2.3 Thiết kế nghiên cứu
2.3.2 Nghiên cứu định lượng
2.3.2.1 Thiết kế mẫu nghiên cứu
Trong nghiên cứu này tác giả sử dụng kỹ thuật phân tích yếu tố khám phá (EFA), vì thế tác giả xác định kích thước mẫu nghiên cứu được chọn theo quy tắc thực nghiệm của Hair và ctg (1998), đó là tối thiểu là 5 quan sát/biến đo lường. Mô hình lý thuyết gồm 7 khái niệm nghiên cứu (06 biến độc lập và 01 biến phụ thuộc) được đo lường bằng 26 biến đo lường, vì thế theo quy tắc thực nghiệm của Hair và ctg (1998), kích thước mẫu tối thiểu là 130 (26 x 5). Tuy nhiên, nghiên cứu này còn kiểm định sự khác biệt về quyết định sử dụng dịch vụ TTKDTM theo đặc điểm của khách hàng được phỏng vấn (tức chia tổng thể mẫu nghiên cứu thành các tổng thể nhỏ theo các phân nhóm đặc điểm của khách hàng), vì thế tác giả xác định kích thước mẫu tối thiểu là 260 = (130 x 2). Ngoài ra, để bù đắp một tỉ lệ thông tin bị loại bỏ (các bảng câu hỏi có nhiều ô thiếu thông tin, hoặc nhiều hơn một ô trả lời, hoặc có cơ sở để xác định không đáng tin cậy), tác giả quyết định phỏng vấn 300 khách hàng cá nhân và doanh nghiệp sử dụng dịch vụ thanh toán không dùng tiền mặt tại BIDV chi nhánh Bảo Lộc.
Đối tượng phỏng vấn là khách hàng cá nhân và doanh nghiệp có sử dụng dịch vụ thanh toán không dùng tiền mặt tại BIDV chi nhánh Bảo Lộc trong năm 2015 là 541 khách hàng cá nhân và 172 khách hàng doanh nghiệp (tỷ lệ xấp xỉ 3:1). Do đó, tác giả lựa chọn mẫu theo tỷ lệ với số lượng khách hàng doanh nghiệp được phỏng vấn là 75 doanh nghiệp và 225 khách hàng cá nhân.
2.3.2.2 Thiết kế phiếu điều tra chính thức
Thiết kế phiếu điều tra gồm 3 phần (phụ lục 2: Phiếu điều tra chính thức) Phần 1: Thông tin chung
Các nội dung được thu thập trong phần này được sử dụng để đưa ra một số mô tả tổng quát về đối tượng nghiên cứu và góp phần giải thích kết quả phân tích số liệu.
Phần 2: Các yếu tố ảnh hưởng đến sự lựa chọn ngân hàng của khách hàng cá nhân
Phần này đưa ra 26 biến quan sát dưới dạng các phát biểu, yêu cầu đối tượng điều tra đánh giá mức độ ảnh hưởng theo thang đo Likert từ 1 đến 5: mức 1 tương ứng với hoàn toàn không đồng ý và mức 5 tương ứng với hoàn toàn đồng ý. Các biến quan sát được sắp xếp thành 7 nhóm tương ứng với 7 yếu tố đã đưa ra.
Phần 3: Thông tin cá nhân
Phần này được thiết kế để thu thập các thông tin về đặc điểm của khách hàng được phỏng vấn
2.3.2.3 Thu thập thông tin
Thông tin mẫu nghiên cứu được thu thập bằng kỹ thuật phỏng vấn dưới ba hình thức là phỏng vấn trực tiếp, phỏng vấn qua e-mail và điện thoại các khách hàng cá nhân và doanh nghiệp sử dụng dịch vụ TTKDTM tại BIDV chi nhánh Bảo Lộc
Tác giả tiến hành thu thập dữ liệu sơ cấp thông qua kết quả phỏng vấn. Đối tượng được phỏng vấn là khách hàng sử dụng dịch vụ TTKDTM (doanh nghiệp và cá nhân). Nội dung phỏng vấn bao gồm: Các thông tin chung về khách hàng, đánh giá của khách hàng về các nội dung có liên quan đến hoạt động TTKDTM của BIDV chi nhánh Bảo Lộc
- Dữ liệu thứ cấp: Tác giả tiến hành thu thâp dữ liệu thứ cấp từ các nguồn như các công trình nghiên cứu, các bài báo, sách, giáo trình liên quan đến đề tài để hình thành cơ sở lý thuyết của đề tài. Để đánh giá được thực trạng hoạt động TTKDTM của BIDV chi nhánh Bảo Lộc tác giả tiến hành thu thập dữ liệu từ các báo cáo tài chính của ngân hàng trong giai đoạn 2011 - 2015….Ngoài ra, tác giả tiến hành thu thập thêm dữ liệu từ các nguồn internet, báo cáo của các tổ chức có liên quan…
Tác giả sử dụng phương pháp tổng hợp để xử lý dữ liệu định tính. Đối với dữ liệu định lượng, tiến hành mã hóa dữ liệu nhập vào phần mềm excel và SPSS 16.0 để xử lý.
2.3.2.4 Phương pháp phân tích
Đánh giá độ tin cậy và giá trị thang đo
Việc đánh giá độ tin cậy và giá trị của thang đo được thực hiện bằng phương pháp hệ số tin cậy Cronbach alpha và phân tích yếu tố khám phá (EFA) thông qua phần mềm xử lý SPSS 16.0 để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn độ tin cậy (biến rác). Trong đó:
- Tiêu chuẩn Cronbach alpha được nhiều nhà nghiên cứu (Nunally,1978; Peterson, 1994; Slater,1995) đề nghị là hệ số Cronbach alpha từ 0,6 trở lên là có thể chấp nhận được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu. Tuy nhiên, theo Nunnally và ctg (1994), hệ số Cronbach alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Bởi vậy, bên cạnh hệ số Cronbach alpha, người ta còn sử dụng hệ số tương quan biến tổng (iterm - total correlation) và những biến nào có tương quan biến tổng < 0,4 sẽ bị loại bỏ.
- Tiêu chuẩn phân tích yếu 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 Ho (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0,05 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005, tr.262).
- Tiêu chuẩn rút trích yếu tố gồm chỉ số Engenvalue (đại diện cho lượng biến thiên được giải thích bởi các yếu tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích yếu tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Trong đó, Engenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%.
- Tiêu chuẩn hệ số tải yếu tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các yếu tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và ctg, Factor loading > 0,3 được xem là đạt mức tối thiểu; Factor loading > 0,4 được xem là quan trọng; Factor loading > 0,5 được xem là có ý nghĩa thực tiễn. Ngoài ra, trường hợp các biến có Factor loading được trích vào các yếu tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận < 0,3), tức không tạo nên sự khác biệt để đại diện cho một yếu tố, thì biến đó cũng bị loại và
các biến còn lại sẽ được nhóm vào yếu tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Tuy nhiên, cũng như trong phân tích Cronbach alpha, việc loại bỏ hay không một biến quan sát không chỉ đơn thuần nhìn vào con số thống kê mà còn phải xem xét giá trị nội dung của biến đó. Trường hợp biến có trọng số Factor loading thấp hoặc được trích vào các yếu tố khác nhau mà chênh lệch trọng số rất nhỏ, nhưng có đóng góp quan trọng vào giá trị nội dung của khái niệm mà nó đo lường thì không nhất thiết loại bỏ biến đó (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011, tr.402, 403).
Trong nghiên cứu này, mẫu nghiên cứu có kích thước tương đối lớn (n =300) và sau EFA là phân tích hồi qui bội. Vì thế, trong quá trình Cronbachalpha, tác giả sẽ giữ lại các thang đo có trị số Cronbach alpha ≥ 0,6 và loại các biến quan sát có tương quan biến-tổng < 0,4. Trong quá trình EFA, tác giả sử dụng phương pháp trích Principal components với phép xoay Varimax; loại bỏ các biến quan sát có trị số Factor loading ≤ 0,5 hoặc trích vào các yếu tố khác mà chênh lệch trọng số Factor loading giữa các yếu tố ≤ 0,3
Phân tích hồi qui tuyến tính bội
Quá trình phân tích hồi qui tuyến tính được thực hiện qua các bước:
Bước 1: Kiểm tra tương quan giữa các biến độc lập với nhau và với biến phụ thuộc thông qua ma trận hệ số tương quan. Theo đó, điều kiện để phân tích hồi qui là phải có tương quan giữa các biến độc lập với nhau và với biến phụ thuộc. Tuy nhiên, theo John và Benet - Martinez (2000), khi hệ số tương quan < 0,85 thì có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tương quan > 0,85 thì cần xem xét vai trò của các biến độc lập, vì có thể xảy ra hiện tượng đa cộng tuyến (một biến độc lập này có được giải thích bằng một biến khác).
Bước 2: Xây dựng và kiểm định mô hình hồi qui - Lựa chọn các biến đưa vào mô hình hồi qui.
- Đánh giá độ phù hợp của mô hình bằng hệ số xác định R2 (R Square). Tuy nhiên, R2 có đặc điểm càng tăng khi đưa thêm các biến độc lập vào mô hình, mặc
dù không phải mô hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế, R2 điều chỉnh (Adjusted R Square) có đặc điểm không phụ thuộc vào số lượng biến đưa thêm vào mô hình được sử dụng thay thế R2 để đánh giá mức độ phù hợp của mô hình hồi qui bội.
- Kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết R2: (không có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập. Nếu trị thống kê F có Sig rất nhỏ (< 0,05), thì giả thuyết Ho bị bác bỏ, khi đó chúng ta kết luận tập hợp của các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng được.
- Xác định các hệ số của phương trình hồi qui, đó là các hệ số hồi qui riêng phần βk đo lường sự thay đổi trung bình của biến phụ thuộc khi biến độc lập Xk thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lường của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để có thể so sánh các hệ số hồi qui với nhau, từ đó xác định tầm quan trọng (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lường độ lệnh chuẩn beta.
Bước 3: Kiểm tra vi phạm các giả định hồi qui
Mô hình hồi qui được xem là phù hợp với tổng thể nghiên cứu khi không vi phạm các giả định. Vì thế, sau khi xây dựng được phương trình hồi qui, cần phải kiểm tra các vi phạm giả định cần thiết sau đây:
- Có liên hệ tuyến tính gữa các biến độc lập với biến phụ thuộc - Phần dư của biến phụ thuộc có phân phối chuẩn
- Phương sai của sai số không đổi
- Không có tương quan giữa các phần dư (tính độc lập của các sai số)
- Không có tương quan giữa các biến độc lập (không có hiện tượng đa cộng tuyến).
Trong đó:
- Công cụ để kiểm tra giả định liên hệ tuyến tính là đồ thị phân tán phần dư chuẩn hóa (Scatter) biểu thị tương quan giữa giá trị phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Pridicted Value).
- Công cụ để kiểm tra giả định phần dư có phân phối chuẩn là đồ thị tần số Histogram, hoặc đồ thị tần số P-P plot.
- Công cụ để kiểm tra giả định sai số của biến phụ thuộc có phương sai không đổi là đồ thị phân tán của phần dư và giá trị dự đoán hoặc kiểm định Spearman’s rho.
- Công cụ được sử dụng để kiểm tra giả định không có tương quan giữa các phần dư là đại lượng thống kê d (Durbin - Watson), hoặc đồ thị phân tán phần dư chuẩn hóa (Scatter).
- Công cụ được sử dụng để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phương sai (Variance inflation factor - VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr.217, 218), qui tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến; trong khi đó, theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2011, tr.497), khi VIF > 2 cần phải cẩn trọng hiện tượng đa cộng tuyến.
KẾT LUẬN CHƯƠNG 2
Tác giả tiến hành tổng hợp các công trình nghiên cứu có liên quan (lý thuyết và thực nghiệm) trên cơ sở đó đề xuất mô hình nghiên cứu phù hợp với đối tượng và địa bàn nghiên cứu. Mô hình nghiên cứu được đề xuất bao gồm 6 yếu tố tác động đến quyết định sử dụng TTKDTM tại BIDV chi nhánh Bảo Lộc (1) Dễ sử dụng; (2) An toàn; (3) Cảm nhận lợi ích; (4) Sự tin tưởng; (5) Nhận thức về dịch vụ TTKDTM; (6) Thói quen sử dụng tiền mặt. Nghiên cứu được trải qua hai bước: Thiết kế nghiên cứu định tính: dùng để điều chỉnh mô hình và bổ sung thang đo sao cho phù hợp với nghiên cứu. Kết quả thiết kế nghiên cứu cho thấy có 26 thang đo đại diện cho 6 nhóm yếu tố độc lập và khái niệm của biến phụ thuộc. Thiết kế nghiên cứu định lượng: kích thước mẫu lựa chọn: 300 khách hàng (75 doanh nghiệp và 225 khách hàng cá nhân); Các phương pháp phân tích được sử dụng: đánh giá độ tin cậy và giá trị thang đo, phân tích nhân tố khám phá, phân tích hồi quy tuyến tính bội. Quy trình nghiên cứu và các phương pháp nghiên cứu trong chương 2 là cơ sở để thực hiện phân tích các yếu tố ảnh hưởng đến hoạt động TTKDTM tại BIDV chi nhánh Bảo Lộc. Các nội dung và các bước cụ thể sẽ được trình bày trong chương 3
CHƯƠNG 3
PHÂN TÍCH CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN HOẠT ĐỘNG THANH TOÁN KHÔNG DÙNG TIỀN MẶT CỦA NGÂN HÀNG