CHƢƠNG 2 : PHƢƠNG PHÁP NGHIÊN CỨU VÀ THIẾT KẾ NGHIÊN CỨU
2.4. Phƣơng pháp phân tích dữ liệu
Dữ liệu điều tra đƣợc tiến hành phân tích với sự hỗ trợ của phần mềm SPSS 20.0 cho môi trƣờng Window qua các bƣớc phân tích nhƣ sau:
2.4.1. Thống kê mô tả
Mẫu thu thập đƣợc tiến hành phân tích bằng các thống kê mô tả: Phân loại mẫu theo tiêu chí phân loại điều tra, tính trung bình, giá trị lớn nhất, giá trị nhỏ nhất của các trả lời trong câu hỏi điều tra.
2.4.2. Kiểm định giá trị bằng phương pháp phân tích nhân tố khám phá khám phá
Phƣơng pháp phân tích nhân tố khám phá EFA (Exploratory Foctor Analysis- viết tắt là EFA) thuộc nhóm phân tích đa biến phân tích đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tƣơng quan giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này là dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Có thể trong các tiêu chí về thang đo chất lƣợng dịch vụ vừa trình bàynở trên, có thang đo không ảnh hƣởng đến chất lƣợng dịch vụ, và để kiểm tra cụ thể đó là thang đo nào, cần thiết phải tiến hành phân tích nhân tố để loại bỏ nó ra khỏi mô hình.
Trong nghiên cứu này, phân tích nhân tố đƣợc ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lƣờng các khía cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám phá EFA bao gồm:
Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (Các biến không có tƣơng quan với nhau trong tổng thể) bị bác bỏ và do đó EFA đƣợc gọi là sự thích hợp khi: 0.5< KMO <1 và Sig < 0.05. Trƣờng hợp KMO <0.5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
Tiêu chuẩn rút trích nhân tố bao gồm chỉ số Eigenvalue (đại diện cho lƣợng biến thiên đƣợc giải thích bởi các nhân tố) và chỉ số Cummulative (tổng phƣơng sai trích cho biết phân tích nhân tố giải thích đƣợc 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
nhân tố đƣợc rút trích tại Eigenvalue > =1 và đƣợc chấp nhận khi tổng phƣơng sai trích >=50%. Tuy nhiên, trị số Eigenvalue và phƣơng sai trích là bao nhiêu thì còn phụ thuộc vào phƣơng sai trích và phép xoay nhân tố.
Theo Berbing và Anderson, phƣơng pháp trích Pricipal Axis Factoring với phép xoay Promax (Obtique) có phƣơng sai trích bé hơn, song sẽ phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp Pricipal components với phép xoay Varimax. Theo Nguyễn Khánh Duy, nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phƣơng pháp Pricipal components với phép xoay Varimax, còn nếu sau EFA là phân tích nhân tố khẳng định (CFA) và phân tích mô hình cấu trúc tuyến tính (SEM) thì nên sử dụng phƣơng pháp trích Pricipal Axis Factoring với phép xoay Promax.
Tiêu chuẩn hệ số tải nhân tố (Factor Loading) biểu thị tƣơng quan đơn giữa các thang đo với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA.
2.4.3. Đánh giá độ tin cậy của thang đo
Kiểm định độ tin cậy của thang đo Cronbach’s alpha đƣợc sử dụng để loại bỏ biến rác trƣớc khi tiến hành phân tích. Kiểm định độ tin cậy của các biến trong thang đo chất lƣợng dịch vụ bán lẻ tại Big C Thăng Long dựa vào hệ số kiểm định Cronbach’s alpha của các thành phần thang đo và hệ số Cronbach’s alpha của mỗi biến đo lƣờng. Các biến có hệ số tƣơng quan biến tổng nhỏ hơn 0.3 sẽ bị loại. Một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng (0.7;0.8). Nếu Cronbach’s alpha > hoặc = 0.5 là thang đo có thể chấp nhận đƣợc về mặt tin cậy. Sau khi đánh giá sơ bộ thang đo và độ tin cậy của các biến quan sát bằng hệ số Cronbach’s alpha, sẽ dùng các biến này để hình thành mô hình hồi quy tuyến tính bội từ đó đánh giá chung về chất lƣợng dịch vụ bán lẻ tại Big C Thăng Long.
2.4.4. Phân tích mô hình hồi quy
Sau khi thang đo của các yếu tố khảo sát đã đƣợc kiểm định thì sẽ đƣợc xử lý chạy hồi quy tuyến tính bằng phƣơng pháp tổng bình phƣơng nhỏ nhất (OLS) bằng phƣơng pháp Enter. Theo Nguyễn Đình Thọ (2011), phƣơng pháp Enter phù hợp hơn với các nghiên cứu kiểm định.
Tất cả các biến đƣợc đƣa vào một lần và xem xét các kết quả thống kê liên quan. Phƣơng trình hồi quy cho mô hình nghiên cứu đề xuất nhƣ sau:
Y=f(x)= β0 + β1 X1+ β2 X2+ β3 X3+ β4 X4+ β5 X5
Trong đó: Y là chất lƣợng dịch vụ của siêu thị tổng hợp X1 là tính hữu hình của siêu thị tổng hợp
X2 là sự tin cậy của siêu thị tổng hợp
X3 là tƣơng tác nhân viên của siêu thị tổng hợp X4 là giải quyết khiếu nại của siêu thị tổng hợp X5 là chính sách của siêu thị tổng hợp
β0 là hằng số
β1, β2, β3, β4, β5 là hệ số hồi quy
Yếu tố nào có hệ số β càng lớn thì có mức độ ảnh hƣởng cao hơn các yếu tố khác trong mô hình nghiên cứu.
CHƢƠNG 3: THỰC TRẠNG DỊCH VỤ KHÁCH HÀNG VÀ MỨC ĐỘ HÀI LÒNG TẠI BIG C THĂNG LONG