Xây dựng thang đo cho các biến của mô hình là một công cụ quan trọng trong việc xây dựng cầu nối giữa lý thuyết và kiểm định lý thuyết (Anderson và Gerbing, 1988). Các bước được xem xét, bao gồm xác định cấu trúc và lĩnh vực, tự đánh giá tính hợp lệ về nội dung của các định nghĩa, tạo các tiểu mục, định dạng và quy mô nghiên cứu, khảo sát dự thảo bảng câu hỏi, các khảo sát trước và sau kiểm định.
Thang đo là cơ sở cho nghiên cứu định lượng, từ thang đo tác giả xây dựng bảng câu hỏi. Thang đo nghiên cứu được dựa trên các nghiên cứu thực nghiệm liên quan và
44
các nền tảng lý thuyết. Sau đó sẽ tiến hành nghiên cứu sơ bộ bằng cách phỏng vấn nhóm đối tượng như đã đề cập bên trên và đã bổ sung và hiệu chỉnh thang đo.
hiệu giả điểu chỉnh thêm Có thể dễ dàng phân biệt thương hiệu A với
thương hiệu khác
Logo của A có thể dễ dàng nhận biết Tôi có thể nhớ và nhận ra màu sắc đặc trưng của thương hiệu café A.
Khi nhắc đến thương hiệu café A tôi có thể dễ dàng hình dung ra
Tôi có thể nhận ra ngay thương hiệu café A giữa những loại café khác
"2 Lòng ham muốn thương hiệu
Tôi thích dùng café của thương hiệu A hơn bất cứ thương hiệu nào khác.
Nguyễn Đình Thọ và Nguyễn Thi Mai Trang (2002), và tác giả điểu chỉnh thêm Tôi tin rằng dùng café của thương hiệu A
xứng đáng đồng tiền hơn các thương hiệu khác
Tôi luôn muốn mua loại café A nếu tôi phải đi mua cafe.
Tôi dễ dàng bỏ tiền ra mua loại café A mà không suy nghĩ nhiều
3 Lòng trung thành thương hiệu
Thương hiệu café A luôn là lựa chọn hàng đầu của tôi.
Yoo và Donthu (2001), Nguyễn Đình Thọ & cộng sự (2002), và tác giả điểu chỉnh thêm Tôi không uống loại café nào khác nếu
không mua được café của thương hiệu A Tôi sẽ tìm mua cho bằng được café của thương hiệu A.
Tôi sẽ tiếp tục sử dụng café của thương hiệu A trong thời gian tới
4 Chất lượng cảm nhận
Café của thương hiệu A là sản phẩm cafe cao cấp
Yoo và Donthu
(2001), và tác giả điểu chỉnh thêm.
Uống café của thương hiệu A làm tôi thêm tràn đầy năng lượng
Café thương hiệu A đại diện cho phong cách và lối sống của tôi
Café thương hiệu A định vị tầng lớp trong xã hội và phong cách chuyên nghiệp 5 Giá trị
thương hiệu
Thương hiệu café A là một thương hiệu hấp dẫn và lôi cuốn.
Yoo và cộng sự (2000), Verhoef và cộng sự (2007), và tác giả điểu chỉnh thêm
Nếu có một thương hiệu cafe khác cũng tốt như thương hiệu café A, tôi vẫn thích mua café của thương hiệu A.
Việc mua sắm tại thương hiệu café A có ý nghĩa hơn thay vì mua café của các thương hiệu khác
Thương hiệu café A là một thương hiệu được ưa thích.
STT Thành phần
Mã hóa Biến quan sát
1
Nhận biết thương hiệu (NB)
NB1 Khi nghĩ về café, thương hiệu A đầu tiên trong tôi NB2
Có thể dễ dàng phân biệt thương hiệu A với thương hiệu
khác
NB3 Logo của A có thể dễ dàng nhận biết
Nguồn: Tác giả tổng hợp
Thang đo Likert được phát triển và giới thiệu bởi Rennis Likert vào năm 1932. Theo Bissonnette (2007), thang đo Likert là thang đo được sử dụng một cách phổ biến nhất trong nghiên cứu định lượng. Trong nghiên cứu này, thang đo được sử dụng là thang đo Likert, một chuỗi các phát biểu liên quan đến thái độ trong câu hỏi được nêu ra và người được khảo sát sẽ chọn một trong các trả lời đó, bao gồm các phát biểu đánh giá về thuộc tính của đối tượng nghiên cứu và các câu trả lời gồm 5 cấp độ từ “hoàn toàn không đồng ý” đến “hoàn toàn đồng ý” để người trả lời lựa chọn.
Ngoài ra, tác giả cũng sử dụng thang đo tỷ lệ đo lường tuổi, thu nhập, nghề nghiệp và thang đo định dạnh để đo lường giới tính hay tần suất đi cafe.
3.5.2 Mã hóa thang đo
Để đảm bảo tính bảo mật và khách quan trong nghiên cứu, các biến đo lường được mã hóa thành các ký hiệu, cụ thể như sau:
Bảng 3.2: Thang đo lường các biến quan sát cho các doanh nghiệp kinh doanh café dạng chuỗi tại TP.HCM.
NB4
Tôi có thể nhớ và nhận ra màu sắc đặc trưng của thương
hiệu café A.
NB5 Khi nhắc đến thương hiệu café A tôi có thể dễ dànghình dung ra
NB6 Tôi có thể nhận ra ngay thương hiệu café A giữanhững loại café khác ^2 Lòng ham muốn thương hiệu (HM)
HM1 Tôi thích dùng café của thương hiệu A hơn bất cứ thương hiệu nào khác.
HM2 Tôi tin rằng dùng café của thương hiệu A xứng đángđồng tiền hơn các thương hiệu khác
HM3 Tôi luôn muốn mua loại café A nếu tôi phải đi muacafe.
HM4 Tôi dễ dàng bỏ tiền ra mua loại café A mà không suynghĩ nhiều 3
Lòng trung thành
TT1 Thương hiệu café A luôn là lựa chọn hàng đầu của tôi.
TT2 Tôi không uống loại café nào khác nếu không muađược café của thương hiệu A
thương hiệu (TT)
TT3 Tôi sẽ tìm mua cho bằng được café của thương hiệu A.
TT4 Tôi sẽ tiếp tục sử dụng café của thương hiệu A trongthời gian tới 4
Chất lượng cảm nhận (CL)
CL1 Café của thương hiệu A là sản phẩm cafe cao cấp
CL2 Uống café của thương hiệu A làm tôi thêm tràn đầynăng lượng
CL3
Café thương hiệu A đại diện cho phong cách và lối sống
của tôi
CL4 Café thương hiệu A định vị tầng lớp trong xã hội vàphong cách chuyên nghiệp 5
Giá trị thương hiệu (GT)
GT1 Thương hiệu café A là một thương hiệu hấp dẫn và lôi cuốn.
GT2
Nếu có một thương hiệu cafe khác cũng tốt như thương
hiệu café A, tôi vẫn thích mua café của thương hiệu A. GT3 Việc mua sắm tại thương hiệu café A có ý nghĩa hơnthay vì mua café của các thương hiệu khác
GT4 Thương hiệu café A là một thương hiệu được ưa thích. 48
Nguồn: Tác giả tổng hợp
3.6. Phân tích dữ liệu
Dữ liệu sau khi được thu thập sẽ được xử lý qua Excel và phần mềm SPSS. Cụ thể các bước phân tích và xử lý dữ liệu theo các bước sau:
49
3.6.1. Phân tích mô tả
Sử dụng phương pháp phân tích thống kê nhằm hệ thống lại các thông tin của mẫu nghiên cứu: giới tính, độ tuổi, thu nhập, nghề nghiệp hiện tại, thu nhập trung bình và tần suất đi café. Hơn nữa, qua đó để phân tích mối liên hệ giữa các biến, độ lệch chuẩn thể hiện sự khác nhau trong nhận định của các đối tượng tham gia khảo sát đối với biến.
Mục đích của phương pháp này nhằm mô tả, hiểu rõ được đặc điểm của đối tượng điều tra. Thông qua các tiêu chí tần số (Frequency), biểu đồ, giá trị trung bình, độ lệch chuẩn, phương sai.
3.6.2. Phân tích độ tin cậy
Cronbach (1951) đã đưa ra hệ số tin cậy cho thang đo nhằm đo lường cùng một khái niệm hay dùng để đánh giá độ tin cậy của những thang đo đa biến.
Tiến hành đánh giá độ tin cậy thang đo thông qua hệ số Cronbach’s Alpha, qua đó các biến không phù hợp sẽ bị loại nếu hệ số tương quan biến tổng nhỏ hơn hoặc bằng 0.3, thang đo sẽ được chấp nhận khi hệ số Cronbach’s Alpha lớn hơn hoặc bằng 0.6 (Nunnally & Burnstein, 1994). Cụ thể là:
• Hệ số Cronbach’s Alpha lớn hơn 0,8: hệ số tương quan cao.
• Hệ số Cronbach’s Alpha từ 0,7 đến 0,8: chấp nhận được
• Hệ số Cronbach’s Alpha từ 0,6 đến 0,7 : chấp nhận được nếu thang đo mới.
3.6.3. Phân tích nhân to khám phá (EFA)
Phân tích nhân tố khám phá (EFA) là phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các yếu tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và ctg, 2009). Cụ thể, EFA xác định số lượng các nhân tố ảnh hướng đến một tập các biến đo lường và cường độ mối quan hệ giữa mỗi yếu tố tố với từng biến đo lường.
50
Trong nghiên cứu này, EFA sẽ trả lời câu hỏi liệu các biến quan sát dùng để xem xét sự tác động của các nhân tố ảnh hướng đến giá trị thương hiệu của các doanh nghiệp kinh doanh café dạng chuỗi tại TPHCM có sự tương quan với nhau không và chúng có thể gom lại thành một số nhóm nhân tố ít hơn để xem xét không. Đối với những biến không đảm bảo độ tin cậy sẽ bị loại khỏi thang đo.
Đánh giá kết quả phân tích EFA theo các tiêu chí sau:
• Hệ số tải nhân tố (Factor loading): Theo Hari và ctg (2014) cho rằng trong phân tích EFA, với factor loading từ mức 0.3 đến 0.4 được xem là đạt mức điều kiện tối thiểu để giữ lại biến và factor loading từ mức 0,5 trở lên: các biến quan sát mang ý nghĩa thống kê tốt.
• Hệ số KMO (Kaiser - Meyer - Olkin): là các chỉ số được sử dụng để kiểm tra sự phù hợp phân tích nhân tố. Giá trị KMO là 0,5 ≤ KMO ≤ 1 và giá trị Sig nhỏ hơn 0,05 thì phân tích này mới thích hợp, còn nếu trị số KMO nhỏ hơn 0,5 thì phân tích nhân tố khám phá EFA có khả năng là không thích hợp với các dữ liệu.
• Kiểm định Bartlett (Bartlett’s test of sphericity) có ý nghĩa thống kê (p-value ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể. (Howard, 2016)
• Tổng phương sai trích (Total Varicance Explained): Tổng phương sai trích phải lớn hơn hoặc bằng 50%. Hệ số này thể hiện nhân tố trích được bao nhiêu phần trăm của các biến đo lường, tổng này đạt từ 50% tức là phần chung phải lớn hơn phần riêng và sai số (Howard, 2016)
• Hệ số Eigenvaue: là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố EFA. Chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích (Garson, 2003).
3.6.4. Phân tích tương quan Pearson
Phân tích tương quan Pearson nhằm kiểm tra mối tương quan tuyết tính chặt chẽ giữa biến phụ thuộc với các biến độc lập, cũng như các biến độc lập với nhau. Nếu hệ số
51
tương quan giữa biến phụ thuộc và các biến độc lập càng lớn chứng tỏ giữa chúng có mối quan hệ với nhau và phân tích hồi quy là phù hợp (Schober & ctg., 2018). Nếu hệ số Sig < 0,05 thì có tương quan hoặc ngược lại nếu Sig > 0,05 thì không có tương quan (Gordon, 2019).
Hệ số tương quan Pearson (r) có giá trị giao động trong khoảng liên tục từ -1 đến +1
• r = 0 : Hai biến không có tương quan tuyến tính
• r = 1; r = -1: Hai biến có mối tương quan tuyến tính tuyệt đối
• r > 0 : Hai biến có sự tương quan thuận. Nghĩa là nếu giá trị của biến này tăng sẽ làm giá trị của biến kia tăng và ngược lại.
• r < 0 : Hai biến có sự tương quan nghịch. Nghĩa là nếu giá trị của biến này tăng sẽ làm giá trị của biến kia giảm và ngược lại.
3.6.5. Phân tích hồi quy tuyến tính
- Đánh giá mức độ phù hợp của mô hình hồi quy
Để biết mức độ phù hợp với dữ liệu của mô hình hồi quy tuyến tính được xây dựng trên các mẫu dữ liệu, ta cần biết được hệ số phù hợp của nó. Theo Green (1991), biện pháp được sử dụng phổ biến là xác định hệ số R2 (đối với mô hình hồi quy đơn biến) hoặc R2 hiệu chỉnh (đối với mô hình hồi quy đa biến). Giá trị R2 và R2 hiệu chỉnh giao động từ 0 đến 1. Hai giá trị càng gần 1 thì mô hình đã xây dựng phù hợp với bộ dữ liệu dùng chạy hồi quy hay mô hình hồi quy giải thích tốt sự thay đổi của biến phụ thuộc. Ngược lại, nếu R2 và R2 hiệu chỉnh càng gần 0 thì mô hình đã xây dựng không phù hợp với bộ dữ liệu dùng chạy hồi quy hay mô hình hồi quy không giải thích tốt sự thay đổi của biến phục thuộc.
52
Để kiểm định độ phù hợp của mô hình hồi quy sử dụng phân tích phương sai ANOVA (Analysis of variance) với kiểm định F và kiểm định T (Green, 1991). Mục đích kiểm định này là xem xét mức độ phù hợp của mô hình lựa chọn. Cụ thể là, mô hình hồi quy tuyến tính có phù hợp với dữ liệu thực tiễn không. Biến độc lập có tương quan tuyến tính với biến phụ thuộc trong tổng thể.
Sau khi đánh giá sự phù hợp của mô hình thông qua giá trị R2 hiệu chỉnh. Kết quả này chỉ nói rằng mô hình có phù hợp hay không đối với dữ liệu đã thu thập được. Để kiểm tra độ phù hợp của mô hình hồi quy tổng thể, tiến hành kiểm định giả thuyết HO : R2 = 0. Nếu kết quả thử nghiệm có đủ cơ sở để bác bỏ giả thuyết HO : R2 = 0, thì đây là buớc đầu thành công của mô hình.
Phân tích ANOVA với kiểm định F được sử dụng cho thử nghiệm này. Nếu giá trị F có p-value < 0,1, xác xuất giả thuyết R2 = 0 bị bác bỏ, mô hình là phù hợp với dữ liệu thu thập được.
- Kiểm tra đa cộng tuyến tính và tự tương quan
Kiểm định thêm đa cộng tuyết tính và tự tương quan của các biến trong mô hình để đảm bảo mô hình có ý nghĩa.
Căn cứ vào độ chấp nhận của biến Tolenrance = 1/VIF (hệ số này > 0,5 thì không có hiện tượng đa cộng tuyến tính) và hệ số này phóng đại phương sai Variance Infation factor (VIF), để kiểm định hiện tượng đa cộng tuyến tính (Marquardt, 1970).
• Nếu VIF > 2 thì có dấu hiệu đa cộng tuyến
• Nếu VIF > 10 thì chắc chắn có đa cộng tuyến
• Nếu VIF < 2 thì không bị đa cộng tuyến
Để kiểm tra tượng tự tương quan, sử dụng quy tắc kiểm định Durbin - Waston. Theo Formby và ctg (1984):
Tiêu chí Tần số Tỷ lệ (%) Giới tính Nam 73 363 'Nữ 128 637 Nhóm tuổi Dưới 25 tuổi 81 462 Từ 25 - 40 tuổi 1ÕÕ 498 Trên 40 tuổi 2Õ 1ÕÕ
Thu nhập Dưới 5 triệu 46 299
53
• Nếu giá trịhệ số từ 0đến 1: mô hình có tự tươngquan dương
• Nếu giá trịhệ số từ 0đến 4: mô hình có tự tươngquan âm
• Nếu giá trịhệ số nàynằm trong khoảng từ 1 đến 3: không có sự tự tương quan trong mô hình.
- Kiểm định phương sai thay đổi
Giả thuyết phương sai không thay đổi rất quan trọng khi sử dụng mô hình hồi quy tuyến tính đa biến. Nếu xảy ra hiện tượng này, kết quả của phương trình hồi quy sẽ không chính xác, làm sai lệch kết quả so với thực tế, từ đó khiến người nghiên cứu đánh giá nhầm chất lượng của phương trình hồi quy tuyến tính. Sử dụng ma trận tương quan Spearman để thực hiện kiểm định phương sai thay đổi. Theo Zhigang và ctg (2014):
• Nếu giá trị p-value (Sig.) tương quan Spearman giữa phần dư chuẩn hoá (ABSRES) với các biến độc lập đều lớn hơn 0,05 ta có thể kết luận rằng không có hiện tượng phương sai thay đổi xảy ra.
• Nếu có ít nhất một giá trị p-value (Sig.) nhỏ hơn 0,05 khi đó mô hình hồi quy đã vi phạm giả định phương sai không đổi.
TÓM TẮT CHƯƠNG 3
Tác giả đã trình bày các vấn đề về thiết kế nghiên cứu, quy trình nghiên cứu, thiết kế mẫu, cách thức thu thập và xử lý dữ liệu. Ngoài ra, dựa trên nền tảng cơ sở lý thuyết và các nghiên cứu thực nghiệm có liên quan trong các nghiên cứu trước đây, tác giả xây dựng thang đo cho các nhân tố trong mô hình nghiên cứu và là cơ sở hình thành bảng câu hỏi để tiến hành thu thập dữ liệu nghiên cứu cũng như kiểm định các giả thuyết.
54
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.1. Thong kê mô tả
4.1.1 Thong kê mô tả cho biến định tính
Sau khi thu thập dữ liệu với 210 bảng câu hỏi được gửi đi, Tác giả thu thập được 201 mẫu hợp lệ và đưa vào phân tích định lượng. Những thông tin này được tóm tắt lại như sau:
Từ 5 - 10 triệu 87 433
Trên 10 triệu 68 338