Nghiên cứu định lượng chính thức với mẫu nghiên cứu là N 230 khách hàng. Trình tự các bước thực hiện, kĩ thuật phân tích và tiêu chí đánh giá được thực hiện như sau:
Bước 1: Kiểm định thang đo bằng Cronbach’s Alpha
Trước khi đưa vào phân tích nhân tố, tác giả sử dụng công cụ Cronbach’s Alpha của chương trình phần mềm SPSS 22 để đánh giá độ tin cậy thang đo. Cronbach’s Alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) trong thang đo thông qua hệ số Cronbach’s Alpha.
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr.257 – 258) cùng nhiều nhà nghiên cứu đồng ý rằng Cronbach’s Alpha từ 0.8 trở lên là thang đo lường tốt, tuy nhiên cũng có nhà nghiên cứu đề nghị rằng từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995).
Tuy nhiên, theo Nunnally và cộng sự (1994), hệ số Cronbach’s Alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Do đó, bên cạnh hệ số Cronbach Alpha, người ta còn sử dụng hệ số tương quan biến tổng (Iterm – total correlation) và những biến nào có tương quan biến tổng nhỏ hơn 0.3 sẽ bị loại bỏ.
Hệ số Cronbach’s Alpha được sử dụng để đánh giá sơ bộ độ tin cậy của các thang đo xây dựng cho từng nhân tố trong mô hình và hệ số tương quan biến tổng được sử dụng để đánh giá tính nhất quán tổng thể của từng nhân tố. Mục đích của kiểm định Cronbach’s Alpha là tìm hiểu các biến quan sát có cùng đo lường cho cùng một khái niệm, một thang đo hay không? Giá trị đóng góp nhiều hay ít được thông
qua hệ số tương quan biến-tổng. Do đó sẽ loại được những biến trong mô hình nghiên cứu.
Bước 2: Phân tích nhân tố khám phá (Beerli, Martín, & Quintana)
Phân tích nhân tố khám phá (Beerli et al.) là tên chung của một nhóm được sử dụng phổ biến để đánh giá thang đo hay rút gọn một tập biến. Các tiêu chuẩn các nhà nghiên cứu cần quan tâm khi phân tích nhân tố khám phá là:
Hệ số KMO (Kaiser-Meyer-Olkin): là một chỉ số để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (0.5 <KMO <1) là điều kiện đủ để phân tích nhân tố được xem là 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. Đại lượng Bartlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan với nhau trong tổng thể, nếu kiểm định Bartlett’s Test of Sphericity có ý nghĩa thống kê (Sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008.). Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi phân tích EFA). Vì thế, các nhân tố chỉ được rút trích tại Eigenvalue ≥ 1 và được chấp nhận khi tổng phương sai trích ≥ 50%.
Tiêu chuẩn hệ số tải nhân tố (Factor Loading) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Hệ số tải nhân tố (factor loading) 0.50 (nếu biến nào có hệ số tải nhân tố <0.50 sẽ bị loại) (Hair et al, 1998). Khác biệt hệ số tải nhân tố một biến quan sát giữa các nhân tố ≥ 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun & Al-Tamimi, 2003).
Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập
29
biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al. 2009).
Mục đích của phân tích EFA sẽ góp phần rút gọn một tập gồm rất nhiều biến đo lường thành một số nhân tố, xác định cường độ về mối quan hệ giữa mỗi nhân tố với từng biến đo lường, các bước và thành phần các hệ số dung để phân tích theo bảng dưới đây:
Thứ tự phân tích
Kĩ thuật phân tích
Tiêu chí đánh giá Nguồn
Bước 1 Cronbach’s Alpha
Hệ số tương quan biến tổng > 0,3
Giá trị Cronbach’s Alpha: > 0,6 Nunnally & Burnstein (1994) Bước 2
EFA
Giá trị KMO nằm trong khoảng (0,5; 1); và giá trị Sig: < 0,05
Hệ số tải: > 0,5
Phương sai trích lũy kế: > 50%
Nguồn: Tổng hợp của tác giả
Bước 3: Phân tích yếu tố khám phá CFA
Phân tích nhân tố khẳng định (Confirmatory Factor Analysis: CFA) để đánh giá giá trị hội tụ, giá trị phân biệt, và tính tương thích của mô hình đo lường lý thuyết với dữ liệu thực tế (dữ liệu thị trường).
Phân tích yếu tố khẳng định CFA là mô hình hay gặp trong phân tích mô hình cấu trúc tuyến tính (Structural Equation Modeling: SEM). CFA khác với phân tích yếu tố khám phá EFA về phương pháp cũng như các giả định. Mô hình phân tích yếu tố khẳng định CFA chuẩn có 3 yếu tố sau đây:
+ Mỗi biến đo lường (indicator) là biến liên tục có 2 nguyên nhân tạo ra nó: từ một cấu trúc đơn lẻ (contruct hoặc factor) mà biến này đo lường từ các nguồn khác gọi chung là số dư
+ Các số dư đo lường độc lập với nhau và độc lập với các cấu trúc. + Các cấu trúc là có liên quan với nhau (covary)
Bước 4: Phương pháp phân tích AMOS-SEM
Là phương pháp sử dụng mô hình cấu trúc tuyến tính hay còn gọi là SEM (Structural Equation Modeling) để phân tích mối quan hệ tồn tại giữa các biến quan tâm để ưu tiên các nguồn lực để phục vụ khách hàng tốt hơn. Kết quả ước lượng mô hình SEM cho thấy được kết quả về mối quan hệ giữa ba thành phần chất lượng dịch vụ, sự hài lòng và lòng trung thành. Sử dụng thống kê mô tả tính giá trị trung bình mean để biết được yếu tố nào trong thành phần của chất lượng dịch vụ ảnh hưởng nhiều nhất đến sự hài lòng và lòng trung thành của khách hàng, yếu tố nào chưa tốt cần được cải thiện.