Phân tích nhân tố khám phá EFA

4. Giảng viên hướng dẫn đề xuất cho điểm đánh giá về tinh thần thái độ của

3.4.2 Phân tích nhân tố khám phá EFA

Được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm. Các biến có hệ số tương quan đơn giữa biến và các nhân tố (factor loading) nhỏ hơn 0,5 sẽ bị loại. Phương pháp trích nhân tố được sử dụng là Principal Axis Factoring được sử dụng kèm với phép quay không vuông gốc Promax2. Điểm dừng trích khi các yếu tố có “Initial Eigenvalues” > 1.

Phân tíchinhâni tối khámi phái (EFA)i lài kỹi thuậti chủiyếui đểi thui nhỏivài tómitắti

dữi liệu.i Phâni tíchi nhâni tối khámi phái pháti huyi tínhi hữui íchitrongi việci xáciđịnhi cáci

tậpi biếni cầni thiếti choi vấni đềi nghiêni cứui cũngi nhưi rấti cầni thiếti trongiviệci tìmi mốii

quani hệi giữai cáci biếni vớii nhau.i Mứci đội thíchi hợpi củai tươngi quani nộii tạii giữaicáci

biếni quani sáti trongi cáci kháii niệmi nghiêni cứui đượci thểi hiệni bằngi hệi sối Kaiser- Myer-i Olkini (KMO)i đoi lườngi sựi thíchi hợpi củai mẫui vài mứci ýi nghĩai đángi kểi củai

kiểmi địnhi Barlett.i KMOi cói giái trịi thíchi hợpi trongi khoảngi [0,5;1]

Sựi rúti tríchicáci nhâni tối đạii diệni bằngi cáci biếni quani sáti đượci thựcihiệni bằngi

phâni tíchi nhâni tối chínhi vớii phépi quayi (Promax).i Cáci thànhi phầni vớii giái trịi

Eigenvaluei lớni hơni 1i (Gerbingi vài Anderson,i 1998)i vài tổngi phươngi saii tríchi bằngi

Cuốii cùng,i đểi phâni tíchi nhâni tối cói ýi nghĩa,i tấti cải cáci hệi sối tảii nhâni tối (factori

loading)i phảii lớni hơni hệi sối quyi ướci 0,5i đểi cáci kháii niệmi nghiêni cứui đạti giái trịi hộii

tụi (Hairi &i ctg,i 2006).i Bêni cạnhi đó,i khácibiệti hệi sối tảii nhâni tối củai mộti biếni quani

sáti giữai cáci nhâni tối phảii lớni hơni ho ci bằngi 0,3i đểi tạoi giái trịi phâni biệti giữai cáci

nhâni tối (Jabnouni vài Al-Tamimi,i 2003).i Kỹi thuậti phâni tíchi nhâni tối (factori analysis)i

đãi đượci sửi dụngi trongi nghiêni cứui nàyi nhằmi rúti gọni vài gomi cáciyếui tối thuộci tínhi

đói lạii thànhi mộti nhâni tối cói ýi nghĩai hơn,i íti hơni vềi sối lượng

Chúngi taicói thểi chọni cáci quyềni sối hayi trọngi sốinhâni tối saoi choi nhâni tối thứi

nhấti giảii thíchi đượci phầni biếni thiêni nhiềui nhấti trongi toànibội biếnithiên.i Sauiđói tai

chọni tậpi hợpi cáci quyềni sối thứi haii saoi choi nhâni tối thứi haii giảii thíchi đượci phầni lớni

biếni thiêni còni lại,i vài khôngi cói tươngi quani vớii nhâni tối thứi nhất.

3.4.3 Phân tích tƣơng quan Pearson

Hệ số tương quan Pearson (Pearson correlation coefficient, ký hiệu r) là số liệu thống kê kiểm tra đo lường mối quan hệ thống kê ho c liên kết giữa các biến phụ thuộc với các biến liên tục

Tương quani pearsoni đượci biếti đếni nhưi lài phươngi phápi tốtinhấti đểi đoi lườngi

mốii liêni hệi giữaicáci biếni quani tâmi bởiivìinói dựai trêni phươngi phápi hiệpi phươngi

sai.i Nói cungi cấpi thôngi tini vềi mứci đội quani trọngicủai mốii liêni hệ,i ho ci mốii tươngi

quan,icũngi nhưi hướngi củai mốii quani hệ.i Ngoàii ra,i việci kiểmi trai hệi sối tươngi quani

pearsoni còni giúpi chúngi tai sớmi nhậni diễni đượci sựi xảyi rai củai vấni đềi đai cộngi tuyếni

khii cáci biếni độci lậpi cói sựi tươngi quani mạnhi vớii nhau

Ýinghĩaihệisốitƣơngiquanipearson

Hệi sối tươngi quani Pearsoni(r)i cói giái trịi giaoi độngi trongi khoảngi liêni tụci từi -1i

đếni +1:

 ri =i 0:i Haii biếni khôngi cói tươngi quani tuyếni tính

 ri =i 1;i ri =i -1:i Haii biếni cói mốii tươngi quani tuyếni tínhi tuyệti đối.i

 ri <i 0:i Hệi sối tươngi quani âm.i Nghĩai lài giái trịi biếni xi tăngi thìi giái trịi biếni yi

 ri >i 0:i Hệi sối tươngi quani dương.i Nghĩai lài giái trịi biếni xi tăng thìi i giái trịi biếni yi

tăngi vài ngượci lại,i giái trịi biếni yi tăngi thìi giái trịi biếni xi cũngi tăng.i Lưui ý:

 Hệi sối tươngi quan pearsoni i (r)i chỉi cói ýi nghĩai khii vài chỉi khii mứci ýi nghĩai quani

sáti (sig.)i nhỏi hơni mứci ýi nghĩai αi =i 5%.

 Nếui ri nằmi trongi khoảngi từi 0,50i đếni ±i 1,i thìi nói đượci choi lài tươngi quani

mạnh.

 Nếui ri nằmi trongi khoảngi từi 0,30i đếni ±i 0,49,i thìi nói đượci gọii lài tươngi quani

trungi bình.

Nếui ri nằmi dướii ±ii .29,i thìi nói đượci gọii lài mộti mốii tươngi quani yếu.

3.4.4 Phân tích hồi quy và kiểm định mô hình

Hồi quy đa biến là một phần mở rộng của hồi quy tuyến tính đơn giản. Nó được sử dụng khi chúng ta muốn dự đoán giá trị của một biến dựa trên giá trị của hai ho c nhiều biến khác. Biến chúng ta muốn dự đoán được gọi là biến phụ thuộc (ho c đôi khi, biến kết quả, mục tiêu ho c biến tiêu chí). Các biến chúng ta đang sử dụng để dự đoán giá trị của biến phụ thuộc được gọi là biến độc lập. Hồii quyi đai

biếni cũngi choi phépi bạni xáci địnhi mứci đội đóngi gópi nhiều,i ít,i khôngi đóngi góp...i củai

từngi nhâni tối vàoi sựi thayi đổii củai biếni phụi thuộc.

Ýinghĩaichỉisốitrongihồiiquyiđaibiến

 Giái trịi Adjustedi Ri Squarei (Ri bìnhi phươngi hiệui chỉnh)i vài R2i (Ri Square)i i

phảni ánhi mứci độiảnhi hưởngi củai cáci biếni độci lậpi lêni biếni phụithuộc.i Mứci

biếni thiêni củai 2i giái trịi nàyi lài từi 0i -i 1.i Nếui càngi tiếni vềi 1i thìi môihìnhi càngi

cói ýi nghĩa.i Ngượci lại,i càngi tiếni vềi 0itứci làiýi nghĩai môi hìnhicàngi yếu.i Cụi

thểi hơn,i nếui nằmi trongi khoảngi từi 0.5i -i 1 thìi i lài môi hìnhi tốt, <i i 0.5i lài môi hìnhi

chưai tốt.i

 Trịi sối Durbini –i Watsoni(DW):i Cói chứci năngi kiểmi trai hiệni tượngitựi tươngi

quani chuỗii bậci nhất.i Giái trịi củai DWi biếni thiêni trongi khoảngi từi 0i đếni 4.i Nếui

giái trịi gầni vềi 4i tứci lài cáci phầni saii sối cói tươngi quani nghịch,i gầni vềi 0i thìi cáci

phầni saii sối cói tươngi quani thuận.iTrongi trườngihợpi DWi <i 1i vài DWi>i 3i thìi

khải năngi rấti caoi xảyi rai hiệni tượngi tựi tươngi quani chuỗii bậci nhất.

 Giái trịi Sig.i củai kiểmi địnhi Fi cói táci dụngi kiểmi địnhi đội phùi hợpi củai môi hìnhi

hồii quy.i Ởi bảng ANOVA,i i nếui giái trịi Sig.i <i 0.05i =>i Môi hìnhi hồii quyi tuyếni

tínhi bộii vài tậpi dữi liệui phùi hợpi (vài ngượci lại).

 Giái trịi Sig.i củai kiểmi địnhi ti đượci sửi dụngi đểi kiểmi địnhi ýi nghĩai củai hệi sối hồii

quy.i Nếui Sig.i <0.1i =>i Biếni độci lậpi cói táci độngi đếni biếni phụi thuộc.

 Hệi sối phóngi đạii phươngi saii VIFi (Variancei inflationi factor):iKiểmi trai hiệni

tượngi đai cộngi tuyến.iNếui VIFi >i 10i thìi cóihiệni tượngiđai cộngi tuyếni (Theoi

Hoàngi Trọngi &i Chui Nguyễni Mộngi Ngọc,i 2005).i Tuyi nhiên,i trêni thựci tếi

thựci hành,i chúngi tai thườngi soi sánhi giái trịi VIFi vớii 2.i Nếui VIFi <i 2i khôngi cói

hiệni tượngi đai cộngi tuyếni giữa cáci i biếni độci lậpi (vài ngượci lại).

Mứci đội đánhi giái sựi hàii lòngi củai kháchihàngi thôngi quai giái trịi trungi bình,i đội

lệchi chuẩn.i Kiểmi địnhi môi hìnhi đai biếni được sửi i dụngi đểi kiểmi địnhi vềi sựi kháci nhaui

củai mứci đội hàii lòngi củai kháchi hàngi vớii dịchi vụi vài kiểmi địnhi sựi kháci nhaui vềi mứci

đội đánhi giái củai kháchi hàngi vớii cáci nhómi giớii tính,i đội tuổii vài thui nhậpi trongi tổngi

thể.

3.4.5 Phân tích phƣơng sai Anova

Phân tích phương sai (Analysis of Variance) hay còn gọi là kiểm định ANOVA là một kỹ thuật thống kê tham số được sử dụng để so sánh các bộ dữ liệu. Nói một cách dễ hiểu, phân tích ANOVA có chức năng đánh giá sự khác biệt tiềm năng trong một biến phụ thuộc mức quy mô bằng một biến mức danh nghĩa có từ 2 loại trở lên. Cáci nhài phâni tíchi sửi dụngi thửi nghiệmi ANOVAi đểi xáci địnhi ảnhi hưởngi

củai cáci biếni độci lậpi đốii vớii biếni phụi thuộci trongi nghiêni cứui hồii quy.i Kỹi thuậti

kiểmi địnhi ANOVAi nàyi đượci pháti triểni bởii Ronaldi Fisheri nămi 1918

Cói nhiềui hơni 2i loạii phâni tíchi phươngi sai,i tuyi nhiêni trongi khuôni khổi nộii dungi

bàii viếti này,i chúngi tai sẽi chỉi tìmi hiểui haii loạii thôngi dụngi nhấti lài phâni tíchiphươngi

saii mộti yếui tối vài haii yếui tố.

1/i Phâni tíchi phươngi saii mộti yếui tối (one-wayi ANOVA)

One-wayi ANOVAi lài mộti loạii thửi nghiệmi thốngi kêi soi sánhi phươngisaii trongi

nhómi cói nghĩai lài trongi mộti mẫui trongi khiichỉi xemi xéti mộti yếui tối ho ci mộti biếni

độci lập.i Phươngi saii mộti yếuitốisoi sánhi baiho ci nhiềui hơni bai nhómi phâni loạii đểi

xáci địnhi xemi cói sựi kháci biệti giữai chúngi hayi không. Trong mỗi nhóm nên có ba ho c nhiều quan sát và phương tiện của các mẫu được so sánh.

2/ Phân tích ANOVA hai yếu tố (two-way ANOVA)

ANOVA hai yếu tố là một phần mở rộng của phân tích phương sai một yếu tố. Với One Way, bạn có một biến độc lập ảnh hưởng đến biến phụ thuộc. Còn với two-way ANOVA, sẽ có 2 biến độc lập.

CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU

4.1 Thực trạng sử dụng dịch vụ Ngân hàng điện tử của khách hàng cá nhân tại VietinBank

Trong chiến lược phát triển mảng bán lẻ tại VietinBank thì Giải pháp tài chính cá nhân toàn diện gắn liền với số hóa là chiến lược trọng tâm cốt lõi của ngân hàng trong giai đoạn hiện nay và những năm tới. Ngân hàng số dành cho khách hàng cá nhân có sự tăng trưởng mạnh mẽ trong những năm qua:

Hình 4.1 Kết quả thực hiện VietinBank Ipay năm 2018-2019 Khách hàng VietinBank ipay active

(đơn vị: nghìn khách hàng)

2018 2019

Tỷ lệ ipay/DDA 18,6% 30,4%

Số lƣợng giao dịch VietinBank ipay

(đơn vị: triệu giao dịch)

2018 2019 1.192 2.038 +846 (+71% 35 86 +51 (+146%)

Doanh thu phí ngân hàng số

(đơn vị: tỷ đồng)

2018 2019

Chuyển dịch giao dịch ngoài quầy

(nguồn: báo cáo kết quả kinh doanh VietinBank)

Các bảng trên cho thấy dịch vụ ngân hàng điện tử VietinBank ipay ngày càng được mở rộng và phát triển.

 Số lượng khách hàng kích hoạt dịch vụ: số lượng ipay kích hoạt trong năm 2019 là 2.038 nghìn ipay, tăng 846 nghìn ipay, tốc độ tăng 71% so với năm 2018. Đây là tốc độ tăng trưởng rất tốt, cao nhất trong những năm gần đây. Đồng thời tỷ lệ khách hàng đăng dịch vụ ipay cùng với mở tài khoản giao dịch cũng tăng lên, năm 2019 đạt 30,4%

 Số lượng giao dịch trên ứng dụng ipay: đây là thước đo thể hiện mức độ hiệu quả khi khách hàng đăng kí dịch vụ. Năm 2019 ứng dụng ipay xử lý 86 triệu

146 ³⁵⁹ +213 (+108%) 41% 28% 19% 12%

T01.2019

ATM Tại quầy ipay Pos

34%

21% 33%

12%

T12.2019

giao dịch, tăng 146% so với năm 2018. Điều này giúp cho ngân hàng tiết giảm rất