4. Giảng viên hướng dẫn đề xuất cho điểm đánh giá về tinh thần thái độ của
3.3.2 Chọn mẫu và làm sạch dữ liệu
Kích thước mẫu là một vấn đề đáng quan tâm đối với bất cứ cuộc khảo sát nào. Theo Tabachnick & Fidell (1991) để phân tích hồi quy đạt kết quả tốt nhất thì kích cỡ mẫu phải thỏa mãn công thức
n >= 8p + 50 = 8*23+50 = 234
Trong đó:
n là kích cỡ mẫu
p số biến độc lập của mô hình
Ngoài ra, theo quy tắc kinh nghiệm của Nguyễn Đình Thọ (2011) thì số quan sát lớn hơn (ít nhất) 5 lần số biến, tốt nhất gấp 10 lần. Như vậy, với 24 biến quan sát, nghiên cứu cần khảo sát ít nhất 230 mẫu để đạt kích thước mẫu cần cho phân tích EFA. Phương pháp thu thập dữ liệu bằng bảng câu hỏi, tác giả phát 260 phiếu khảo sát trực tiếp đến khách hàng và thu lại ngay sau khi trả lời
Qua quá trình thu thập thông tin được tiến hành, sau khi sàng lọc các bảng hỏi không phù hợp, nghiên cứu tiến hành nhập liệu vào phần mềm và phân tích dữ liệu khảo sát để kết luận các giả thuyết và mô hình nghiên cứu. Kết quả cuối cùng từ SPSS sẽ được phân tích, giải thích và trình bày thành bản báo cáo nghiên cứu.
3.4 Phƣơng pháp xử lí dữ liệu
3.4.1 Kiểm tra độ tin cậy của thang đo bằng kiểm định Cronbach's Alpha
Là kiểm định cho phép đánh giá mức độ tin cậy của việc thiết lập một biến tổng hợp trên cơ sở nhiều biến đơn.
Công thức của hệ số Cronbach’s alpha là:
α = Np/[1 + p(N – 1)]
Trong đó p là hệ số tương quan trung bình giữa các mục hỏi. Ký tự p trong công thức tượng trưng cho tương quan trung bình giữa tất cả các c p mục hỏi được kiểm tra. Theo quy ước thì một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt phải có hệ số α lớn hơn ho c bằng 0,8.
M c dù vậy, nếu có một danh mục quá nhiều các mục hỏi (N là số mục hỏi) thì sẽ có nhiều cơ hội để có hệ số α cao. Nhiều nhà nghiên cứu đồng ý rằng Cronbach’s Alpha từ 0,8 trở lên đến gần thì thang đo lường là tốt, từ 0,7 đến gần 0,8 là sử dụng được. Theo tác giả Nunally và Burnstein (1994) điều kiện Cronbach’s Alpha phải từ 0,6 trở lên là sử dụng được.
Bên cạnh đó cần loại bỏ các biến quan sát có mức độ tương quan thấp với các mục câu hỏi còn lại trong nhóm, cụ thể Corrected Item – Total correlation (hệ số tương quan với biến tổng) < 0,3 thì biến sẽ bị loại ra khỏi nhóm nhân tố.
Vì vậy, đối với nghiên cứu này thì Cronbach’s Alpha từ 0,6 trở lên là chấp nhận được. Tính toán Cronbach’s alpha giúp người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu.
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 tích nhân tố khám phá (EFA) là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập biến cần thiết cho vấn đề nghiên cứu cũng như rất cần thiết trong việc tìm mối quan hệ giữa các biến với nhau. Mức độ thích hợp của tương quan nội tại giữa các biến quan sát trong các khái niệm nghiên cứu được thể hiện bằng hệ số Kaiser- Myer- Olkin (KMO) đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Barlett. KMO có giá trị thích hợp trong khoảng [0,5;1]
Sự rút trích các nhân tố đại diện bằng các biến quan sát được thực hiện bằng phân tích nhân tố chính với phép quay (Promax). Các thành phần với giá trị Eigenvalue lớn hơn 1 (Gerbing và Anderson, 1998) và tổng phương sai trích bằng ho c lớn hơn 50% được xem như những nhân tố đại diện các biến.
Cuối cùng, để phân tích nhân tố có ý nghĩa, tất cả các hệ số tải nhân tố (factor loading) phải lớn hơn hệ số quy ước 0,5 để các khái niệm nghiên cứu đạt giá trị hội tụ (Hair & ctg, 2006). Bên cạnh đó, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải lớn hơn ho c bằng 0,3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003). Kỹ thuật phân tích nhân tố (factor analysis) đã được sử dụng trong nghiên cứu này nhằm rút gọn và gom các yếu tố thuộc tính đó lại thành một nhân tố có ý nghĩa hơn, ít hơn về số lượng
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích được phần biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta chọn tập hợp các quyền số thứ hai sao cho nhân tố thứ hai giải thích được phần lớn biến thiên còn lại, và không có tương quan với nhân tố thứ 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 quan pearson được biết đến như là phương pháp tốt nhất để đo lường mối liên hệ giữa các biến quan tâm bởi vì nó dựa trên phương pháp hiệp phương sai. Nó cung cấp thông tin về mức độ quan trọng của mối liên hệ, ho c mối tương quan, cũng như hướng của mối quan hệ. Ngoài ra, việc kiểm tra hệ số tương quan pearson còn giúp chúng ta sớm nhận diễn được sự xảy ra của vấn đề đa cộng tuyến khi các biến độc lập có sự tương quan mạnh với nhau
Ýnghĩa hệ số tƣơng quan pearson
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: Hệ số tương quan âm. Nghĩa là giá trị biến x tăng thì giá trị biến y giảm và ngược lại, giá trị biến y tăng thì giá trị biến x giảm.
r > 0: Hệ số tương quan dương. Nghĩa là giá trị biến x tăng thì giá trị biến y tăng và ngược lại, giá trị biến y tăng thì giá trị biến x cũng tăng.
Lưu ý:
Hệ số tương quan pearson (r) chỉ có ý nghĩa khi và chỉ khi mức ý nghĩa quan sát (sig.) nhỏ hơn mức ý nghĩa α = 5%.
Nếu r nằm trong khoảng từ 0,50 đến ± 1, thì nó được cho là tương quan mạnh.
Nếu r nằm trong khoảng từ 0,30 đến ± 0,49, thì nó được gọi là tương quan trung bình.
Nếu r nằm dưới ± .29, thì nó được gọi là một mối tương quan 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. Hồi quy đa biến cũng cho phép bạn xác định mức độ đóng góp nhiều, ít, không đóng góp... của từng nhân tố vào sự thay đổi của biến phụ thuộc.
Ýnghĩa chỉ số trong hồi quy đa biến
Giá trị Adjusted R Square (R bình phương hiệu chỉnh) và R2 (R Square) phản ánh mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Mức biến thiên của 2 giá trị này là từ 0 - 1. Nếu càng tiến về 1 thì mô hình càng có ý nghĩa. Ngược lại, càng tiến về 0 tức là ý nghĩa mô hình càng yếu. Cụ thể hơn, nếu nằm trong khoảng từ 0.5 - 1 thì là mô hình tốt, < 0.5 là mô hình chưa tốt.
Trị số Durbin – Watson (DW): Có chức năng kiểm tra hiện tượng tự tương quan chuỗi bậc nhất. Giá trị của DW biến thiên trong khoảng từ 0 đến 4. Nếu tương quan của các sai số kề nhau không xảy ra thì giá trị sẽ gần bằng 2. Nếu
giá trị gần về 4 tức là các phần sai số có tương quan nghịch, gần về 0 thì các phần sai số có tương quan thuận. trường hợp DW < 1 và DW > 3 thì khả năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất.
Giá trị Sig. của kiểm định F có tác dụng kiểm định độ phù hợp của mô hình hồi quy. Ở bảng ANOVA, nếu giá trị Sig. < 0.05 => Mô hình hồi quy tuyến tính bội và tập dữ liệu phù hợp (và ngược lại).
Giá trị Sig. của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu Sig. <0.1 => Biến độc lập có tác động đến biến phụ thuộc.
Hệ số phóng đại phương sai VIF (Variance inflation factor): Kiểm tra hiện tượng đa cộng tuyến. Nếu VIF > 10 thì có hiện tượng đa cộng tuyến (Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Tuy nhiên, trên thực tế thực hành, chúng ta thường so sánh giá trị VIF với 2. Nếu VIF < 2 không có hiện tượng đa cộng tuyến giữa các biến độc lập (và ngược lại).
Mức độ đánh giá sự hài lòng của khách hàng thông qua giá trị trung bình, độ lệch chuẩn. Kiểm định mô hình đa biến được sử dụng để kiểm định về sự khác nhau của mức độ hài lòng của khách hàng với dịch vụ và kiểm định sự khác nhau về mức độ đánh giá của khách hàng với các nhóm giới tính, độ tuổi và thu nhập trong tổng 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. Các nhà phân tích sử dụng thử nghiệm ANOVA để xác định ảnh hưởng của các biến độc lập đối với biến phụ thuộc trong nghiên cứu hồi quy. Kỹ thuật kiểm định ANOVA này được phát triển bởi Ronald Fisher năm 1918
Có nhiều hơn 2 loại phân tích phương sai, tuy nhiên trong khuôn khổ nội dung bài viết này, chúng ta sẽ chỉ tìm hiểu hai loại thông dụng nhất là phân tích phương sai một yếu tố và hai yếu tố.
1/ Phân tích phương sai một yếu tố (one-way ANOVA)
One-way ANOVA là một loại thử nghiệm thống kê so sánh phương sai trong nhóm có nghĩa là trong một mẫu trong khi chỉ xem xét một yếu tố ho c một biến độc lập. Phương sai một yếu tố so sánh ba ho c nhiều hơn ba nhóm phân loại để xác định xem có sự khác biệt giữa chúng hay 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) +846 (+71% 1.192 2.038 2018 Tỷ lệ ipay/DDA 30,4%
Số lƣợng giao dịch VietinBank ipay
(đơn vị: triệu giao dịch)
+51 (+146%) 35 2019 18,6% 86 2018 2019
Doanh thu phí ngân hàng số (đơn vị: tỷ đồng) +213 (+108%) 146 359 2018 2019
Chuyển dịch giao dịch ngoài quầy
T01.2019 T12.2019
ATM Tại quầy ipay Pos ATM Tại quầy ipay Pos
12% 12%
41% 34%
19%
33%
28% 21%
(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 54
giao dịch, tăng 146% so với năm 2018. Điều này giúp cho ngân hàng tiết giảm rất nhiều chi phí nhờ việc giảm tải KH đến giao dịch tại quầy, đồng thời mang lại nhiều lợi ích cho khách hàng
Thu phí ngân hàng số: Số lượng khách hàng sử dụng dịch vụ ipay càng
nhiều sẽ mang lại nguồn phí gia tăng cho ngân hàng, doanh thu phí năm 2019 là 359 tỷ đồng, tăng 213 tỷ đồng so với năm 2018, tốc độ tăng 108%.
Danh sách các tính năng trên ứng dụng VietinBank Ipay: hiện nay ứng dụng đã tích hợp được 74 tính năng, mang lại nhiều trải nghiệm cho khách hàng gồm:
Đăng nhập: Đăng nhập Cấp lại mật khẩu Quên tên đăng nhập Đăng ký mới ipay
Kiểm tra đăng nhập người – máy (reCaptcha) Trang chủ (Dashboard):
Danh mục tài khoản & thẻ Danh sách hóa đơn đến hạn Tài khoản m c định
Danh bạ người thụ hưởng Ưu đãi thẻ (quick view) Menu truy cập nhanh Chuyển tiền
Chuyển tiền trong VietinBank CK liên NH qua citad
CK nhanh qua thẻ/tài khoản 55
Chuyển tiền đến TK chứng khoản Chuyển tiền từ thiện
Bán ngoại tệ
Nhận tiền Western union CK định kỳ trong hệ thống CK định kỳ ngoài hệ thống Quản lý lịch CK định kỳ Dịch vụ thẻ
Vấn tin chi tiết thẻ
Vấn tin lịch sử giao dịch thẻ Vấn tin tài khoản thẻ
Kích hoạt Mở/khóa thẻ Trả nợ thẻ tín dụng
Đăng ký/khóa thanh toán trực tuyến Đăng ký/duy trì SMS biến động giao dịch Cài đ t thẻ (hạn mức & phạm vi sử dụng) Sao kê thẻ tín dụng
Ưu đãi
Vấn tin danh sách ưu đãi Xem chi tiết ưu đãi Nhận ưu đãi
Ưu đãi ưa thích
Tìm kiếm ưu đãi Vấn tin tài khoản
Vấn tin chi tiết tài khoản
Vấn tin lịch sử giao dịch tài khoản Thanh toán & mua sắm
Nạp tiền
Nạp tiền từ thẻ tín dụng Thanh toán hóa đơn
Thanh toán hóa đơn từ thẻ tín dụng Nộp thuế điện tử
Nộp phí kết cấu hạ tầng
Đ t vé máy bay trực tuyến (nội địa) Theo dõi lịch sử chuyến bay
Mua hàng VNshop
Đ t lịch thanh toán hóa đơn (auto-bill) Nhắc nợ hóa đơn đến hạn
Quán lý thanh toán hóa đơn định kỳ Quản lý danh sách thanh toán hóa đơn Loyalty
Điều khoản & điều kiện Câu hỏi thường g p Quản lý điểm thưởng Đổi quà
T ng điểm loyalty Tiền gửi & Tiền vay
Gửi tiết kiệm online (có kỳ hạn) Gửi tiết kiệm tích lũy
Gửi góp tiết kiệm tích lũy Quản lý gửi tiết kiệm tích lũy Tất toán tiết kiệm
Thay đổi phương thức đáo hạn (gốc & lãi) Trả nợ khoản vay
Tất toán khoản vay trước hạn Hạn mức giao dịch – soft OTP
Xác thực giao dịch hạn mức cao bằng Soft OTP trên ipay mobile Thông tin cá nhân – Profile
Thông tin thị trường