4.2.4.1 Phân tích nhân tố khám phá EFA đối với biến độc lập
C Eigenvalues khởi tạo Độ lệch tổng của hệ sốtải bình phương Phép xoay tổng của hệsố tải bình phương Total % Varian -ce Cumulat i-ve % Total % Varian -ce Cumul ati-ve % Total % Varian -ce Cumu lati-ve % 1 3.859 35.083 35.083 3.85 9 35.083 35.083 2.156 19.596 19.596 2 1.562 14.200 49.283 1.56 2 14.200 49.283 2.020 18.363 37.959 3 1.233 11.213 60.496 1.23 3 11.213 60.496 1.829 16.623 54.582 4 1.062 9.653 70.149 1.06 2 9.653 70.149 1.712 15.567 70.149 5 .763 6.933 77.081 6 .631 5.734 82.816 7 .588 5.347 88.163 8 .436 3.960 92.123 9 .322 2.932 95.055 10 .286 2.605 97.659 ɜr .258 2.341 100.000
Nguồn: Kết quả xử lý dữ liệu từ phần mềm SPSS 20.0
Từ bảng 4.7, ta thấy hệ số kiểm định KMO = 0.736 lớn hơn 0.5, đồng thời Sig rất nhỏ (bé hơn 0.05) nên thỏa điều điều kiện và phân tích nhân tố khám phá là thích hợp cho dữ liệu thực tế (kiểm định có ý nghĩa thống kê, có thể sử dụng kết quả phân tích EFA).
PL1 . 82 PL2 . 71 PL3 . 66 PM3 . 50 PD2 . 82 PD1 . 78 PD3 . 76 PR2 .850^ PR1 .849^ PM1 .880 PM2 .870
a. Rotation converged in 5 iterations.
Nguồn: Kết quả xử lý dữ liệu từ phần mềm SPSS 20.0
Từ kết quả bảng 4.9, nhận thấy hệ số tải nhân tố (Factor Loading) đều > 0,5 nên đạt yêu cầu. Từ bảng ma trận xoay nhân tố, ta có 4 nhân tố chính:
- Nhân tố 1: gồm các biến PL1, PL2, PL3 và PM3 gọi tên là Phân phối, kí hiệu PLPM.
- Nhân tố 2: gồm các biến PD1, PD2, PD3, gọi tên là Chất lượng cảm nhận, kí hiệu
PD.
- Nhân tố 3: gồm các biến PR1, PR2 gọi tên là Giá bán, kí hiệu PR. - Nhân tố 4: gồm các biến PM1, PM2, gọi tên là Chiêu thị, kí hiệu PM.
Nguồn: Kết quả xử lý dữ liệu từ phần mềm SPSS 20.0
Từ bảng 4.8, ta thấy tổng phương sai trích là 70.149% > 50% và hệ số Eigenvalue là 1.062 ≥ 1 cho thấy mô hình EFA là phù hợp.
Bảng 4.9 Bảng ma trận xoay nhân tố (Rotated Component Matrixa)
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.
^Df T .000
Kết quả từ bảng 4.10 cho ta thấy hệ số kiểm định KMO = 0.658 > 0.5, đồng thời Sig. rất nhỏ nên thỏa điều kiện và phân tích nhân tố khám phá là thích hợp cho dữ liệu thực tế. Bên cạnh đó, phương sai trích là 67.756 > 50% nên đạt yêu cầu.
Bảng 4.11 Bảng ma trận xoay nhân tố (Rotated Component Matrixa) Rotated Component Matrixa
a. Only one component was extracted. The solution cannot be rotated.
Nguồn: Kết quả xử lý dữ liệu từ phần mềm SPSS 20.0
Kết quả từ bảng 4.11 cho thấy, trích được 1 biến phụ thuộc “Nhận biết thương hiệu” (BA). Từ đó suy ra, sau khi tiến hành các phân tích và kiểm định cho các biến quan sát thì có 14 biến được giữ lại để tiếp tục nghiên cứu trong mô hình. Thang đo chính thức sau khi xử lý EFA gồm 11 biến quan sát thuộc 4 nhóm biến độc lập và 3 biến quan sát thuộc nhóm biến phụ thuộc. Tác giả sẽ tính giá trị trung bình của từng thang đo để phân tích tương quan.
4.2.3 Phân tích tương quan Pearson
4.2.5.1 Tạo nhân tố đại diện
Sau khi chạy xong Cronbach’s Alpha và Phân tích nhân tố EFA, kết hợp với mô hình từ lý thuyết ban đầu, thực hiện nhóm biến và đưa vào phương trình hồi quy nhằm tìm câu trả lời cho các giả thiết đã đặt ra ở chương 1. Thang đo chính thức sau khi xử lý
4.2.4.2 Phân tích nhân tố khám phá EFA đối với biến phụ thuộc
Bảng 4.10 Bảng kiểm định KMO (KMO and Barlett’s Test)
N________________ 8 6 ________86 ______86 ______86 ______86 PLPM Pearson Correlation . _________ 341** . . Sig. (2-tailed)_______ . . . . N________________ ______ 86 86 ______86 ______86 ______86 PD Pearson Correlation . . _______ . . Sig. (2-tailed)_______ . . . . N________________ ______ 86 ________ 86 86 ______ 86 ______ 86 PR Pearson Correlation . . .234** _______ . Sig. (2-tailed)_______ . . . . N________________ ______ 86 ________86 ______86 86 ______86 PM Pearson Correlation . . .312** . _______ Sig. (2-tailed)_______ . 018 . 000 . 003 . 010 N ______ 86 ________86 ______86 ______86 86
EFA gồm 11 biến quan sát thuộc 4 nhóm biến độc lập và 3 biến quan sát thuộc nhóm biến phụ thuộc. Từ đó, tạo thành các biến đại diện (biến gộp) sau:
- Biến gộp PD được xác định bằng Mean của PD1, PD2 và PD3; - Biến gộp PR được xác định bằng Mean của PR1 và PR2; - Biến gộp PM được xác định bằng Mean của PM1 và PM2;
- Biến gộp PLPM được xác định bằng Mean của PL1, PL2, PL3 và PM3; - Biến gộp BA được xác định bằng Mean của BA1, BA2 và BA3.
4.2.5.1 Phân tích tương quan
Từ mô hình nghiên cứu ta có tương quan biến Nhận biết thương hiệu (BA) với 4 biến độc lập còn lại bao gồm: Chất lượng cảm nhận (PD), Giá bán (PR), Chiêu thị (PM),
Phân phối (PLPM).
1 .580a Kết quả phân tích trong bảng 4.12 đã chỉ ra rằng hệ số tương quan giữa các biến.336 .303 .56077 1.891 đều có ý nghĩa thống kê. Các biến độc lập có mối quan hệ tuyến tính với biến phụ thuộc (Sig. < 0,05).
Kết quả phân tích tương quan Pearson cũng cho thấy các nhân tố của biến độc lập có mối tương quan chặt chẽ với biến phụ thuộc. Biến độc lập có hệ số tương quan cao nhất với biến phụ thuộc (BA) đó là biến Phân phối (0,456) và biến độc lập có hệ số tương
quan thấp nhất với biến Nhận biết thương hiệu là biến Chiêu thị (0.255), điều này cho thấy, thực tế sự nhận biết thương hiệu JobTest của khách hàng cá nhân không chịu nhiều
ảnh hưởng bởi yếu tố Chiêu thị. Điều này có thể được lý giải bởi trong những năm qua, khi vừa mới thành lập, JobTest chủ yếu tập trung vào việc hoàn thiện, phát triển sản phẩm là những bài đánh giá năng lực, cũng phải tập trung cho chi phí vận hành, chưa đầu tư nhiều vào việc quảng cáo, tiếp thị. Các hoạt động xúc tiến thương mại có thể thấy
nhiều nhất trong những năm qua là các chương trình, sự kiện, hội chợ việc làm, hướng nghiệp cho sinh viên kết hợp với các trường học, doanh nghiệp. Các kênh trực tuyến như
Facebook, Website, Email, cũng như việc đẩy mạnh SEO Website, chạy quảng cáo, được
tập trung hơn trong năm gần đây.
Các biến độc lập đều có hệ số tương quan dương với biến Nhận biết thương hiệu, điều này thể hiện các biến độc lập có tác động thuận chiều với biến Nhận biết thương hiệu, nếu các biến độc lập tăng thì biến Nhận biết thương hiệu tăng và ngược lại.
4.2.5.2 Phân tích hồi quy tuyến tính bội
Phân tích hồi quy sẽ xác định phương trình hồi quy tuyến tính với các hệ số Beta tìm được để khẳng định mối quan hệ nhân quả giữa biến phụ thuộc (BA) và các biến độc
lập (PD, PR, PM, PLPM), nhằm xác định mức độ ảnh hưởng của từng yếu tố đến Nhận biết thương hiệu JobTest. Kết quả phân tích hồi quy được thực hiện bằng phương pháp Enter.
Mô hình hồi quy bội được biểu diễn như sau:
Y = βι + β2*X1 + β3*X2 + β4*X3 + β5*X4 + ɛ
Trong đó:
Y: Nhận biết thương hiệu (BA); X1: Chất lượng cảm nhận (PD); X2: Giá bán (PR);
X3: Phân phối (PLPM); X4: Chiêu thị (PM);
4.2.5.3 Đánh giá độ phù hợp của mô hình
Total 38.367 85 a. Dependent Variable: BA
b. Predictors: (Constant), PM, PR, PD, PLPM
Model
Unstandardized
Coefficients StandardizedCoefficients
t Sig.
Collinearity Statistics B Std.
Error Beta Tolerance VIF
1 (Constant) .177 .580 .306 .761 PLPM .372 .146 .275 2.543 .013 .701 1.427 ^PD .280 Λ23 .225 2.281 .025 .844 1.185 ^PR .284 .097 .291 2.926 .004 .829 1.206 ^PM -.020 .119 -.017 -.165 .869 .766 1.305 a. Dependent Variable: BA
Nguồn: Kết quả xử lý dữ liệu từ phần mềm SPSS 20.0
Thông thường chúng ta chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 đến 1 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt. Tuy nhiên, điều này chỉ phù hợp trong một số ít tình huống, việc yêu cầu giá trị R2 hiệu chỉnh phải lớn hơn 0.5 là đi ngược với lý thuyết thống kê.
Từ bảng 4.13, mô hình với 4 biến độc lập và 1 biến phụ thuộc cho ta hệ số R2 hiệu chỉnh bằng 0.303, nghĩa là mô hình hồi quy đã xây dựng phù hợp với dữ liệu thu được là 30.3%. Hay mô hình hồi quy đã giải thích được sự nhận biết thương hiệu JobTest của khách hàng cá nhân chịu ảnh hưởng bởi các biến là 30.3%. Còn lại 69.7% là do các yếu tố ngoài mô hình và sai số ngẫu nhiên.
4.2.5.4 Kiểm định độ phù hợp của mô hình
Bảng 4.14 Kiểm định độ phù hợp của mô hình (ANOVAa)
Nguồn: Kết quả xử lý dữ liệu từ phần mềm SPSS 20.0
Mức ý nghĩa quan sát ở bảng ANOVA có giá trị sig. gần bằng 0 < 0,05, như vậy mô hình xây dựng phù hợp với dữ liệu thu thập được. Các biến đưa vào mô hình đều có ý nghĩa thống kê với mức ý nghĩa 5%. Vì vậy, với mức ý nghĩa 5%, có đủ cơ sở kết luận
các biến là phù hợp để giải thích mô hình hồi quy.
4.2.5.5 Ý nghĩa các hệ số hồi quy trong mô hình
kết quả các giá trị Sig của kiểm định t của các biến Phân phối (PLPM), Chất lượng cảm nhận (PD), Giá bán (PR) đều rất nhỏ và < 0.05 với độ tin cậy là 95%, ta thấy các biến có tương quan tuyến tính đến nhận biết thương hiệu JobTest của khách hàng cá nhân. Riêng biến Chiêu thị (PM) có Sig của kiểm định t là 0.869 > 0.05 nên bị loại khỏi mô hình.
Như vậy, các biến PD, PR, PLPM có mối tương quan thuận (+) với nhận biết thương hiệu JobTest của khách hàng cá nhân.
Sau khi đã kiểm định về mức độ phù hợp của các biến cũng như sự phù hợp của mô hình, ta thấy được mô hình xây dựng đã thỏa mãn các yêu cầu đặt ra. Vậy phương trình hồi quy thu được là:
Y = 0.177 + 0.372*PLPM + 0.28*PD + 0.284*PR
4.2.5 Kiểm tra các giả định của hồi quy tuyến tính Giả định 1: Giả định về phân phối chuẩn của phần dư
Trong phân tích hồi quy, phân phối chuẩn là một trong những điều kiện nhằm đảm bảo mô hình dự báo tốt kết quả của tổng thể. Phần dư có thể không tuân theo phân phối chuẩn vì những lý do như: sử dụng sai mô hình, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích... Ta sẽ sử dụng biểu đồ tần số Histogram của phần dư đã được chuẩn hóa (Regression Standardized Residual) để kiểm tra giả định này.
Hình 4.6 Biểu đồ phân phối phần chuẩn dư
Giả
thuyết Nội dung
Hệ số hồi quy chuẩn hóa β Sig. (p-value) Kết quả kiểm định H1 Chất lượng cảm nhận có tác động tích cực đến nhận biết thương hiệu .225 .013 < 0.05 Chấp nhận giả thuyết H2 Giá bán có tác động tích cực
đến nhận biết thương hiệu
.291 .025 < 0.05 Chấp nhậngiả thuyết H3 Phân phối có tác động tích cực đến sự nhận biết thương hiệu .275 .004 < 0.05 Chấp nhận giả thuyết H4 Hoạt động chiêu thị có tác động tích cực đến sự nhận biết thương hiệu
-.017 .869 > 0.05 Bác bỏ giả thuyết Kết quả từ tần số Histogram của phần dư cho thấy:
Giá trị trung bình (Mean) = -6.64E-16 gần bằng 0 và độ lệch chuẩn (Std.Dev.) = 0,976 (gần bằng 1), phần dư xấp xỉ chuẩn. Điều này có nghĩa là giả thuyết phân phối chuẩn của phần dư không bị vi phạm.
Giả định 2: Không có tương quan giữa các phần dư (kiểm tra tính độc lập của sai số).
Dùng đại lượng thống kê Durbin-Watson (d) để kiểm định. Quy tắc kiểm định Durbin - Watson theo kinh nghiệm thì chỉ số Durbin-Watson có giá trị trong khoảng từ 1 đến 3 là không có hiện tượng tự tương quan. Nhìn vào bảng 4.13 - Đánh giá độ phù hợp của mô hình cho thấy chỉ số d= 1.891 cho thấy không có hiện tượng tự tương quan, nên ta chấp nhận giả thuyết không có tự tương quan.
Giả định 3: Không có mối quan hệ tương quan giữa các biến độc lập (đo lường đa cộng tuyến).
Hệ số phóng đại phương sai VIF (Variance Inflation Factor) được sử dụng để kiểm tra hiện tượng đa cộng tuyến. Thông thường chỉ số này vượt quá giá trị 2 biểu thị cho vấn đề tiềm ẩn mối quan hệ tương quan giữa các biến độc lập do đa cộng tuyến gây ra và trên 5 là có đa cộng tuyến. Dựa vào kết quả ở bảng Hệ số hồi quy, cho thấy hệ số phóng đại phương sai (VIF) lớn hơn 1 và nhỏ hơn 2 (1<VIF<2). Do đó, kết luận không có đa cộng tuyến trong mô hình.
4.2.6 Kiểm tra các giả thuyết
Dựa vào mô hình lý thuyết đã đặt ra từ nghiên cứu, tác giả đã xây dựng các biến quan sát và thang đo phù hợp để đánh giá ảnh hưởng của các yếu tố marketing mix tác động đến nhận biết thương hiệu JobTest của khách hàng cá nhân. Với 14 biến quan sát, 4 biến độc lập: Chất lượng cảm nhận, Giá bán, Phân phối và Chiêu thị, 1 biến phụ thuộc là biến về Nhận biết thương hiệu.
Các kết quả khảo sát được đưa vào để kiểm định độ tin cậy của thang đo bằng cách dùng hệ số Cronbach’s Alpha, sau đó dùng phân tích nhân tố EFA để loại các biến không phù hợp, tiếp đến là chạy số liệu mô hình hồi quy bội. Giá trị của R bình phương hiệu chỉnh bằng 0.303 trong phương trình hồi quy tuyến tính bội, cụ thể trong trường hợp này, các biến độc lập đưa vào chạy hồi quy ảnh hưởng 30.3% đến sự thay đổi của biến phụ thuộc - nhận biết thương hiệu, còn 69.7% là do các biến ngoài mô hình và sai số ngẫu nhiên. Kết quả hồi quy đã chỉ ra rằng có tồn tại các ảnh hưởng dương của Chất lượng
cảm nhận, Giá bán và Phân phối (kết hợp một câu hỏi nhỏ trong thang đo Chiêu thị) đến
sự nhận biết thương hiệu JobTest, đồng thời, biến Chiêu thị (PM) vì không thoả điều kiện đã bị loại khỏi mô hình.
Mặc dù có 3 yếu tố ảnh hưởng dương lên sự nhận biết thương hiệu nhưng vai trò của chúng là khác nhau. Dựa vào độ lớn của hệ số hồi quy chuẩn hóa Beta, thứ tự mức độ tác động từ mạnh nhất tới yếu nhất của các biến độc lập tới biến phụ thuộc BA là: PR
(0.291) > PLPM (0.275) > PD (0.225). Từ đó đã chỉ ra được mức độ tác động của từng yếu tố đến nhận biết thương hiệu JobTest của khách hàng cá nhân: Giá bán (PR) có ảnh hưởng nhiều nhất đến nhận biết thương hiệu JobTest của khách hàng cá nhân, kế tiếp là yếu tố về Phân phối có kết hợp với một biến về chiêu thị (PLPM), và thấp nhất là yếu tố về Chất lượng cảm nhận (PD).
4.2.7.2 Yếu tố Giá bán
Giá bán là yếu tố có tác động mạnh nhất trong mô hình. Như vậy có thể thấy giá bán rất được các khách hàng cá nhân (chủ yếu là sinh viên) quan tâm. Yếu tố giá thường được sử dụng để khách hàng so sánh với các sản phẩm cùng loại khác của các bài Đánh giá năng lực, đồng thời cũng kết hợp chặt chẽ với lợi ích tương xứng mà sản phẩm mang
lại. Giá bán tác động mạnh nhất đến nhận biết thương hiệu JobTest đã cho thấy rằng giá của các sản phẩm có phù hợp năng lực chi trả của khách hàng cá nhân không, và các phương thức thanh toán có thuận tiện không, là những yếu tố được khách hàng, chủ yếu là sinh viên quan tâm. Sự nhận biết thương hiệu sẽ tăng khi giá phù hợp với năng lực chi
trả và phương thức thanh toán thuận tiện.
Hiện tại, các bài Đánh giá năng lực dành cho đối tượng khách hàng cá nhân của JobTest được cung cấp ở 2 dạng: miễn phí và có tính phí. Giá của các bài đánh giá như vậy nhìn chung là khá hợp lí ở thời điểm hiện tại, vì khách hàng có thể chọn các bài test