2.4.1. Thống kê mô tả
Thống kê mô tả cho phép các nhà nghiên cứu trình bày các dữ liệu thu được dưới hình thức cơ cấu và tổng kết (Huysamen, 1990). Các thống kê mô tả sử dụng trong nghiên cứu này để phân tích, mô tả dữ liệu bao gồm các tần số, tỷ lệ, giá trị trung bình và độ lệch chuẩn.
Thang đo Likert 5 mức độ được sử dụng trong nghiên cứu này. Do đó, để thuận tiện cho việc nhận xét khi sử dụng giá trị trung bình (Mean) đánh giá mức độ thỏa mãn đối với từng yếu tố và sự thỏa mãn chung được quy ước:
1,0 ≤ Mean < 1,8 : Hoàn toàn không hài lòng 1,8 ≤ Mean < 2,6: Không hài lòng
3,4 ≤ Mean < 4,2: Hài lòng 4,2 ≤ Mean < 5,0: Rất hài lòng 2.4.2. Đánh giá hệ số Cronbach's alpha
Hệ số Cronbach alpha là hệ số đo lường độ tin cậy của thang đo tổng chứ không phải là hệ số tin cậy của từng thang đo (Nguyễn Đình Thọ, 2011). Hệ số α của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, tr 251, 2005).
Nhiều nhà nghiên cứu đồng ý rằng khi Cronchbach alpha từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng hệ số 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 (Nunnally, 1978; Peterson, 1997; Slater, 1995, dẫn theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc, tr 258, 2005).
Vì vậy, đối với nghiên cứu này thì hệ số Crobach alpha tử 0.6 trở lên là chấp nhận được.
2.4.3. Phân tích nhân tố khám phá EFA
Sau khi đã đánh giá độ tin cậy của thang đo và loại bỏ các biến đo lường
không đạt yêu cầu, bước tiếp theo là thang đo của các nhân tố được đánh giá giá trị của nó thông qua công cụ phân tích EFA (Exporatory Factor Analysis). Mục đích của việc phân tích EFA là để: (1) loại bỏ các biến đo lường không đạt yêu cầu (có trọng số nhân tố < 0.5), (2) loại các nhân tố giả, (3) khám phá nhân tố mới. Một số các chỉ số quan trọng trong phân tích nhân tố EFA bao gồm:
adequacy): là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (0,5 < KMO < 1) là điều kiện đủ để cho thấy phân tích nhân tố là phù hợp. Nếu chỉ số KMO nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Kiểm định Bartlett’s xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa (Sig <0,05) thì các biến quan sát có tương quan với nhau trong tổng thể. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Thứ hai, trọng số của các biến quan sát (Factor loading), hệ số tải nhân tố factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. factor loading lớn hơn 0,3 được xem là đạt được mức tối thiểu, factor loading lớn hơn 0,4 được xem là quan trọng, lớn hơn 0,5 được xem là có ý nghĩa thực tiễn (Nguyễn Đình Thọ, 2013). Theo Hair và các cộng sự cho rằng, nếu chọn tiêu chuẩn factor loading lớn hơn 0,3 thì cỡ mẫu ít nhất là 150, nếu cỡ mẫu khoảng 100, thì factor loading lớn hơn 0,55, còn nếu cỡ mẫu khoảng 50 thì factor loading phải lớn hơn 0,75.
Thứ ba, mức độ giải thích của các biến quan sát đối với nhân tố: Phương sai trích (% Cumulative Variance) được sử dụng để đánh giá mức độ giải thích của các biến quan sát đối với nhân tố. Để đạt được mức độ giải thích thì phương sai trích cần phải lớn hơn 50% (Hair và cộng sự 1982)
Thứ tư, hệ số Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) lớn hơn 1. Chỉ có những nhân tố nào có hệ số Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Nếu nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt.
2.4.4. Hệ số tương quan Pearson
Hệ số tương quan Pearson (ký hiệu r) để lượng hoá mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng. Nhìn chung r được sử dụng để kiểm tra liên hệ giữa những biến định lượng. Hệ số tương quan có giá trị từ
-1 đến 1. Hệ số tương quan bằng 0 (hay gần 0) có nghĩa là hai biến số không có liên hệ gì với nhau, ngược lại nếu hệ số bằng -1 hay 1 có nghĩa là hai biến số có một mối liên hệ tuyệt đối.
-1 ≤ r + ≤ 1
Diễn giải hệ số tương quan (r): (Fraenkel & Wallen, 2006): từ + 0.75 đến + 1.0 có mối quan hệ rất chặt chẽ
từ + 0.50 đến + 0.75 có mối quan hệ chặt chẽ vừa phải từ + 0.25 đến + 0.50 có mối quan hệ yếu
từ + 0.00 đến + 0.25 có mối quan hệ kém chặt chẽ
Trị tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính. Giá trị tuyệt đối của r tiến gần đến 1 khi hai biến có mối tương quan tuyến tính chặt chẽ. (giá trị của r cho biết không có mối liên hệ tuyến tính giữa 2 biến chưa hẳn có nghĩa là 2 biến đó không có mối liên hệ). Do đó hệ số tương quan tuyến tính chỉ nên được sử dụng để biểu thị mức độ chặt chẽ của liên hệ tương quan tuyến tính. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Hệ số tương quan Pearson là loại đo lường tương quan được sử dụng nhiều nhất trong khoa học xã hội khi phân tích mối quan hệ giữa hai biến khoảng cách/tỷ lệ. Trong nghiên cứu này, hệ số tương quan Pearson được sử dụng để xác định các yếu tố ảnh hưởng quan trọng đến sự thỏa mãn của người lao động.
2.4.5. Phân tích hồi quy tuyến tính
Đề tài sử dụng phương pháp hồi quy để dự đoán mức độ tác động của các thành phần CLDV đến sự hài lòng của khách hàng. Biến phụ thuộc là yếu tố “Sự hài lòng của khách hàng” và biến độc lập là các thành phần CLDV được rút ra từ quá trình phân tích EFA và kiểm định với mức ý nghĩa 5%. Mô hình dự đoán có thể là:
Trong đó:
Yi = biến phụ thuộc Xk = các biến độc lập β0 = hằng số
βk = các hệ số hồi quy (i > 0)
εi = thành phần ngẫu nhiên hay yếu tố nhiễu
Biến phụ thuộc là yếu tố sự thỏa mãn chung và biến độc lập là các yếu tố thỏa mãn được rút ra từ quá trình phân tích nhân tố EFA và có ý nghĩa trong phân tích tương quan Pearson. Kết quả của mô hình sẽ giúp ta xác định được mức độ ảnh hưởng của các yếu tố tác động đến sự thỏa mãn trong công việc của người lao động. Phân tích hồi quy tuyến tính đa biến bằng phương pháp Enter, trong đó biến phụ thuộc là sự thỏa mãn công việc nói chung, biến độc lập là các biến được xác định sau khi phân tích nhân tố khám phá.
Trong phương pháp này, hệ số xác định R2 điều chỉnh được dùng để xác định độ phù hợp của mô hình, kiểm định F dùng để khẳng định khả năng mở rộng mô hình này áp dụng cho tổng thể cũng như kiểm định t để bác bỏ giả thuyết các hệ số hồi quy của tổng thể bằng 0.
Cuối cùng, nhằm đảm bảo độ tin cậy của phương trình hồi quy được xây dựng cuối cùng là phù hợp, dò tìm sự vi phạm của giả định trong hồi quy tuyến tính cũng được thực hiện. Các giả định được kiểm định trong phần này gồm liên hệ tuyến tính (dùng biểu đồ phân tán Scatterplot), phương sai của phần dư không đổi, phân phối chuẩn của phần dư (dùng Histogram và P-P plot), tính độc lập của phần dư (dùng đại lượng thống kê Durbin-Watson), hiện tượng đa cộng tuyến (tính độ chấp nhận Tolerance và hệ số phóng đại VIF).
2.4.6. Phân tích khác biệt trung bình
tổng quy mô biến thiên của biến số phụ thuộc(tổng đó tổng quy mô biến thiên được định nghũa là tổng các độ lệch bình phương so với số bình quân của nó) thành nhiều phần và mỗi phần được quy cho sự biến thiên của một biến giải thích cá biệt hay một nhóm các biến giải thích. Phần còn lại không thể quy cho biến nào được gọi là sự biến thiên không giải thích được hay phần dư. Phương pháp này được dùng để kiểm định giả thuyết 0 nhằm xác định xem các mẫu thu được có được rút ra từ cùng một tổng thể không. Kết quả kiểm định cho chúng ta biết các mẫu thu được có tương quan với nhau hay không. Phân tích phương sai một yếu tố (còn gọi làOneway Anova) dùng đểkiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%.
Kết quả kiểm định gồm hai phần:
- Phần 1:
Levene test: dùng kiểm định phương sai bằng nhau hay không giữa các nhóm
giả thuyết Ho: “Phương sai bằng nhau” Sig <= 0.05: bác bỏ Ho
Sig >0.05: chấp nhận Ho -> đủ điều kiện để phân tích tiếp anova
- Phần 2:
ANOVA test: Kiểm định anova
Sig <=0.05: bác bỏ Ho -> đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm đối với biến phụ thuộc
Sig >0.05: chấp nhận Ho -> chưa đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm đối với biến phụ thuộc
TÓM TẮT CHƯƠNG 2
Trong chương này, tác giả giới thiệu tổng quan về Trung tâm ô tô – Công ty Cổ phần Cơ khí Kiên Giang cùng các dịch vụ tại Trung tâm. Bên cạnh đó tác giả đã xây dựng quy trình nghiên cứu, các biến quan sát mã hóa trong 7 thành phần của thang đo về chất lượng dịch vụ đối với sự hài lòng của khách hàng. Dựa trên yêu cầu về kích thước mẫu nghiên cứu, tác giả chọn kích thước mẫu nghiên cứu là 200 mẫu. Đồng thời tác giả cũng đưa ra các phương pháp phân tích dữ liệu thông qua phân tích thống kê mô tả, phân tích hệ số Cronbach’s Alpha, phân tích EFA, phân tích hồi quy bằng phần mềm thống kê SPSS để kiểm định thang đo.
CHƯƠNG 3