Tổng quan về mẫu điều tra
Tiến hành lập bảng tần số để mô tả mẫu thu thập được theo các đặc trưng. Trong mỗi loại tiến hành tính toán giá trị bình quân và độ lệch chuẩn để đánh giá tổng quan về độ hội tụ cũng như phân tán của mẫu. Phương pháp sử dụng chủ yếu là phân tổ kết hợp, số tuyệt đối và số tương đối, phương pháp đồ thị và bảng thống kê. Thực hiện thống kê theo các đặc tính: giới tính, độ tuổi, trình độ học vấn, nghề nghiệp, thu nhập. Dựa vào kết quả để đánh giá mức độ đại diện của mẫu.
Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Hệ số tin cậy Cronbach’ s alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các biến quan sát trong thang đo tương quan với nhau, là phép kiểm định về sự phù hợp của thang đo đối với từng biến quan sát, xét trên mỗi quan hệ với một khía cạnh đánh giá. Phương pháp này cho phép loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu. Những biến quan sát không ảnh hưởng nhiều đến tiêu chí đánh giá sẽ tương quan yếu với tổng số điểm. Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’ s alpha từ 0,8 đến gần bằng 1 thì thang đo lường là rất tốt, từ 0,7 đến gần 0,8 là tốt.
Phân tích nhân tố EFA
Phân tích nhân tố khám phá (EFA) là một nhóm các thủ tục, phương pháp phân tích thống kê được sử dụng để thu nhỏ và rút gọn một tập dữ liệu gồm nhiều biến quan
sát phụ thuộc lẫn nhau thành một tập biến (còn gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng được hầu hết nội dung thông tin của tập biến ban đầu (Hair và ctg, 2006). Phương pháp thực hiện: Mô hình nghiên cứu ở đây gồm 28 biến quan sát đo lường 6 khái niệm thành phần, tác giả sử dụng phương pháp trích yếu tố Principal Components với phép xoay Varimax để cho ra ma trận nhân tố đã xoay, từ đó xác định được số lượng nhân tố đã trích ra cũng như số lượng các biến quan sát ban đầu thuộc về các nhân tố.
Điểu kiện để phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (EFA) dựa trên cơ sở mối quan hệ giữa các biến đo lường, vì vậy trước khi quyết định phân tích nhân tố khám phá (EFA) cần phải xem xét mối quan hệ giữa các biến đo lường này. Sử dụng ma trận hệ số tương quan có thể nhận biết được mức độ quan hệ giữa các (Nguyễn Đình Thọ 2011). Nếu các hệ số tương quan nhỏ hơn 0,3 thì việc phân tích nhân tố khám phá (EFA) không phù hợp (Hair và ctg 2006). Một số tiêu chí đánh giá mối quan hệ giữa các biến sau
Phương pháp trích Principal Comperment với phép xoay varimax: Kiểm định Bartlett (Bartlett’s Test of Sphericity): Đại lượng Bartlett’s được sử dụng để xem xét giải thuyết HO các biến không có tương quan trong tổng thể. Kiểm định Bartlett’s có ý nghĩa tại mức sig thấp hơn 0,05; tức là giả thiết HO cho rằng ma trận tương quan giữa các biến trong tổng thể là một ma trận đơn vị sẽ bị bác bỏ.
Hệ số tải nhân tố (Factor loading): Tiêu chuẩn về hệ số tải nhân tố Factor loading, theo Hair & ctg (1998), hệ số tải nhân tố Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0,3 được xem là đạt mức tối thiểu, Factor loading > 0,4 được xem là quan trọng và Factor loading > 0,5 được xem là có ý nghĩa thực tiển.
Tổng phương sai trích: Để có thể phân tích nhân tố khẳng định, thì tổng phương sai trích 50% (Gerbing & Anderson 1988).
Hệ số KMO (Kaisor Meyer Olkin): Trong phân tích nhân tố khám phá, trị số KMO (Kaisor Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Đơn vị KMO là tỷ lệ giữa bình phương tương quan của các biến với bình phương tương quan một phần của các biến. Trị số của KMO lớn (từ 0,5 đến 1) có ý nghĩa phân tích nhân tố thích hợp, còn nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có nhiều khả năng không thích hợp với các dữ liệu.
Trị số đặc trưng (Eigenvatue): Ngoài ra, phân tích nhân tố còn dựa vào chỉ số Eigenvalue để xác định số lượng các nhân tố. Chỉ những nhân tố nào có chỉ số Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Đại lượng Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có chỉ số Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc.
Phân tích hồi quy đa biến
Phân tích hồi quy là sự nghiên cứu mức độ ảnh hưởng của một hay nhiều biến số (biến độc lập hay biến giải thích) đến một biến số (biến kết quả hay biến phụ thuộc) nhằm dự báo biến kết quả dựa vào các giá trị được biết trước của các biến giải thích. Sau khi hoàn tất việc phân tích đánh giá độ tin cậy thang đo (Kiểm định Cronbach’ s Alpha) và kiểm định giá trị khái niệm thang đo (Phân tích nhân tố khám phá EFA), các biến không đảm bảo giá trị hội tụ tiếp tục bị loại bỏ khỏi mô hình cho đến khi các tham số được nhóm theo các biến. Việc xác định mối quan hệ giữa các nhóm biến này cũng như xác định mối quan hệ giữa các nhóm biến độc lập (các nhân tố thành phần) và nhóm biến phụ thuộc trong mô hình nghiên cứu được thực hiện bằng phương pháp phân tích hồi quy bội. Giá trị của biến mới trong mô hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó. Tuy nhiên trước khi tiến hành phân tích hồi quy, cần kiểm tra các giả định về khuyết tật mô hình.
Phương trình hồi quy tổng thể có dạng như sau:
QD=β0+β1HI+β2SD+β3TN+β4CP+ β5RR+ β6XH.
Trong đó:
Frequency (Tần số) Percent (Tỷ Lệ %) ' N (số quan sát) Giới tính Nam_______________________ 93 46,5 200 Nữ 107 53,5 Độ tuổi Dưới 25 tuổi 43 21,5 200 Từ 25 đến dưới 45 tuổi 140 70 Trên 45 tuổi 17 85 Trình độ Trung học phổng thông 19 9.5 200 Trung cấp 55 27,5 Cao đẳng 48 24 Đại học 62 31 Trên đại học 16 8
Nghề nghiệp Công nhân 26 13 200
Nhân viên văn phòng 61 305
Cán bộ công viên chức 77 385
HI: Giá trị biến độc lập thứ nhất “cảm nhận sự hữu ích”. SD: Giá trị biến độc lập thứ hai “cảm nhận dễ sủ dụng”. TN: Giá trị biến độc lập thứ ba “cảm nhận về sự tín nhiệm”. CP: Giá trị biến độc lập thứ tư “cảm nhận về chi phí”. RR: Giá trị biến độc lập thứ năm “cảm nhận về rủi ro”. XH: Giá trị biến độc lập thứ sáu “ảnh hưởng của xã hội” βi là hệ số hồi quy riêng phần (i=0,1,2,3,4,5,6).
Phân tích phương sai (ANOVA).
Phương pháp kiểm định ANOVA nhằm xác định ảnh hưởng của các biến định tính như: giới tính, độ tuổi, trình độ học vấn, nghề nghiệp, thu nhập của khách hàng. Phương pháp sử dụng là phương pháp phân tích phương sai một yếu tố (One-Way- ANOVA). Phương pháp này được sử dụng trong trường hợp chỉ sử dụng một biến yếu tố để phân loại các quan sát thành các nhóm khác nhau. Việc phân tích nhằm mục đích tìm kiếm xem có sự khác nhau (có ý nghĩa thống kê) hay không về các nhân tố ảnh hưởng đến quyết định sử dụng dịch vụ Mobile Banking của khách hàng.
Chương 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN