Phương pháp phân tích dữ liệu được dùng cho nghiên cứu chính thức bao gồm kiểm tra thang đo thông qua hệ số tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá EFA và phân tích hồi quy tuyến tính bội. Nghiên cứu sơ bộ chỉ đánh giá thang đo bằng hệ số tin cậy Cronbach’s alpha cho từng khái niệm. Dữ liệu thu thập được xử lý bằng phần mềm SPSS 22.0.
a. Phân tích hệ số Cronbach’s Alpha
Do các biến nghiên cứu được xây dựng từ 4 đến 8 biến quan sát, nên cần kiểm định độ tin cậy của thang đo thông qua hệ số tin cậy Cronbach’s Alpha (Saunders và cộng sự, 2007). Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích EFA để loại các biến không phù hợp và hệ số này chỉ cho biết các đo lường liên kết với nhau hay không. Hai yếu tố cần xem xét là hệ số Cronbach’s Alpha của thang đo và tương quan biến - tổng của mỗi biến quan sát. Một số nhà nghiên cứu cho rằng thang đo có Cronbach’s Alpha từ 0.7 đến 0.8 là có thể sử dụng được, từ 0.8 trở lên đến gần 1 là thang đo lường tốt. Tuy nhiên, lại có nhà nghiên cứu cho rằng từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm nghiên cứu là mới (Peterson, 1994; Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Trường hợp ở nghiên cứu về mua sắm quần áo trực tuyến được xem như mới tại Việt Nam thì hệ số tin cậy Cronbach’s Alpha lớn hơn 0.6 đều có thể chấp nhận được. Đồng thời những loại biến có hệ số tương quan biến - tổng (item-total correlation) nhỏ hơn 0.3.
b. Phân tích nhân tố khám phá EFA
Sau khi phân tích hệ số tin cậy Cronbach’s alpha, các thang đo tiếp theo được đánh giá bằng phương pháp phân tích nhân tố EFA để gom các biến quan sát lại thành các khái niệm phục vụ cho phân tích hồi quy tuyến tính.
Điều kiện cần áp dụng để phân tích nhân tố là các biến phải có tương quan với nhau. Sử dụng kiểm định Bartlett (Bartlett’s test of sphericity) để kiểm định giả thuyết H0 là các biến không có tương quan với nhau trong tổng thể. Nói cách khác,
ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo
đều bằng 1, còn các giá trị nằm ngoài đường chéo đều bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng chi bình phương (chi-square) từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì ta càng có khả năng bác bỏ giả thuyết này. Nếu giả thuyết H0 không thể bị bác bỏ thì phân tích nhân tố rất có khả năng không thích hợp (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Trong phân tích nhân tố, chỉ số KMO (Kaiser – Meyer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của việc phân tích nhân tố. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Phân tích nhân tố thường được tiến hành theo phương pháp trích yếu tố phân tích nhân tố chính (Principal Component Analysis) với phép xoay nhân tố giữ nguyên góc các nhân tố (Varimax) (Mayers, L.S, Gamst., Guarino A.J, 2000). Sau khi xoay các nhân tố, trọng số nhân tố (factor loading) phải > 0.5. Theo Hair & cộng sự (1998), trọng số nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố EFA. Trọng số nhân tố lớn hơn 0,3 được xem là đạt mức tối thiểu, lớn hơn 0,4 được xem là quan trọng, lớn hơn 0,5 được xem là có ý nghĩa thiết thực. Tiêu chuẩn khác biệt trọng số nhân tố của một biến quan sát giữa các nhân tố lớn hơn hay bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun Al Tamimi, 2003). Phương sai trích phải đạt từ 50% trở lên (Hair & cộng sự, 1998). Ngoài ra, trị số Eigen Value phải lớn hơn 1. Chỉ những nhân tố nào có Eigen Value lớn hơn 1 mới được giữ lại trong mô hình phân tích. Những nhân tố có Eigen Value nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Tóm lại trong phân tích nhân tố khám phá cần phải đáp ứng các điều kiện: + Factor Loading > 0,5
+ 0,5 < KMO < 1
+ Kiểm định Bartlett có Sig < 0,05 + Eigenvalue > 1
Sau khi phân tích nhân tố xong sẽ hiệu chỉnh mô hình lý thuyết theo kết quả phân tích nhân tố và tiến hành phân tích hồi quy tuyến tính bội.
c. Phân tích tương quan và phân tích hồi quy tuyến tính bội
Trước khi tiến hành phân tích hồi quy tuyến tính bội thì cần kiểm tra xem xét mối tương quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tương quan Pearson trong ma trận hệ số tương quan là phù hợp để xem xét mối tương quan này. Ma trận hệ số tương quan là một ma trận vuông bao gồm các hệ số tương quan. Các số 1 xuất hiện trên đường chéo là hệ số tương quan tính được của một biến với chính nó. Mỗi biến sẽ xuất hiện 2 lần trong ma trận có hệ số tương quan giống nhau, đối xứng nhau qua đường chéo ma trận. Phần tam giác phía dưới hay phía trên đường chéo của ma trận là phần cần quan tâm. Qua đó kết luận được là các biến độc lập và biến phụ thuộc có tương quan tuyến tính với nhau thông qua hệ số tương quan Pearson. Trong đó có một biến được gọi là biến phụ thuộc và các biến còn lại là các biến độc lập.
Kiểm định độ phù hợp của mô hình: một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể là kiểm định F trong bảng phân tích phương sai.
Kiểm định ý nghĩa của các hệ số hồi quy: Kiểm định t trong bảng thống kê của từng biến độc lập được dùng để kiểm định ý nghĩa của các hệ số hồi quy.
Mô hình lý thuyết được kiểm định bằng phương pháp hồi quy bội với mức ý nghĩa là 5%. Phương pháp hồi quy bội được sử dụng để nghiên cứu các mối liên hệ của các yếu tố ảnh hưởng đến sự hài lòng của khách hàng mua sắm online, thường được thể hiện qua biến mức độ hài lòng của khách hàng. Mục tiêu của việc nghiên cứu nhằm chỉ ra các yếu tố nào có ảnh hưởng lớn đến mức độ hài lòng của sinh viên nhằm đưa ra các giải pháp nâng cao chất lượng của các nhân tố ảnh hưởng, từ đó kỳ vọng sẽ nâng cao mức độ hài lòng chung. Kiểm định sự khác biệt về sự hài lòng của sinh viên khi mua sắm quần áo online theo các biến giới tính, năm học, mức độ sử dụng, thu nhập trung bình, thời gian sử dụng, tần suất, chi phí sẵn sàng, phương thức
thanh toán và sử dụng kênh thương mại nào để mua sắm bằng phân tích ANOVA, T – test và kiểm định phi tham số, với mức ý nghĩa 5%.