4.3.1 Đối với biến độc lập
Tác giả tiến hành đưa các biến độc lập vào phân tích nhân tố khám phá EFA (trừ biến quan sát INF1 đã bị loại ra trước đó).
Xem bảng 4.17 phụ lục 5, quan sát trong ma trận xoay (Rotated Component Matrix) với phép xoay varimax có thể thấy kết quả phân tích EFA lần đầu tiên: KMO = 0,865 > 0,5, sig Bartlett’s Test = 0,000 < 0,05, như vậy phân tích nhân tố khám phá EFA là phù hợp. Có 8 nhân tố được trích với tiêu chí eigenvalue lớn hơn 1 với tổng phương sai tích lũy là 63,801%. Tác giả mong muốn chọn ra các biến quan sát chất lượng nên sẽ sử dụng ngưỡng hệ số tải là 0,5 thay vì chọn hệ số tải tương ứng theo cỡ mẫu (319 mẫu). So sánh ngưỡng này với kết quả ở ma trận xoay, có biến xấu xuất hiện là biến INF4 với hệ số tải nhỏ hơn 0,5 (0,466). Tác giả sử dụng phương án loại biến xấu INF4 còn 35 biến quan sát còn lại đưa vào phân tích EFA lần hai.
Xem bảng 4.18 phụ lục 5 (Kết quả phân tích KMO và kiểm định Bartlett đối với biến độc lập chạy lần 2) Nhìn vào bảng KMO và Bartlett’s Test chạy lần 2 có thể thấy chỉ số KMO = 0,871 > 0,5 nên phân tích nhân tố là phù hợp. Sig. (Bartlett’s Test) = 0,000 (sig.<0,05) chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Xem bảng 4.19 phụ lục 5 (Phân tích nhân tố EFA đối với biến độc lập chạy lần 2), Eigenvalues = 1,352 > 1 tại nhân tố thứ 8, như vậy 8 nhân tố rút trích được từ EFA có ý ghĩa tóm tắt thông
69
tin các biến quan sát đưa vào tốt nhất. Điều này cũng phù hợp đúng với số nhân tố mà tác giả đưa ra đánh giá. Chứng tỏ mô hình có sự tin cậy cao. Tác giả tổng hợp lại thang đo đề xuất một cách phù hợp hơn (xem phụ lục 7 và phụ lục 8) (loại bỏ các biến xấu INF1 và INF4). Tổng phương sai trích: Extraction Sums of Squared Loadings (Cumulative %) = 63,811% > 50 %. Điều này chứng tỏ 63,811% biến thiên của dữ liệu được giải thích bởi 8 nhân tố.
Giá trị hội tụ: Các biến quan sát xếp thành nhóm với nhau với các hệ số tải nhân tố nằm cùng một cột trong cùng một thang đo “chất lượng” như thang đo đã đề xuất ban đầu.
Giá trị phân biệt: Các biến quan sát đều chỉ xuất hiện một hệ số tải nhân tố nên đạt giá trị phân biệt.
Kết luận:
Phân tích nhân tố khám phá trong luận văn này sử dụng phương pháp trích (extraction method) Principal Components Analysis với phép xoay varimax. Thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% (Gerbing và Anderson, 1988). Trong ma trận xoay, tác giả chọn hệ số tải nhân tố ở mức +/- 0.5 với mẫu đang lấy là 319 mẫu. Kết quả phân tích ma trận xoay có 35 biến với hệ số KMO đạt 0,871; kiểm định Bartlett có mức ý nghĩa sig =0,000 và rút trích được 8 nhóm nhân tố với phương sai trích đạt 63,811% (>50%).
4.3.2 Đối với biến phụ thuộc
Xem bảng 4.20 phụ lục 5 (phân tích nhân tố EFA đối với biến phụ thuộc), tác giả thấy KMO = 0,809 > 0,5 nên phân tích nhân tố là phù hợp Sig. (Bartlett’s Test) = 0,000 (sig. < 0,05) chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Kết quả ma trận xoay cho thấy, có một nhân tố được trích từ các biến quan sát đưa vào phân tích EFA. Phương sai trích được giải thích là 67,795% tại eigenvalues là 2,712 > 1. Đối với biến phụ thuộc, hiện tại chỉ có 1 biến. Vậy nếu đưa vào phân tích EFA xuất hiện trên 1 biến nghĩa là mô hình không phù hợp và bị loại bỏ. Có thể thấy kết quả trên khi phân tích đối với biến phụ thuộc là chuẩn xác, mô hình sử dụng là phù hợp.
4.4 Kiểm định mô hình nghiên cứu 4.4.1 Phân tích tương quan Pearson 4.4.1 Phân tích tương quan Pearson
70
Phân tích tương quan Pearson là một trong các bước tác giả thực hiện trong bài nghiên cứu sử dụng phân tích định lượng SPSS. Mục đích chạy tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau.
Các tiêu chí đánh giá tương quan Pearson:
Tương quan Pearson r có giá trị dao động từ -1 đến 1 (lưu ý, hệ số r chỉ có ý nghĩa khi sig nhỏ hơn 0,05):
• Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về 1 là tương quan dương, tiến về -1 là tương quan âm.
• Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
• Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
• Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến.
Xem bảng 4.21 phụ lục 6 (phân tích tương quan Pearson), kết quả cho thấy tất cả các giá trị sig tương quan Pearson giữa các biến độc lập với biến phụ thuộc đều nhỏ hơn 0,05. Như vậy các biến độc lập đều có tương quan tuyến tính với biến phụ thuộc. Thêm nữa, các giá trị Pearson Correlation (r) đều >0 và tiến dần về 1 chứng tỏ các biến độc lập có mối quan hệ tương quan dương với biến phụ thuộc (SAT).
4.4.2 Phân tích hồi quy đa biến và kiểm định các giả thuyết
Phương trình hồi quy bội : Y = β 0 + β 1X1 + β 2X2 + … + βnXn + ε
Trong đó:
• Y: biến phụ thuộc
• X, X1, X2, Xn: biến độc lập
• β 0: hằng số hồi quy
• β 1, β 2, β n: hệ số hồi quy
71
• ε: phần dư Trong đó:
• Y: biến phụ thuộc, là biến chịu tác động của biến khác.
• X, X1, X2, Xn: biến độc lập, là biến tác động lên biến khác.
• β 0: hằng số hồi quy, hay còn được gọi là hệ số chặn. Đây là chỉ số nói lên giá trị của Y sẽ là bao nhiêu nếu tất cả X cùng bằng 0. Nói cách khác, chỉ số này cho chúng ta biết giá trị của Y là bao nhiêu nếu không có các X. Khi biểu diễn trên đồ thị Oxy, β0 là điểm trên trục Oy mà đường hồi quy cắt qua.
• β1, β2, βn: hệ số hồi quy, hay còn được gọi là hệ số góc. Chỉ số này cho chúng ta biết về mức thay đổi của Y gây ra bởi X tương ứng. Nói cách khác, chỉ số này nói lên có bao nhiêu đơn vị Y sẽ thay đổi nếu X tăng hoặc giảm một đơn vị.
• e: sai số. Chỉ số này càng lớn càng khiến cho khả năng dự đoán của hồi quy trở nên kém chính xác hơn hoặc sai lệch nhiều hơn so với thực tế. Sai số trong hồi quy tổng thể hay phần dư trong hồi quy mẫu đại diện cho hai giá trị, một là các biến độc lập ngoài mô hình, hai là các sai số ngẫu nhiên.
Hệ số tương quan Pearson được tính toán để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng tuy nhiên không cho biết chính xác mức độ tác động của mỗi biến độc lập trên biến phụ thuộc, mức độ tác động mạnh yếu so sánh giữa các biến phụ thuộc với biến độc lập. Do đó tác giả tiến hành phân tích mô hình hồi quy đa biến để làm rõ hơn vấn đề này.
Kiểm định sự phù hợp mô hình:
Bảng 4.22: ANOVA
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 68.087 8 8.511 89.960 .000b
Residual 29.328 310 .095
Total 97.415 318
a. Dependent Variable: SAT
b. Predictors: (Constant), AIR, INF, SAF, RES, SCH, POS, PRI, GRO
Nguồn: Kết quả xử lý SPSS
72 Giả thuyết:
H0: Tập hợp các biến độc lập không có mối liên hệ với biến phụ thuộc (βi = 0) H1: Tập hợp các biến độc lập có mối liên hệ với biến phụ thuộc (βi ≠ 0)
Kết quả phân tích ANOVA cho thấy giá trị kiểm định F = 89,960 có ý nghĩa thống kê vì Sig = 0,000 < 0,05. Do đó ta bác bỏ giả thuyết H0 nghĩa là các biến độc lập có liên hệ với biến phụ thuộc. Vì thế, mô hình hồi quy là phù hợp với dữ liệu nghiên cứu.
Mức độ giải thích của mô hình:
Bảng 4.23: Model Summary
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .836a .699 .691 .30758 2.062
a. Predictors: (Constant), AIR, INF, SAF, RES, SCH, POS, PRI, GRO b. Dependent Variable: SAT
Nguồn: Kết quả xử lý SPSS
Ở kết quả phân tích Model Summary, R bình phương hiệu chỉnh là 0,691 = 69.1%. Như vậy các biến độc lập đưa vào chạy hồi quy ảnh hưởng tới 69,1% sự thay đổi của biến phụ thuộc (SAT), hay nói cách khác 69,1 % sự hài lòng dịch vụ vận chuyển hàng không nội địa trong giai đoạn Covid-19 do các biến độc lập (8 biến) (SAF, PRI,POS,INF,GRO,RES,SCH,AIR) giải thích, còn lại 30,9% là do các biến ngoài mô hình và sai số ngẫu nhiên.
Kiểm định hiện tượng đa cộng tuyến:
Bảng 4.24: Coefficients Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .109 .149 .732 .465 PRI .168 .024 .252 6.950 .000 .740 1.352 POS .171 .026 .235 6.609 .000 .766 1.306 SAF .224 .026 .295 8.452 .000 .796 1.256 INF .061 .026 .083 2.322 .021 .762 1.312 GRO .065 .029 .087 2.211 .028 .632 1.582 RES .091 .026 .134 3.472 .001 .648 1.543
73
SCH .149 .025 .206 5.849 .000 .783 1.278
AIR .099 .029 .126 3.372 .001 .693 1.443
a. Dependent Variable: SAT
Nguồn: Kết quả xử lý SPSS
Đa cộng tuyến là hiện tượng có sự tương quan phụ thuộc lẫn nhau giữa các biến độc lập. Khi xảy ra hiện tượng này sẽ dẫn đến các hệ số không ổn định khi thêm biến vào mô hình hồi quy.
Để phát hiện hiện tượng đa cộng tuyến, tác giả dựa vào hệ số phóng đại phương sai VIF. Theo kết quả bảng ở trên. ta thấy hệ số phóng đại phương sai VIF (Variance Inflation Factor - VIF) rất nhỏ (nhỏ hơn 10) cho thấy các biến độc lập này không có quan hệ chặt chẽ với nhau nên không có hiện tượng đa cộng tuyến xảy ra. Do đó mối quan hệ giữa các biến độc lập không ảnh hưởng đáng kể đến kết quả giải thích của mô hình hồi quy.
Vậy, với các kết quả kiểm định trên ta thấy mô hình hồi quy là phù hợp và có ý nghĩa thống kê. Ta có mô hình hồi quy với hệ số beta chưa chuẩn hóa như sau:
SAT = 0,168*PRI + 0,171 *POS + 0,224*SAF + 0,061*INF + 0,065*GRO + 0,91* RES + 0,149*SCH + 0,099*AIR + 0,109.
Để xem xét mức độ tác động hay thứ tự ảnh hưởng của các biến độc lập lên biến phụ thuộc. Dựa vào phương trình hồi quy chuẩn hóa, chúng ta sẽ biết được biến độc lập nào nào ảnh hưởng mạnh hay yếu đến biến phụ thuộc căn cứ vào hệ số hồi quy chuẩn hóa, hệ số càng lớn thì tầm quan trọng của biến độc lập đó đối với biến phụ thuộc càng lớn. Ta xét phương trình hồi quy với beta chuẩn hóa:
SAT = 0,252*PRI + 0,235 *POS + 0,295*SAF + 0,083*INF + 0,087*GRO + 0,134* RES + 0,206*SCH + 0,126*AIR.
Ta thấy: β3>β1> β2>β7>β8> β6> β5> β4 do đó các yếu tố tác động đến cảm nhận của khách hàng về chất lượng dịch vụ vận chuyển hành khách đường hàng không lần lượt theo thứ tự từ mạnh nhất là: Tính an toàn trong phòng chống dịch Covid > Giá và chính sách giá > Dịch vụ sau chuyến bay > Dịch vụ trên chuyến bay > Dịch vụ tại sân bay > Dịch vụ bán vé đặt chỗ > Lịch bay và độ tin cậy của lịch bay > Chất lượng tàu bay.
Kiểm định các giả thuyết:
74
Kết quả kiểm định các giả thuyết từ phân tích tương quan và phân tích hồi quy cho thấy mối quan hệ giữa các biến độc lập với biến phụ thuộc đều có ý nghĩa ở độ tin cậy là 95%.
Bảng 4.25: Kiểm định các giả thuyết nghiên cứu
Giả thuyết Hệ số hồi quy Kết quả kiểm định
H1 Tính an toàn trong phòng chống dịch có tác động thuận chiều với sự
hài lòng của hành khách sử dụng dịch vụ vận chuyển nội địa của
Vietnamairlines trong thời kỳ Covid-19.
0,295 Chấp nhận
H2 Giá và chính sách giá có tác động thuận chiều với sự hài lòng của hành khách sử dụng dịch vụ vận
chuyển nội địa của Vietnam Airlines trong thời kỳ Covid-19.
0,252 Chấp nhận
H3 Dịch vụ sau chuyến bay có tác động thuận chiều với sự hài lòng của hành khách sử dụng dịch vụ vận
chuyển nội địa của Vietnam Airlines trong thời kỳ Covid-19.
0,235 Chấp nhận
H4 Lịch bay và độ tin cậy của lịch bay có tác động thuận chiều với sự hài lòng của hành khách sử dụng dịch vụ vận chuyển nội địa của Vietnam
Airlines trong thời kỳ Covid-19.
0,206 Chấp nhận
H5 Chất lượng tàu bay có tác động thuận chiều với sự hài lòng của hành khách sử dụng dịch vụ vận
0,126 Chấp nhận
75 chuyển nội địa của Vietnam Airlines trong thời kỳ Covid-19. H6 Dịch vụ bán vé đặt chỗ có tác động
thuận chiều với sự hài lòng của hành khách sử dụng dịch vụ vận
chuyển nội địa của Vietnam Airlines trong thời kỳ Covid-19.
0,134 Chấp nhận
H7 Dịch vụ tại sân bay có tác động thuận chiều với sự hài lòng của hành khách sử dụng dịch vụ vận chuyển nội địa của Vietnamairlines
trong thời kỳ Covid-19.
0,087 Chấp nhận
H8 Dịch vụ trên chuyến bay có tác động thuận chiều với sự hài lòng của hành khách sử dụng dịch vụ vận
chuyển nội địa của Vietnam Airlines trong thời kỳ Covid-19.
0,083 Chấp nhận
Nguồn: Tổng hợp kết quả từ phần mềm SPSS
4.5 Kiểm định các vi phạm
4.5.1 Kiểm định phân phối chuẩn phần dư
Phần dư được biết có thể không tuân theo phân phối chuẩn vì những lý do sử dụng sai mô hình, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích…Để kiểm tra phân phối chuẩn phần dư, tác giả sử dụng biểu đồ P-P plot và biểu đồ Histogram của các phần dư đã chuẩn hóa.
76
Hình 4.1: Biển đồ histogram kiểm định phân phối chuẩn phần dư.
Nguồn: Tổng hợp kết quả từ phần mềm SPSS
Đối với biểu đồ Histogram, giá trị trung bình Mean gần bằng 0 và độ lệch chuẩn gần bằng 1 (0,987). Đường cong phân phối có dạng hình chuông tác giả khẳng định phân phối là xấp xỉ chuẩn, giả định phân phối chuẩn của phần dư không bị vi phạm.
Hình 4.2: Biểu đồ: P-P Plot kiểm định phân phối chuẩn phần dư.
Nguồn: Tổng hợp kết quả từ phần mềm SPSS
Đối với biểu đổ P-P Plot, các điểm phân vị trong phân phối của phần dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm.
4.5.2 Kiểm tra giả định không có sự tương quan giữa các phần dư Bảng 4.26: Kiểm định giả định không tương quan
77
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .836a .699 .691 .30758 2.062
a. Predictors: (Constant), AIR, INF, SAF, RES, SCH, POS, PRI, GRO b. Dependent Variable: SAT
Nguồn: Tổng hợp kết quả từ phần mềm SPSS
Giả định này kiểm tra thông qua hệ số d (Durbin – Watson). Kiểm định Durbin Watson = 2,062 trong khoảng [1<D<3] nên không có hiện tượng tương quan của các phần dư.
4.6 Phân tích sự khác biệt theo đặc điểm nhân khẩu học
4.6.1 Sự khác biệt về sự hài lòng giữa nhóm giới tính nam và nữ
Sử dụng phương pháp chạy Independent T-Test:
Bảng 4.27: Phân tích In-sample Test Independent Samples Test
Levene's Test for Equality of
Variances t-test for Equality of Means
F Sig. t df Sig. (2- tailed) Mean Difference Std. Error Difference 95% Confidence Interval of the Difference Lower Upper
SAT Equal variances assumed .029 .865 .119 317 .905 .00770 .06476 -.11972 .13513