Giả thuyết H1 : Giá cả có tác động cùng chiều đến sự hài lòng của khách hàng
3.3 Phương pháp phân tích dữ liệu
Dữ liệu sau khi thu thập được sẽ dược làm sạch bằng cách loại bỏ những phiếu điều tra không hợp lệ và được xử lý bằng phần mềm SPSS 20
Phân tích dữ liệu được thực hiện qua các phương pháp : (1) Thống kê mơ tả, (2) Phân tích Cronbach’s Alpha, (3) Phân tích nhân tố EFA, (4) Phân tích tương quan, (5) Phân tích hồi quy, (6) Phân tích ANOVA
3.3.1 Thống kê mơ tả
Khóa Luận Tốt Nghiệp GVHD: Th.S Nguyễn Minh Nhật
Thống kê mô tả (Descriptive statistics): là các phương pháp sử dụng để tóm tắt hoặc mơ tả việc thu thập số liệu, tóm tắt, trình bày, tính tốn và mơ tả các đặc trưng khác nhau để phản ánh một cách tổng quát các đối tượng nghiên cứu. Thống kê mô tả được sử dụng để mơ tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả và thống kê suy luận cùng cung cấp những tóm tắt đơn giản về mẫu và các thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các phương pháp cơ bản của mô tả dữ liệu.
3.3.2 Phân tích Cronbach’s Alpha
Kiểm định độ tin cậy thang đo Cronbach’s Alpha là phép kiểm định phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng một nhân tố. Nó cho biết trong các biến quan sát của một nhân tố, biến nào đã đóng góp vào việc đo lường khái niệm nhân tố. Kết quả Cronbach’s Alpha của nhân tố tốt thể hiện rằng các biến quan sát đo lường nhân tố là hợp lý, thể hiện được đặc điểm của nhân tố mẹ.
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính tốn hệ số tương quan giữa biến- tổng sẽ giúp loại ra những biến quan sát nào khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến khơng phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Khi đánh giá độ tin cậy của thang đo, ta cần xem xét các tiêu chuẩn sau:
- Các biến quan sát có tương quan biến tổng nhỏ (nhỏ hơn 0.4) được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Alpha đạt yêu cầu (lớn hơn 0.7).
- Loại các biến quan sát có hệ số tương quan biến tổng nhỏ (nhỏ hơn 0.3), tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0.6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunnally & Burnstein 1994; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
- Giá trị hệ số Cronbach’s Alpha (Nguồn: Hồng Trọng, Chu Nguyễn Mộng Ngọc, Phân tích dữ nghiên cứu với SPSS):
Từ 0.8 đến gần bằng 1: thang đo lường rất tốt;
Từ 0.7 đến gần bằng 0.8: thang đo lường sử dụng tốt; Từ 0.6 trở lên: thang đo lường đủ điều kiện.
3.3.3 Phân tích nhân tố EFA
Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach’s Alpha dùng để đánh giá độ tin cậy của thang đo. Cịn phương pháp phân tích nhân tố EFA (Exploratory Factor Analysis) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
EFA dùng để rút gọn một tập X biến quan sát thành một tập F (F < X) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
Những tiêu chí trong phân tích EFA :
Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
• Nếu Factor loading > 0.3 được xem là đạt mức tối thiểu • Nếu Factor loading > 0.4 được xem là quan trọng
• Nếu Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng khơng thích hợp với tập dữ liệu nghiên cứu. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Kiểm định Bartlett là một đại lượng thống kê được dùng để xem xét giả thuyết các biến khơng có tương
Khóa Luận Tốt Nghiệp GVHD: Th.S Nguyễn Minh Nhật
quan trong tổng thể. Trong trường hợp kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
Phần trăm phương sai trích (Percentage of variance) > 50%: Nó thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mơ hình phân tích.
3.3.4 Phân tích tương quan
Phân tích tương quan là một phép phân tích được sử dụng là thước đo độ lớn của các mối liên hệ giữa các biến định lượng trong nghiên cứu. Thông qua thước đo này, người nghiên cứu có thể xác định mối liên hệ tuyến tính giữa các biến độc lập, phụ thuộc trong nghiên cứu.
Tương quan Pearson r có giá trị dao động trong khoản giá trị [-1;1] (lưu ý, hệ số r chỉ có ý nghĩa khi Sig. < 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
Nếu r = 0: khơng có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, khơng có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến.
3.3.5 Phân tích hồi quy
Đây là một phương pháp thống kê mà giá trị kỳ vọng của một hay nhiều biến ngẫu nhiên được dự đoán dựa vào điều kiện của các biến ngẫu nhiên (đã tính tốn) khác. Cụ thể, có hồi quy tuyến tính, hồi quy logic, hồi quy Poisson và học có giám sát. Phân tích hồi quy khơng chỉ là trùng khớp đường cong (lựa chọn một đường cong mà vừa khớp nhất với một tập điểm dữ liệu), nó cịn phải trùng khớp với một
mơ hình với các thành phần ngẫu nhiên và xác định (deterministic and stochastic components). Thành phần xác định được gọi là bộ dự đoán (predictor) và thành phần ngẫu nhiên được gọi là phần sai số (error term).
Là một phân tích thống kê để xác định xem các biến độc lập (biến thuyết minh) quy định các biến phụ thuộc (biến được thuyết minh) như thế nào. Mơ hình phân tích hồi quy sẽ mơ tả hình thức của mối liên hệ và qua đó giúp dự đốn được giá trị của biến phụ thuộc khi biết trước giá trị của biến độc lập.
3.3.6 Phân tích ANOVA
Phân tích ANOVA (analysis of variance) hay cịn gọi là phương pháp phương sai là phương pháp thống kê để phân tích tổng quy mơ biến thiên của biến số phụ thuộc (tổng đó tổng quy mơ biến thiên được định nghũa là tổng các độ lệch bình phương so với số bình qn của nó) thành nhiều phần và mỗi phần được quy cho sự biến thiên của một biến giải thích cá biệt hay một nhóm các biến giải thích. Phần cịn lại khơng thể quy cho biến nào được gọi là sự biến thiên khơng giải thích được hay phần dư. Phương pháp này được dùng để kiểm định giả thuyết 0 nhằm xác định xem các mẫu thu được có được rút ra từ cùng một tổng thể không. Kết quả kiểm định cho chúng ta biết các mẫu thu được có tương quan với nhau hay khơng.
Một số giả định khi phân tích ANOVA:
- Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn.
- Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên. - Phương sai của các nhóm so sánh phải đồng nhất.
Lưu ý: nếu giả định tổng thể có phân phối chuẩn với phương sai bằng nhau khơng đáp ứng được thì có thể dùng kiểm định phi tham số Kruskal-Wallis sẽ để thay thế cho ANOVA.
Kết quả kiểm định gồm hai phần:
Phần 1: Levene test: dùng kiểm định phương sai bằng nhau hay khơng giữa các nhóm
Ho: “Phương sai bằng nhau” Sig <= 0.05: bác bỏ Ho
Khóa Luận Tốt Nghiệp GVHD: Th.S Nguyễn Minh Nhật
Sig > 0.05: chấp nhận Ho => đủ điều kiện để phân tích tiếp Anova
Phần 2: ANOVA test: Kiểm định ANOVA
Ho: “Trung bình bằng nhau”
Sig <= 0.05: bác bỏ Ho => đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm đối với biến phụ thuộc
Sig > 0.05: chấp nhận Ho => chưa đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm đối với biến phụ thuộc
Khi có sự khác biệt thì có thể phân tích sâu hơn để tìm ra sự khác biệt như thế nào giữa các nhóm quan sát bằng các kiểm định Tukey, LSD, Bonferroni. Kiểm định sâu ANOVA gọi là kiểm định Post-Hoc.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VỀ CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN SỰ HÀI LÒNG CỦA KHÁCH HÀNG ĐỐI VỚI SẢN PHẨM CỦA
CÔNG TY CỔ PHẦN LƯU LIỀN 4.1 Thông tin chung về mẫu nghiên cứu
4.1.1 Giới tính
Đối tượng điều tra là tồn bộ khách hàng của CTCP Lưu Liền, trong thời gian từ tháng 4/2021 đến 5/2021. Trong khoảng thời gian khảo sát đã được tổng 170
khách hàng tham gia và có 165 phiếu hợp lệ về sự hài lịng của khách hàng đối với sản phẩm của CTCP Lưu Liền