Để tăng tính minh bạch và chính xác của chủ đề, tác giả thu thập dữ liệu chính bằng cách khảo sát thông qua bảng câu hỏi dƣới hai hình thức: phân phối bảng câu hỏi cho ngƣời tham gia khảo sát (phỏng vấn trực tiếp) và gửi liên kết khảo sát qua email và mạng xã hội.
3.3.3. Phương pháp phân tích và xử lý dữ liệu
Hai phần mềm đã đƣợc sử dụng để phân tích dữ liệu trong nghiên cứu này: IBM SPSS 20.0, Microsoft Excel 2010. Trong giai đoạn phân tích dữ liệu, nghiên cứu đã tiến hành Phân tích mô tả, Phân tích độ tin cậy, Phân tích nhân tố khám phá và Phân tích hồi quy lẫn nhau.
Phân tích mô tả
Phân tích mô tả là một mô tả ngắn gọn tóm tắt dữ liệu đã cho có thể là đại diện của các mẫu và thang đo của chúng. Dữ liệu từ bảng câu hỏi sẽ đƣợc giải thích một cách đơn giản để dễ giải thích hơn.
Phân tích độ tin cậy
Theo Twycross và Shields (2005), độ tin cậy liên quan đến tính ổn định, độ lặp lại và tính nhất quán của kết quả. Do đó, phân tích độ tin cậy là nắm bắt tính nhất quán và in định của các biến đƣợc sử dụng để kiểm tra các yếu tố (Twycross và cộng sự, 2005). Theo Shuttleworth (2015), Cronbach alpha là phân tích đƣợc sử dụng phổ biến nhất để xác định tính nhất quán bên trong của một nghiên cứu. Kết quả Cronbach Alpha là số từ 0 đến 1. Độ tin cậy càng cao nếu Cronbach Alpha càng gần 1. Giá trị chấp nhận đƣợc của Cronbach Alpha là 0,7 và cao hơn (Shuttleworth, 2015). Tuyên bố này cũng đƣợc hỗ trợ bởi MacKenzie, Podsakoff và Jarvis (2005) và Hair, B.Babin và Anderson (2010), giới hạn cho các biến của Cronbach tựa Alpha là 0,7. Các biến có giá trị Cronbach từ Alpha với tổng dƣới 0,3 sẽ bị xóa khỏi nghiên cứu và không xuất hiện trong phân tích nhân tố (Hoàng và Chu, 2008).
Phân tích nhân tố khám phá
Sau khi phân tích Cronbach Alpha để loại bỏ các biến không đảm bảo độ tin cậy, các biến còn lại sẽ đƣợc coi là phù hợp và đƣợc phân tích thông qua phân tích EFA. EFA là một phƣơng pháp phân tích định lƣợng đƣợc sử dụng để xác định tính hợp lệ hội tụ, hiệu lực phân biệt và tóm tắt thông tin nội bộ có trong một số lƣợng lớn các biến đo lƣờng thành một bộ biến nhỏ hơn để chúng có ý nghĩa hơn (Hair và cộng sự, 2010).
Theo Pallant (2007), Hoàng và Chu (2008), các điều kiện cần thiết cho một kết quả có ý nghĩa thống kê là giá trị Kaiser-Meyer-Olkin (KMO) phải nằm trong khoảng từ 0,6 đến 1, kiểm định Barlett có sig nhỏ hơn 0,05, tổng phƣơng sai giải thích lớn hơn hoặc bằng 50%, các biến quan sát có hệ số tải lớn hơn hoặc bằng 0,5.
Phân tích hệ số tương quan
Hệ số tƣơng quan Pearson đƣợc sử dụng để đánh giá mối quan hệ giữa các biến phụ thuộc và biến độc lập (Veal, 2005). Theo Pallant (2007), Hoàng và Chu (2008), hệ số tƣơng quan Pearson, giúp định lƣợng mức độ của mối quan hệ tuyến tính chặt chẽ giữa hai biến định lƣợng, đƣợc nêu rõ nhƣ sau: Nếu giá trị của hệ số tƣơng quan là 1.0, có một mối tƣơng quan dƣơng hoàn hảo giữa 2 biến. Nếu giá trị
của hệ số tƣơng quan là -1.0, có một mối tƣơng quan âm hoàn hảo giữa 2 biến. Nếu giá trị của hệ số tƣơng quan là 0, không có mối quan hệ giữa 2 biến. Nói cách khác, giá trị tuyệt đối của hệ số Pearson giữa hai biến càng gần với 1 thì giá trị tƣơng quan tuyến tính càng gần.
Phân tích hồi quy đa biến
Phân tích hồi quy đa biến là một phƣơng pháp thống kê đƣợc sử dụng để phân tích mối quan hệ đồng thời giữa biến độc lập và một biến phụ thuộc (Hair và cộng sự, 1998). Ngoài ra, hồi quy đa biến là một công cụ kết luận để kiểm tra các giả thuyết và dự báo các giá trị nghiên cứu tổng thể (Ducan, 1996). Do đó, hồi quy tuyến tính đa là một phƣơng pháp thích hợp để kiểm tra các giả thuyết nghiên cứu.
Pallant (2007), Hoàng và Chu (2008) nói rằng các giả định cần đƣợc kiểm tra trƣớc khi tiến hành Phân tích hồi quy đa biến là (1) Tồn tại mối quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập (2) Các biến độc lập không nên có mối tƣơng quan cao với nhau. (3) Phần dƣ đƣợc phân phối bình thƣờng. (4) Phƣơng sai của phần dƣ phải giống nhau trên các giá trị của các biến độc lập.(5) không nên có sự tự tƣơng quan giữa các phần dƣ.
Giá trị R bình phƣơng là để đánh giá mức độ của phƣơng sai trong biến phụ thuộc đã đƣợc giải thích bởi mô hình (Hoàng và Chu, 2008). Do đó, giá trị càng cao thì khả năng giải thích của phƣơng trình hồi quy càng lớn và dự đoán các biến phụ thuộc càng chính xác (Hair và cộng sự, 2010).
3.4. Tóm tắt chƣơng 3
Trong chƣơng này, một cái nhìn tổng quan về phƣơng pháp đƣợc sử dụng trong nghiên cứu này (bao gồm quy trình nghiên cứu, phƣơng pháp thu thập dữ liệu, thiết kế lấy mẫu, công cụ nghiên cứu, thang đo) đƣợc trình bày. Dữ liệu khảo sát đƣợc thu thập từ những ngƣời trả lời đƣợc lựa chọn tùy ý. Các cách để tiếp cận ngƣời trả lời là các cuộc phỏng vấn trực tiếp và khảo sát trực tuyến. Hơn nữa, có một cuộc thảo luận chi tiết hơn về các phƣơng pháp phân tích dữ liệu mà nghiên cứu này sử dụng.
CHƢƠNG 4 KẾT QUẢ VÀ THẢO LUẬN
Trong chƣơng 4, tác giả sẽ tiến hành phân tích và thảo luận những kết quả thu đƣợc qua khảo sát. Kết quả phân tích đƣợc trình bày trong chƣơng này, bao gồm :Thống kê mô tả, Phân tích độ tin cậy, Phân tích nhân tố khám phá, Phân tích hệ số tƣơng quan, Phân tích hồi quy bội, Thử nghiệm t-mẫu độc lập, thử nghiệm ANOVA một chiều. Sau khi phân tích, dựa trên kết quả nhận đƣợc sẽ xem xét chấp nhận hoặc từ chối các giả thuyết đã nêu trong chƣơng 2
4.1. Thống kê mô tả
Mẫu đƣợc thu thập dƣới hình thức bảng hỏi khảo sát. Các mẫu đƣợc chọn từ 165 bảng hỏi hợp lệ sau khi loại bỏ 35 bảng hỏi không hợp lệ( do thiếu các thông tin và trả lời tất cả các câu hỏi giống nhau). Dữ liệu đƣợc thu thập trong vòng 4 tuần, từ ngày 10 tháng 12 năm 2019 đến ngày 8 tháng 01 năm 2020.
Bảng 4.1. Tóm tắt thống kê mô tả Hình thức thu thập dữ liệu Số lƣợng bảng hỏi phân phối Số lƣợng bảng hỏi đƣợc phản hồi Số bảng hỏi hợp lệ Phát bảng hỏi trực tiếp 70 50 35
Gửi liên kết khảo sát trong Google form thông qua email và mạng xã hội
180 150 130
Tổng cộng 250 200 165
Nguồn: Tác giả tổng hợp
Bảng 4.2 Kết quả thống kê mô tả các biến
N Minimum Maximum Mean Std. Deviation
HI1 165 1 5 3.06 .881
HI2 165 1 5 3.06 .973
HI4 165 1 5 3.01 .937 SD1 165 1 5 2.99 .823 SD2 165 1 5 3.10 .816 SD3 165 2 5 2.99 .732 SD4 165 1 5 3.07 .820 CQ1 165 1 5 3.10 1.019 CQ2 165 1 5 3.10 .838 CQ3 165 1 5 3.07 .964 CN1 165 1 5 2.99 .883 CN2 165 1 5 3.12 .679 CN3 165 1 5 3.13 .800 TD1 165 1 5 2.73 1.454 TD2 165 1 5 2.95 1.370 TD3 165 1 5 2.96 1.444 YD1 165 1 5 3.12 .953 YD2 165 1 5 3.08 .834 YD3 165 1 5 3.00 1.042 Valid N (listwise) 165
Nguồn: Kết quả phân tích từ IBM SPSS 20.0
4.2. Đánh giá độ tin cậy của thang đo
Độ tin cậy của thang đo đƣợc đánh giá theo phƣơng pháp Cronbach’s Alpha.
Bảng 4.2. Bảng kết quả kiểm tra độ tin cậy
Yếu tố Biến quan sát Tƣơng quan
biến tổng Cronbach's Alpha nếu biến bị loại Cronbach's Alpha Nhận thức hữu ích HI1 .641 .846 .859 HI2 .750 .801 HI3 .673 .835 HI4 .760 .798 Nhận thức dễ sử dụng SD1 .538 .713 .759 SD2 .611 .671 SD3 .496 .733
SD4 .583 .687 Nhận thức chủ quan CQ1 .920 .825 .923 CQ2 .798 .929 CQ3 .832 .898 Hành vi kiểm soát cảm nhận CN1 .665 .658 .782 CN2 .544 .785 CN3 .674 .643 Thái độ đối với hành vi TD1 .546 .498 .674 TD2 .445 .633 TD3 .473 .599 Ý định YD1 .743 .636 .805 YD2 .635 .759 YD3 .602 .799
Nguồn: Kết quả phân tích từ IBM SPSS 20.0
Nunnally và Bernstein (1994) cho rằng một thang đo có độ tin cậy tốt khi nó giao động trên 0.7. Ở mức Cronbach Alpha α ≥ 0.60 thang đo đƣợc nhận định rằng có độ tin cậy chƣa cao. Vì vậy, tác giả sẽ quyết định loại bỏ những thang đo có hệ số Cronbach Alpha nhỏ hơn 0.7, với kết quả thu đƣợc chỉ có thang đo thái độ(TD) có hệ số Cronbach Alpha là 0.674 là bị loại bỏ. Các kết quả chi tiết cho phân tích độ tin cậy đƣợc trình bày trong Phụ lục 3.
Tóm lại, Sau khi loại bỏ thang đo có độ đáng tin cậy không cao, các thang đo còn đủ điều kiện cần thiết để thực hiện bƣớc phân tích EFA tiếp theo.
4.3. Phân tích nhân tố khám phá EFA
Sau khi đánh giá độ tin cậy của thang đo với hệ số Cronbach’s Alpha thì bƣớc tiếp theo phải đánh giá giá trị khái niệm của thang đo bằng phƣơng pháp EFA.
4.3.1. Phân tích nhân tố khám phá cho các biến độc lập
Sau khi phân tích nhân tố khám phá EFA cho các biến độc lập: Nhận thức hữu ích( HI), Nhận thức dễ sử dụng( SD), Nhận thức chủ quan ( CQ), Hành vi kiểm soát
cảm nhận (CN) tác giả tóm tắt các kết quả thu đƣợc và trình bày trong Bảng 4.3 dƣới đây:
Bảng 4.3. Bảng kiểm định KMO và Bartlett’s biến độc lập
Chuẩn đánh giá Giá trị Yêu cầu
Chỉ số KMO .760 ≥ 0.5
Sig. của kiểm định Bartlett’ s .000 ≤ 0.05
Giá trị Eigenvalues 1.278 > 1
Tổng phƣơng sai trích 69.692 ≥ 50%
Nguồn: Kết quả phân tích từ IBM SPSS 20.0
Kết quả EFA cho thấy giá trị của KMO = 0,76> 0,5 , Sig = 0,000 <0,05, chứng minh rằng kết quả phân tích nhân tố khám phá EFA có sự tin cậy cao.
Tổng phƣơng sai là 69.692%> 50% cho thấy các nhân tố này biểu diễn đƣợc 69% sự biến thiên của dữ liệu khảo sát, giá trị của Eigenvalues = 1.278> 1 cũng thoả mãn. Do đó, các nhân tố có khả năng đại diện cho dữ liệu khảo sát.
Bảng 4.4. Ma trận xoay biến độc lập Ma trận xoay Nhóm 1 2 3 4 5 HI2 .894 HI4 .860 HI3 .751 HI1 .682 CQ1 .967 CQ3 .922 CQ2 .902 SD1 .768 SD2 .322 .728 SD4 .727
SD3 .655
CN3 .843
CN1 .834
CN2 .676
Nguồn: Kết quả phân tích từ IBM SPSS 20.0
Kết quả phân tích nhân tô EFA chỉ ra rằng 4 yếu tố đã đƣợc trích ra từ 17 biến. Kết quả thu đƣợc thể hiện rằng hầu hết các biến đều có hệ số tải nhân tố lớn hơn 0,5 ngoại trừ biến SD2. Biến SD2 có hai hệ số tải, một trong số đó là 0.322 thấp hơn 0,5.
Igbaria và đồng sự (1995) cho rằng các biến chỉ đƣợc chấp nhận khi hệ số tải nhân tố lớn hơn 0.5 hoặc khoảng cách giữa 2 hệ số tải của cùng một biến ở 2 nhân tố khác nhau lớn hơn 0.3. Vậy nên tác giả xét tới sự khác biệt giữa hai hệ số tải của biến SD2 là 0,728 - 0,322 = 0,406 lớn hơn 0,3, biến này vẫn đƣợc duy trì cùng với các biến khác để phân tích thêm.
4.3.2. Phân tích nhân tố khám phá cho biến phụ thuộc
Sau khi phân tích nhân tố khám phá EFA cho biến phụ thuộc (Ý định hành vi), tác giả tóm tắt các kết quả thu đƣợc và trình bày ở bảng dƣới đây:
Bảng 4.5. Bảng kiểm định KMO và Bartlett’s biến phụ thuộc
Chuẩn đánh giá Giá trị Yêu cầu
KMO .673 ≥ 0.5
Sig. của kiểm định Bartlett’s 0.000 ≤ 0.05
Giá trị Eigenvalues 2.179 > 1
Tổng phƣơng sai trích 72.648% ≥ 50%
Nguồn: Kết quả phân tích từ IBM SPSS 20.0
Kết quả EFA cho thấy giá trị của KMO = 0,673> 0,5 , Sig = 0,000 <0,05, chứng minh rằng kết quả phân tích nhân tố khám phá EFA có sự tin cậy cao.
Tổng phƣơng sai là 72.648%> 50% cho thấy các nhân tố này biểu diễn đƣợc 72% sự biến thiên của dữ liệu khảo sát, giá trị của Eigenvalues = 2.179> 1 cũng thoả mãn. Do đó, các nhân tố có khả năng đại diện cho dữ liệu khảo sát.
Cuối cùng mô hình sau khi hiểu chỉnh sẽ loại bỏ biến Thái độ đối với hành vi (TD) các yếu tô còn lại sẽ đƣợc giữ lại trong mô hình nghiên cứu
4.4. Phân tích hệ số tƣơng quan
Sau khi phân tích đánh giá đo lƣờng của Cronbach’ Alpha và EFA, mô hình và giả thuyết có 5 yếu tố với 17 biến số ảnh hƣởng đến ý định sử dụng tiền điện tử của ngƣời dân tại Thành phố Hồ Chí Minh. Các yếu tố ảnh hƣởng đến ý định sử dụng tiền điện tử của ngƣời dân tại Thành phố Hồ Chí Minh chỉ còn
Bảng 4.6. Bảng kết quả phân tích hệ số tƣơng quan
F_HI F_SD F_CQ F_CN F_YD Pearson Correlation 1 .449** -.032 .435** .588** F_HI Sig. (2-tailed) .000 .680 .000 .000 N 165 165 165 165 165 Pearson Correlation .449** 1 .063 .421** .531** F_SD Sig. (2-tailed) .000 .421 .000 .000 N 165 165 165 165 165 Pearson Correlation -.032 .063 1 -.014 .059 F_CQ Sig. (2-tailed) .680 .421 .862 .451 N 165 165 165 165 165 Pearson Correlation .435** .421** -.014 1 .606** F_CN Sig. (2-tailed) .000 .000 .862 .000 N 165 165 165 165 165 Pearson Correlation .588** .531** .059 .606** 1 F_YD Sig. (2-tailed) .000 .000 .451 .000 N 165 165 165 165 165
Phân tích này là để tìm mối quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập. Dựa trên các kết quả đƣợc hiển thị trong Bảng 4.6, ở mức ý nghĩa 1% và mức ý nghĩa 5%, Giá trị của sig. giữa các biến độc lập và biến phụ thuộc hầu hết đều nhỏ hơn 0.05, chỉ có Sig của biến độc lập( CQ) và biến phụ thuộc( YD) là 0.451 lớn hơn 0.05. Điều này chứng tỏ rằng biến phụ thuộc( Ý định sử dụng tiền điện tử) chỉ có tƣơng quan với các biến độc lập Nhận thức hữu ích( HI), Nhận thức dễ sử dụng( SD),Hành vi kiểm soát cảm nhận (CN)). Vì vậy ta phải loại bỏ biến Nhận thức chủ quan( CQ) khỏi mô hình để giải thích biến phụ thuộc - Ý định sử dụng tiền điện tử( YD). Hệ số tƣơng quan của ý định sử dụng tiền di động với Nhận thức hữu ích( HI), Nhận thức dễ sử dụng( SD), Hành vi kiểm soát cảm nhận (CN) lần lƣợt là 0.588, 0.531, 0.606.
Các biến độc lập có ý nghĩa thống kê với biến phụ thuộc, đủ điều kiện để phân tích hồi quy đa biến. Tuy nhiên, các biến độc lập cũng có mối tƣơng quan với nhau, vì vậy điều quan trọng là phải phân tích giả định đa cộng tuyến.
Kết quả chi tiết để phân tích hệ số tƣơng quan đƣợc đính kèm trong Phụ lục 5.
4.5. Phân tích hồi quy đa biến
Phân tích hồi quy đa biến đƣợc thực hiện với bốn biến độc lập ( Nhận thức hữu ích( HI), Nhận thức dễ sử dụng( SD), Hành vi kiểm soát cảm nhận (CN)) và một biến phụ thuộc (Ý định sử dụng tiền điện tử( YD)).
Kiểm tra các giả định của Phân tích hồi quy đa biến
Biểu đồ hồi quy Normal P-P plot (Hình 4.1) cho thấy hầu hết tất cả các điểm nằm trên một đƣờng chéo thẳng hợp lý từ dƣới cùng bên trái sang trên cùng bên phải. Điều này cho thấy không có sai lệch lớn so với tính quy tắc và giả định phần dƣ đƣợc phân phối bình thƣờng.
Hình 4.1. Normal P-P Plot
Nhìn vào biểu đồ Scatterplot (Hình 4.2) ta thấy phần dƣ chuẩn hóa (Regression Standardized Residual) không thay đổi theo một trật tự nào đối với giá trị dự đoán chuẩn hóa (Regression Standardized Predicted Value). Do đó giả định về liên hệ tuyến tính không bị vi phạm. Tóm lại, tất cả các giả định của Phân tích hồi quy bội đƣợc đảm bảo.
Kết quả phân tích hồi quy đa biến
Bảng 4.7 cho ta thấy sự phù hợp của mô hình hồi quy đa biến. Hệ số R bình phƣơng hiệu chỉnh là 0.543. Nghĩa là 54.3% biến thiên của biến phụ thuộc (Ý định sử dụng tiền điện tử( YD)) đƣợc giải thích bởi 3 biến độc lập. Điều này cho thấy mô hình hồi quy tuyến tính này phù hợp với tập dữ liệu của mẫu ở mức 54.3%.
Giá trị của Durbin-Watson là 2.172, vẫn nằm trong phạm vi (1; 3) để mô hình không xảy ra tƣơng quan.
Bảng 4.7. Bảng tóm tắt mô hình Model R R bình phƣơng R bình phƣơng hiệu chỉnh Sai số chuẩn của ƣớc lƣợng Durbin-Watson 1 .737a .543 .532 .5496104 2.172