Dữ liệu sau khi được thu thập sẽ tiến hành mã hóa, nhập số liệu, làm sạch với phần mềm SPSS 20.0 và ứng dụng Microsoft Office Excel.
Thang đo được sử dụng trong nghiên cứu chính thức là thang đo Likert. Thang đo được đánh giá thông qua phương pháp hệ số tin cậy Cronbach Alpha, phân tích nhân tố EFA (Exploratory factor analysis) và mô hình hồi qui đa biến.
❖ Thống kê mô tả
Tác giả thống kê mô tả bằng cách thực hiện phân tích bảng tần suất đại diện cho các biến định tính và bảng thống kê mô tả đại diện cho các biến định lượng. Đây là kết quả đầu tiên trong quá trình xử lý số liệu giúp đưa ra những nhận xét chung cũng như nhìn thấy những xu hướng tổng quát nhất.
❖ Hệ số tin cậy Cronbach Alpha
Phương pháp hệ số tin cậy Cronbach Alpha được sử dụng để kiểm định thang đo các nhân tố trong mô hình lý thuyết. Hệ số Cronbach’s Alpha chỉ đo lường độ tin cậy của thang đo (bao gồm từ ba biến quan sát trở lên) chứ không tính được độ tin cậy cho từng biến quan sát. Để tính Cronbach’s Alpha cho một thang đo thì phải có tối thiểu là ba biến đo lường. Hệ số Cronbach’s Alpha có giá trị biến thiên trong khoảng [0, 1]. Về lý thuyết, Cronbach’s Alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên, nếu hệ số Cronbach’s Alpha quá lớn (α > 0,95) cho thấy có nhiều biến trong thang đo không có gì khác biệt nhau (nghĩa là chúng đo lường một nội dung nào đó của khái niệm nghiên cứu). Phương pháp này cho phép loại bỏ các biến quan sát không phù hợp, hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha.
Những biến có hệ số tương quan biến tổng (Item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978). Thông thường,
thang đo có Cronbach alpha từ 0,7 đến 0,8 là sử dụng được. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo lường tốt.
❖ Phân tích nhân tố khám phá (Exploratory factor analysis - EFA)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu gọn và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là chỉ số
dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 thì phân tích này mới 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.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lượng nhân
tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình. Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố
(component matrix) hay ma trận nhân tố khi các nhân tố được xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng
các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân
tố và biến có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp trích nhân tố principal components nên các hệ số tải nhân tố phải có trọng số lớn hơn 0,5 thì mới đạt yêu cầu.
❖ Mô hình hồi quy đa biến
Mô hình hồi quy đa biến được sử dụng để nhận diện các nhân tố và đánh giá mức độ tác động của các yếu tố này đến sự hài lòng của khách hàng. Mô hình có dạng như sau:
THANG ĐO ĐẶC ĐIỂM NHÓM Giới tính Nam 1 Nu 2 Độ tuổi Từ 18-25 tuổi 1 Từ 25-35 tuổi 2 Trong đó: Y: biến phụ thuộc Xi: biến độc lập β0: hằng số
βi: các hệ số hồi quy riêng
ei: phần dư có phân phối chuẩn với trung bình là 0 và phương sai không đổi