.OPMART VĨNH LONG