2.2.2.1. Mầu nghiên cứu
Ngoài thông tin cá nhân và đặc điểm của KH, Bảng câu hỏi được thiết kế bao gồm các thuộc tính cấu thành đặc trưng của CLDV CSKH được thể hiện trên thang điểm Likert từ 1 điểm (thể hiện ý kiến cho rằng họ hoàn toàn không đồng ý hoặc mức hài lòng thấp nhất) đến 5 điểm (thể hiện ý kiến cho rằng họ hoàn toàn đồng ý hoặc hài lòng). Với cách thiết kế Bảng câu hỏi như vậy, KH sẽ cho biết kỳ vọng và cảm nhận của mình về CLDV CSKH bằng cách đánh dấu (π) vào ô thích hợp. Bằng cách này sẽ giúp lượng hóa được ý kiến của người được phỏng vấn và sử dụng điểm số Likert để kiểm định thống kê và phân tích số liệu đa biến trong việc phân tích, đánh giá sự thỏa mãn của KH sau này . Sau khi đã có Bảng câu hỏi (Phụ lục 2.9: BẢNG CÂU HỎI KHẢO SÁT) thì tiếp tục với việc xác định cỡ mẫu . Trong đó (Đ ơn vị mẫu: KH đã và đang sử dụng DV của NH; Quy mô mẫu: Điều tra được tiến hành với hơn 650 KH). Việc lựa chọn quy mô mẫu điều tra được thực hiện thông qua cơ cấu KH trên toàn hệ thống, theo các tiêu chí khác nhau và đảm bảo được tính đại diện của mẫu. Các thông tin thu nhận được biên tập sửa đổi nhờ quá trình đọc, rà soát lại để tránh sai sót. Sau khi loại các bảng hỏi không đạt chất lượng yêu cầu, mẫu KH đưa vào phân tích có cỡ mẫu N =600. Sau đó tác giả tiếp tục mã hóa các câu trả lời và tiến hành nhập dữ liệu vào máy tính, dùng phần mềm SPSS20 để xử lý.
2.2.2.2. Phương pháp phân tích dữ liệu nghiên cứu
a. Xây dựng thang đo và mã hóa dữ liệu
Các thang đo được xác định đầy đủ bao gồm 26 thang đo của 5 nhân tố tác động đến sự hài lòng của KH và 5 thang đo cho việc đo lường mức độ hài lòng chung của KH. Trải qua bước nghiên cứu định tính, các thang đo đã được xác định và bảng câu hỏi được thiết kế dựa trên thang đo Rennis Likert (1932) (Tham khảo phụ lục 2.10: Thành phần các thang đo nghiên cứu)
b. Phương pháp phân tích dữ liệu nghiên cứu
^ Phân tích thống kê mô tả
Tìm ra đặc điểm của mẫu nghiên cứu và thống kê giá trị trung bình của mẫu nghiên cứu, từ đó phân tích đánh giá các kết quả thu được từ khảo sát.
Giá trị trung bình: Mean, Average: bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát. Số trung vị (Median - Me): là giá trị của biến đứng ở giữa của một dãy số đã được sắp theo thứ tự tăng hoặc giảm dần. Mode (Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
^ Kiểm định Cronbach’s alpha
Là kiểm định cho phép đánh giá mức độ tin cậy của việc thiết lập một biến tổng hợp trên cơ sở nhiều biến đơn .
Công thức của hệ số Cronbach’ s alpha là: α = Np/[1 + p(N - 1)]; Trong đó p là hệ số tương quan trung bình giữa các mục hỏi. Ký tự Hy Lạp p trong công thức tượng trưng cho tư ng quan trung bình giữa tất cả các cặp mục hỏi được kiểm tra.
Theo quy ước thì một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt phải có hệ số α lớn hơn hoặc bằng 0.8. Mặc dù vậy, nếu có một danh mục quá nhiều các mục hỏi (N là số mục hỏi) thì sẽ có nhiều cơ hội để có hệ số α cao .
Nhiều nhà nghiên cứu đồng ý rằng Cronbach’s alpha từ 0.8 trở lên đến gần 0.9 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 Cronbach’s 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 [13].
Các biến quan sát cùng đo lường một biến tiềm ẩn phải có tương quan với nhau, vì vậy phương pháp đánh giá tính nhất quán nội tại sử dụng hệ số Cronbach’s alpha để thể hiện tính đáng tin cậy của thang đo . Ngoài ra trong một số nghiên cứu khác của tác giả Nguyễn Đình Thọ n ăm 2011 cho rằng một thang đo có độ tin cậy tốt khi hệ số Cronbach’s alpha biến thiên trong khoảng từ 0.7 đến 0.8. Tuy nhiên, nếu Cronbach’s alpha ≥ 0.6 là thang đo có thể chấp nhận được về mặt độ tin cậy, nhưng không được lớn hơn 0.95 vì bị vi phạm trùng lắp trong đo lường. Những biến có hệ số tương quan biến tổng hiệu chỉnh nhỏ hơn 0.3 sẽ bị loại. Nguyễn Đình Thọ (2011) đã trích dẫn từ Nunnally & Bernstein (1994).
Vì vậy, đối với nghiên cứu này thì Cronbach’s alpha từ 0.6 trở lên là chấp nhận được. Tính toán Cronbach’s alpha giúp người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu.
S Phương pháp phân tích nhân tố khám phá (EFA)
Được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm. Các biến có hệ số tư ng quan đ n giữa biến và các nhân tố (factor loading) nhỏ h ơn 0.5 sẽ bị loại1. Phương pháp trích nhân tố được sử dụng là Principal Axis Factoring được sử dụng kèm với phép quay không vuông góc Promax2 . Điểm dừng trích khi các yếu tố có “Initial Eigenvalues” > 1.
Phân tích nhân tố khám phá (EFA) là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập biến cần thiết cho vấn đề nghiên cứu cũng như rất cần thiết trong việc tìm mối quan hệ giữa các biến với nhau.
1 Theo Hair & ctg (1998, p 111), Factor loading là chỉ tiêu chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA. FL > 0.3 được xem là đạt được mức tối thiểu, FL > 0.4 được xem là quan trọng, FL ≥ 0.5 được xem là có ý nghĩa thực tiễn.
Theo Gerbing & Anderson (1988), phương pháp trích Principal Axis Factoring với phép xoay Promax sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax.
Mức độ thích hợp của tương quan nội tại giữa các biến quan sát trong các khái niệm nghiên cứu được thể hiện bằng hệ số Kaiser-Myer- Olkin (KMO) đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Barlett. KMO có giá trị thích hợp trong khoảng [0.5; 1].
Sự rút trích các nhân tố đại diện bằng các biến quan sát được thực hiện bằng phân tích nhân tố chính với phép quay (Promax). Các thành phần với giá trị Eigenvalue lớn h ơn 1 (Gerbing và Anderson, 1998) và tổng phương sai trích bằng hoặc lớn hơn 50% được xem như những nhân tố đại diện các biến.
Cuối cùng, để phân tích nhân tố có ý nghĩa, tất cả các hệ số tải nhân tố (factor loading) phải lớn hơn hệ số quy ước 0.5 để các khái niệm nghiên cứu đạt giá trị hội tụ (Hair & ctg, 2006). Bên cạnh đó, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải lớn hơn hoặc bằng 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003). Kỹ thuật phân tích nhân tố (factor analysis) đã được sử dụng trong nghiên cứu này nhằm rút gọn và gom các yếu tố thuộc tính đó lại thành một nhân tố có ý nghĩa hơn, ít hơn về số lượng. Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích được phần biến thiên nhiều nhất trong toàn bộ biến thiên . Sau đó ta chọn tập hợp các quyền số thứ hai sao cho nhân tố thứ hai giải thích được phần lớn biến thiên còn lại, và không có tương quan với nhân tố thứ nhất.
S Phân tích tương quan hệ số Pearson
Được sử dụng để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng.
S Phân tích hồi quy
Phân tích tương quan hồi quy nhằm kiểm định sự phù hợp của mô hình nghiên cứu, kiểm định các giả thuyết để xác định rõ mức độ ảnh hưởng của từng yếu tố tác động đến mức độ hài lòng của KH.
S Phân tích ANOVA và đo lường mức độ hài lòng của KH
Phân tích xem liệu có sự khác biệt giữa các yếu tố định tính với các nhân tố biến độc lập và biến phụ thuộc không?