Dựa trên mô hình nghiên cứu đề xuất và hàm hồi quy gồm biến phụ thuộc (Quyết
định mua hàng của người tiêu dùng TPHCM) và các biến độc lập (Social Media Marketing; Mobile Marketing; Email Marketing; Online Advertising; Influencer Marketing; Search Engine Optimization). Tác giả xây dựng bảng câu hỏi được chia làm 2 phần:
- Phần 1: Thu thập dữ liệu cá nhân của khách hàng, bao gồm: giới tính, độ tuổi, thu nhập, thời gian sử dụng Internet trong ngày, mạng xã hội được dùng nhiều nhất nhằm lọc ra những đối tượng phù hợp với yêu cầu khảo sát, là những người từ 16
tuổi trở lên, sử dụng Internet mỗi ngày và có ít nhất 1 tài khoản mạng xã hội - Phần 2: Là phần về các yếu tố trong mô hình nghiên cứu. Thu thập dữ liệu thông
qua bảng câu hỏi về cảm nhận của đối tượng khảo sát. Tất cả các biến quan sát của các yếu tố trong mô hình nghiên cứu đều sử dụng thang đo Likert 5 mức độ với lựa chọn số 1 là hoàn toàn không đồng ý với phát biểu và lựa chọn số 5 là hoàn toàn đồng ý với phát biểu.
3.5. Thiết kế mẫu 3.5.1. Xác định cỡ mẫu
Cỡ mẫu được xác định dựa trên cơ sở số lượng biến quan sát của các yếu tố trong
mô hình. Theo Hair và ctg (1985), kích thước mẫu tối thiểu là 50, tốt hơn là 100 trở lên. Và theo Bollen (1989) thì kích thước mẫu tối thiểu là 5 mẫu cho 1 biến quan sát (tỷ lệ 5:1).
Trong mô hình nghiên cứu này có 33 biến quan sát gồm 30 biến độc lập và 3 biến
trực tuyến. Mau khảo sát sẽ được tạo thông qua Google Form và được gửi đến những đối tượng ngẫu nhiên. Sau đó tác giả sẽ tiến hành rà soát, đảm bảo kết quả những mẫu khảo sát được đảm bảo chất lượng, dữ liệu có ý nghĩa với nghiên cứu.
3.6. Phương thức xử lý dữ liệu
Dữ liệu sau khi được thu thập sẽ được xử lý qua Excel và phần mềm SPSS. Cụ thể các bước xử lý dữ liệu theo các bước sau
3.6.1. Thống kê 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, thời gian sử dụng Internet trong ngày và mạng xã hội sử dụng nhiều nhất. 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.
3.6.2. Đánh giá độ tin cậy thang đo theo hệ số Cronbach’s Alpha
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.
Đánh giá độ tin cậy thang đo bằng 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).
3.6.3. Phân tích nhân tố 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
Ở nghiên cứu này, EFA sẽ trả lời câu hỏi liệu các biến quan sát dùng để xem xét sự tác động của các yếu tố độc lập lên quyết định mua hàng của người tiêu dùng tại TPHCM có sự tương quan với nhau không và chúng có thể gom lại thành một số nhóm yếu 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 Hair và công sự (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 thì nhân tố đó phân tích là thích hợp.
- 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
mối quan hệ với nhau và phân tích hồi quy là phù hợp (Schober & ctg., 2018). Neu 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 phụ thuộc.
- Kiểm định độ phù hợp của mô hình
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
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 H0 : R2 = 0. Nếu kết quả thử nghiệm có đủ cơ sở để bác bỏ giả thuyết H0 : R2 = 0, thì đây là bước 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 tương tự tương quan, sử dụng quy tắc kiểm định Durbin - Waston. Theo Formby và ctg (1984):
■ Nếu giá trị hệ số từ 0 đến 1 : mô hình có tự tương quan dương
Tiêu chí Tân số Tỷ lệ (%) Giới tính Nam“Nữ 98 45,8 116 54,2 Nhóm tuổi 16 - 20 33 174 21 - 25 81 37,9 26 - 35 55 25,7 36 - 45 30 14,0 Trên 45 tuổi 15 7,0 Thu nhập Dưới 5 triệu 66 30,8 5 - 9 triệu 68 31,8 10 - 20 triệu 55 25,7 Trên 20 triệu 25 177 Thời gian sử dụng internet Dưới 2 tiếng 25 11,7 2 - 4 tiếng 83 38,8 4 - 6 tiếng 67 31,3
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.
3.7. Tóm tắt chương 3
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,. Đồng thời, dựa trên nền tảng cơ
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Chương 4 sẽ trình bày các bước phân tích định lượng áp dụng cho bộ dữ liệu với số mẫu quan sát được thu thập từ việc khảo sát người tiêu dùng đang sống và làm việc tại TPHCM bao gồm (1) thống kê mô tả; (2) đánh giá Cronbach’s Alpha; (3) phân tích nhân tố khám phá; (4) phân tích mô hình hồi quy tuyến tính đa biến; (5) thực hiện các kiểm định;... Kết quả phân tích dữ liệu sẽ được thảo luận, trong đó bao gồm đối chiếu và so sánh với các kết quả từ những nghiên cứu thực nghiệm liên quan khác; từ đó, khóa
luận đưa ra ý kiến đồng tình, phù hợp hay không đồng tình, không phù hợp với các nghiên cứu thực nghiệm liên quan. Kết thúc nội dung chương 4 là phần tóm tắt chương 4 nhằm đúc kết nội dung cốt lõi của chương 4 và làm cơ sở để triển khai chương 5.
4.1. Thống kê mô tả
Tổng số mẫu kết quả khảo sát thu về là 233 mẫu và 19 mẫu bị loại do không đạt yêu cầu. Do đó số lượng khảo sát thu được thực tế là 214. Thông tin ở bảng ... dưới đây cho thấy phân phối về giới tính, độ tuổi, thu nhập, thời gian sử dụng Internet và mạng xã
(Social Media Marketing)
SMM2 0,625 0,782
(Nguồn: Kết quả phân tích của tác giả trích xuất từ SPSS 20.0)
Từ bảng 4.1 trên, tác giả thống kê đặc điểm của người tiêu dùng tham gia khảo sát như sau:
■ Ve giới tính: qua 214 mẫu khảo sát, thì nam và nữ không có sự chênh lệch nhiều (nam: 45,8%, nữ: 54,2%). Có thể thấy việc sử dụng công cụ Digital đến quyết định mua không có sự phân biệt nam hay nữ.
■ Về nhóm tuổi: nhóm tuổi từ 21-25 chiếm tỷ lệ nhiều nhất 37,9%; tiếp đến là từ 26-35 tuổi, từ 16-20 tuổi, từ 36-45 tuổi lần lượt chiếm 25,7%; 15,4%;14%. Chiếm
tỷ lệ thấp nhất là trên 45 tuổi chiếm 7,0%. Kết quả này khá phù hợp vì Việt Nam là đất nước với dân số trẻ. Điều này là một lợi thế, vì người trẻ tuổi có sự tiếp nhận, học hỏi nhanh với công nghệ thông tin nói chung.
■ Về thu nhập: có 31,8% đối tượng có thu nhập từ 5-9 triệu/tháng; có 30,8 đối tượng
có thu nhập dưới 5 triệu/tháng; có 25,7% đối tượng có thu nhập từ 10-20 triệu và có 11,7% đối tượng có thu nhập trên 20 triệu.
■ Về thời gian sử dụng internet: phần lớn đối tượng có thời gian sử dụng internet là
từ 2-4 tiếng (38,8%); tiếp đến là từ 4-6 tiếng (31,3%), trên 6 tiếng (18,2%) và chiếm tỷ lệ thấp nhất là sử dụng dưới 2 tiếng (11,7%). Có thể nhận thấy Internet thực sự là một nhu cầu thiết yếu, đáp ứng công việc, học tập, giải trí,... của mọi tầng lớp.
Qua kết quả, tác giả nhận thấy mẫu khảo sát trên là phù hợp với đề tài nghiên cứu.
Vì vậy tác giả tiếp tục thực hiện các bước nghiên cứu tiếp theo: phân tích độ tin cậy thang đo Cronbah’s Alpha, phân tích nhân tố khám phá EFA và phân tích mô hình hồi quy.
4.2. Đánh giá độ tin cậy thang đo Cronbach’s Alpha
Sau khi thống kê, nghiên cứu kiểm tra độ tin cậy thang đo với Cronbach’s Alpha để lấy dữ liệu chuẩn và loại bỏ dữ liệu rác. Tác giả thực hiện lần lượt việc kiểm định thang đo bằng Cronbach’s Alpha cho từng biến quan sát của mỗi biến độc lập và biến phụ thuộc để kiểm tra độ tin cậy thang đo sử dụng trong mô hình có đảm bảo hay không.
MM (Mobile Marketing) MM1 0,670 0,740 MM2 0,591 0,765 MM3 0,598 0,764 MM4 0,570 0,772 MM5 0,516 0,787 EM (Email Marketing) Cronbach’s Alpha: 0,821 EM1 0,631 0,781 EM2 0,623 0,784 EM3 0,703 0,759 EM4 0,611 0,787 EM5 0,511 0,817 OA (Online Advertising) Cronbach’s Alpha: 0,787 OA1 0,637 0,722 OA2 0,561 0,748
IM (Influencer Marketing) IM1 0,547 0,768 IM2 0,617 0,747 IM3 0,551 0,767 IM4 0,598 0,752 IM5 0,579 0,758 SEO (Search Engine Optimization) Cronbach’s Alpha: 0,870 SEO1 0,675 0,847 SEO2 0,710 0,839 SEO3 0,767 0,824 SEO4 0,684 0,845 SEO5 0,646 0,855
Nhân tố Biến quan sát Hệ số tương quanbiến tổng Cronbach’s Alpha nếuloại biến
PD (Quyết Định Mua) PDI 0,716 0,711 PD2 0,664 0,765 PD3 0,651 0,779 Cronbach’s Alpha: 0,821
(Nguồn: Kết quả phân tích của tác giả trích xuất từ SPSS 20.0)
Tiến hành kiểm định thang đo cho ra kết quả Cronbach’s Alpha của tất cả nhân tố độc lập đều > 0,6 và tất cả hệ số tương quan biến tổng đều lớn hơn 0,3, rút ra kết luận tất cả thang đo này phù hợp được giữ nguyên cho phân tích EFA.
4.2.2. Biến phụ thuộc
Sig. 0,000 Nhân tố 1 2 3 4 5 6 SEO3 0,804 SEO4 0,793 SEO2 0,776 SEO1 0,774 SEO5 0,767 SMM3 0,751 SMM5 0,747 SMM1 0,744 SMM4 0,733 SMM2 0,732
(Nguồn: Kết quả phân tích của tác giả trích xuất từ SPSS 20.0) Đối với thang đo “Quyết định mua”: tiến hành kiểm định cho ra kết quả
Cronbach’s Alpha là 0,821 > 0,6 và tất cả hệ số tương quan biến tổng đều lớn hơn 0,3, rút ra kết luận thang đo này phù hợp được giữ nguyên cho phân tích EFA.
4.3. Phân tích nhân tố khám phá EFA
Sau khi phân tích độ tin cậy Cronbach’s Alpha của từng biến, nghiên cứu tiến hành phân tích các nhân tố khám phá để nhóm các biến quan sát và xem mức độ tương quan giữa các biến.
Nghiên cứu tiến hành phân tích nhân tố khám phá với 7 nhân tố gồm 33 biến quan
sát. Kết quả phân tích nhân tố khám phá EFA như sau:
4.3.1. Phân tích nhân tố cho biến độc lậpBảng 4.4. Hệ số KMO biến độc lập
(Nguồn: Kết quả phân tích của tác giả trích xuất từ SPSS 20.0) Dựa vào kết quả của bảng phân tích trên:
- Hệ số KMO = 0,816 đạt điều kiện (0.5 ≤ KMO ≤ 1) từ đó kết luận phân tích nhân tố là phù hợp.
- Hệ số Sig. của kiểm định Bartlett’s với sig. = 0,000 (< 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể.
EM5 0,580 MM1 0,773 MM3 0,745 MM2 0,744