Yếu tố Các biến quan sát sau khi
thảo luận nhóm
Ký hiệu biến
Phát triển từ thang đo của các tác giả
Thƣơng hiệu ngân hàng (TH) Ngân hàng có nhiều khách hàng đến giao dịch TH1 Almossawi (2001), Kotler (2003), Kamakodi and Khan
(2008) Ngân hàng có nhiều hoạt động vì
cộng đồng, địa phƣơng TH2 Thƣơng hiệu ngân hàng đƣợc biết
đến rộng rãi TH3
Năng lực phục vụ (NL)
Có đội ngũ nhân viên thân thiện,
nhiệt tình, niềm nở, tận tâm NL1
Almossawi (2001); Kamakodi và Khan
(2008); Asafo - Agyei, Davidson (2011) Thủ tục đơn giản, nhanh chóng, tiết
kiệm thời gian cho khách hàng NL2 Nhân viên am hiểu sản phẩm, tƣ
vấn tốt, dễ hiểu NL3
Nhân viên thao tác nhanh, chuyên
nghiệp, chính xác NL4
Giải quyết khiếu nại, thắc mắc kịp
thời NL5
Lợi ích tài chính (LI)
Lãi suất hấp dẫn, phí thấp LI1 Kamakodi và Khan (2008); Zulfiqar và cộng sự
(2014); Nguyễn Kim Nam và
Trần Thị Tuyết Vân (2015)
Hình thức trả lãi, phí linh hoạt LI2 Phƣơng thức tính lãi, phí có lợi
cho khách hàng LI3
Khách hàng có thêm nhiều lợi ích khác về tài chính ngồi lãi tiền gửi nhƣ quà tặng, chƣơng trình khuyến mãi,…
LI4
Ảnh hƣởng của ngƣời thân
quen (AH)
Gửi tiền vì có ngƣời thân quen
đang làm tại ngân hàng AH1
Almossawi (2001); Kotler (2003); Chigamba and Fatoki
(2011) Phạm Thị Tâm và Phạm Ngọc Thúy
(2010); Có ngƣời quen giới thiệu AH2
Gửi tiền theo ngƣời thân trong gia
đình AH3
Sự thuận tiện (TT)
Ngân hàng có vị trí giao dịch tiện
lợi: gần nhà, gần cơ quan TT1
Chigamba and Fatoki (2011); Zulfiqar và
cộng sự (2014) ; Phạm Thị Tâm và Khách hàng có thể gửi tiền trực
Thời gian làm việc linh hoạt, thuận tiện cho khách hàng TT3 Phạm Ngọc Thúy (2010) Mạng lƣới chi nhánh, PGD rộng khắp TT4
Máy ATM phân bổ rộng khắp TT5
Sản phẩm tiền gửi (SP)
Sản phẩm tiền gửi đa dạng, đáp ứng
tốt nhu cầu của khách hàng SP1
Asafo - Agyei, Davidson (2011) Cung cấp sản phẩm theo gói để
khách hàng dễ lựa chọn SP2 Có nhiều sản phẩm, dịch vụ bổ trợ
cho sản phẩm tiền gửi nhƣ xác nhận tài chính, phong tỏa theo yêu cầu khách hàng, chuyển nhƣợng,…
SP3
Thiết kế sản phẩm dễ hiểu, dễ nhớ SP4
Chính sách nhà nƣớc (CS)
Quy định về trần lãi suất của
NHNN CS1 Bổ sung thông qua
thảo luận nhóm tập trung Quy định của bảo hiểm tiền gửi CS2
Các quy định của NHNN về việc
mua bán, sáp nhập ngân hàng CS3
(Nguồn: Tổng hợp của tác giả)
3.3. Nghiên cứu chính thức: 3.3.1. Mẫu: 3.3.1. Mẫu:
* Xác định kích thƣớc mẫu:
Đây là một cơng việc khơng dễ dàng trong nghiên cứu khoa học. Kích thƣớc mẫu cần cho nghiên cứu phụ thuộc vào nhiều yếu tố nhƣ phƣơng pháp xử lý, độ tin cậy cần thiết,.... Kích thƣớc mẫu càng lớn thì càng tốt nhƣng lại tốn chi phí và thời gian.
Trong nghiên cứu này, tác giả lựa chọn phƣơng pháp phân tích nhân tố EFA nên địi hỏi kích thƣớc mẫu lớn. Trong EFA, kích thƣớc mẫu thƣờng đƣợc dựa vào
(1) kích thƣớc tối thiểu và (2) số lƣợng biến đo lƣờng dựa vào phân tích. Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008), để thực hiện đƣợc việc phân tích nhân tố EFA thì cỡ mẫu phải đủ lớn. Thơng thƣờng thì số quan sát ít nhất phải bằng 4 hay 5 lần số biến. Theo Hair & ctg (2006) thì để sử dụng EFA kích thƣớc mẫu tối thiểu phải là 50, tốt hơn là 100 và tỉ lệ quan sát /biến đo lƣờng là 5:1, nghĩa là 1 biến đo lƣờng cần tối thiểu 5 quan sát, tốt nhất là 10:1 trở lên (Nguyễn Đình Thọ, 2011). Nhƣ vậy với 28 biến quan sát, mẫu tối thiểu theo phƣơng pháp này là 28*5=140 quan sát. Để loại trừ những sai sót trong q trình trả lời phỏng vấn và những bảng câu hỏi không đƣợc trả lời đầy đủ hoặc những bảng có nghi ngờ về tính chính xác (lựa chọn cùng một mức điểm cho các câu hỏi), tác giả quyết định chọn mẫu là 300.
* Phƣơng pháp chọn mẫu:
Có nhiều phƣơng pháp chọn mẫu, tuy nhiên do hạn chế về thời gian và chi phí nên tác giả quyết định dùng phƣơng pháp chọn mẫu thuận tiện. Đây là phƣơng pháp chọn mẫu phi xác suất trong đó nhà nghiên cứu tiếp cận với phần tử mẫu bằng phƣơng pháp thuận tiện. Nghĩa là nhà nghiên cứu có thể chọn những phần tử nào mà họ có thể tiếp cận đƣợc.
Với kích thƣớc mẫu là 300, tác giả thực hiện phỏng vấn các khách hàng đến giao dịch tại Ngân hàng Xây Dựng trong khoảng thời gian từ giữa tháng 6 và kết thúc vào cuối tháng 7. Song song với đó, tác giả cũng tiến hành phỏng vấn các khách hàng ngoài trụ sở ngân hàng vào các ngày thứ 7 và chủ nhật tại các siêu thị, trung tâm mua sắm nhƣ Nguyễn Kim, Co.opmart, Big C, các khu vui chơi trẻ em trên địa bàn thành phố Thủ Dầu Một và một số giảng viên của trƣờng Đại học Bình Dƣơng. Lý do của việc chọn các địa điểm này là vì:
- Đây là các địa điểm tập trung rất đông ngƣời mua sắm vào cuối tuần
- Địa bàn thành phố Thủ Dầu Một rất gần với trụ sở của Ngân hàng Xây Dựng - chi nhánh Bình Dƣơng
- Đây là nơi tập trung dân cƣ thuộc nhiều thành phần nhƣ công chức, chủ doanh nghiệp, tiểu thƣơng, công nhân của các công ty
Kết quả phỏng vấn, sau khi làm sạch sẽ đƣợc nhập liệu vào phần mềm SPSS 16.0 để phục vụ việc phân tích.
3.3.2. Phƣơng pháp phân tích: 3.3.2.1. Đánh giá sơ bộ thang đo: 3.3.2.1. Đánh giá sơ bộ thang đo:
Chúng ta cần đánh giá độ tin cậy và giá trị của thang đo thông qua việc kiểm tra hệ số Cronbach's alpha và phân tích nhân tố khám phá EFA.
* Hệ số Cronbach's alpha
Theo Nguyễn Đình Thọ (2011): Hệ số Cronbach's alpha là hệ số sử dụng phổ biến để đánh giá độ tin cậy (tính nhất quán nội tại) của thang đo. Cần chú ý Cronbach's alpha là hệ số đo lƣờng độ tin cậy của thang đo tổng chứ không phải là hệ số tin cậy cho từng biến quan sát. Hệ số Cronbach's alpha có giá trị biến thiên trong khoảng [0;1]. Theo nhiều nhà nghiên cứu, một thang đo có độ tin cậy tốt khi có hệ số Cronbach's alpha biến thiên trong khoảng [0.7;0.8]. Nếu Cronbach's alpha ≥ 0.6 là thang đo có thể chấp nhận đƣợc về độ tin cậy (Nunnally & Bernstein, 1994).
Về lý thuyết, Cronbach's alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên nếu hệ số Cronbach's alpha quá lớn (α >0.95) nghĩa là nhiều biến trong thang đo khơng có khác biệt gì nhau (nghĩa là chúng cùng đo lƣờng một nội dung nào đó của khái niệm nghiên cứu). Hiện tƣợng này gọi là hiện tƣợng trùng lắp trong đo lƣờng. Nếu xảy ra hiện tƣợng này thì phải sử dụng thêm hệ số tƣơng quan biến-tổng trƣớc khi quyết định có nên loại bỏ biến hay không. Theo Nunnally & Bernstein (1994) nếu một biến đo lƣờng có hệ số tƣơng quan biến-tổng (hiệu chỉnh) ≥ 0.3 thì biến đó đạt u cầu. Tuy nhiên, nếu chúng trùng lắp hồn tồn thì hai biến đo lƣờng này thật sự chỉ làm một việc và chúng ta chỉ cần một biến là đủ. Mặc dù vậy, ngay cả khi biến có hệ số tƣơng quan biến-tổng nhỏ hơn nhiều so với yêu cầu ( ≥ 0.3) thì cũng chƣa quyết định đƣợc là có nên loại bỏ biến đó ra hay khơng. Vì việc loại hay khơng cịn phụ thuộc vào việc xem xét giá trị nội dung của khái niệm. Nếu việc loại bỏ biến bị vi phạm nội dung của khái niệm thì chúng ta khơng nên loại biến đó.
* Phân tích nhân tố khám phá EFA
Theo Nguyễn Đình Thọ (2011), phƣơng pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) đƣợc sử dụng để đánh giá giá trị hội tụ và giá trị phân biệt của thang đo. Phƣơng pháp này thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là khơng 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 quan sát k biến quan sát thành một tập F với F<k các nhân tố có ý nghĩa hơn.
Điều kiện cần để áp dụng phƣơng pháp này là các biến phải có tƣơng quan với nhau (các biến đo lƣờng phản ánh những khía cạnh khác nhau của cùng một yếu tố chung). Và để xác định đƣợc các biến có tƣơng quan chặt chẽ với nhau hay không, chúng ta sử dụng Bartlett's test of sphericity để kiểm định giả thuyết không (Ho) là các biến khơng có tƣơng quan với nhau trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tƣơng quan với nhau trong tổng thể và ngƣợc lại. Bên cạnh việc kiểm định Bartlett's, ngƣời ta còn dùng hệ số KMO (Kaiser-Meyer-Olkin) để xem xét sự thích hợp của phân tích nhân tố. 0.5≤KMO≤1 là điều kiện đủ để sử dụng phƣơng pháp phân tích nhân tố.
Số lƣợng nhân tố đƣợc giữ lại trong mơ hình phụ thuộc vào tiêu chí eigenvalue. Chỉ những nhân tố nào có eigenvalue>1 mới đƣợc giữ lại trong mơ hình phân tích. Đại lƣợng eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Những nhân tố có eigenvalue<1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phƣơng sai là 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Tuy nhiên với mẫu lớn hơn 200 có nhiều khả năng sẽ có nhiều nhân tố thỏa mãn mức ý nghĩa thống kê mặc dù trong thực tế có nhiều nhân tố chỉ giải thích đƣợc một phần nhỏ tồn bộ biến thiên. Vì vậy phải sử dụng thêm chỉ số Cumulative - tổng phƣơng sai trích để biết đƣợc phần biến thiên đƣợc giải thích bởi các nhân tố chung. Các nhân tố chỉ đƣợc chấp nhận khi có eigenvalue>1 và tổng phƣơng sai trích ≥50%. Việc giải thích kết quả thƣờng đƣợc tăng cƣờng bằng việc xoay các nhân tố (Rotated Component Matrix). Khi tiến hành
phân tích nhân tố chúng ta sẽ nhận đƣợc ma trận nhân tố (Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố. Hệ số này càng lớn cho biết nhân tố và biến có mối quan hệ chặt chẽ với nhau. Mặc dù ma trận nhân tố này cho thấy đƣợc mối quan hệ giữa các nhân tố và từng biến một nhƣng nó ít khi tạo ra những nhân tố có thể giải thích đƣợc một cách dễ dàng bởi vì các nhân tố có tƣơng quan với nhiều biến. Vì vậy thơng qua việc xoay các nhân tố, ma trận nhân tố sẽ trở nên đơn giản hơn và dễ giải thích hơn (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Tuy nhiên theo Nguyễn Đình Thọ (2011), vấn đề loại bỏ biến có trọng số thấp cần chú ý đến giá trị nội dung của biến đó đóng góp vào giá trị nội dung của khái niệm nó đo lƣờng. Trọng số nhân tố ≥0.5 và chênh lệch trọng số Factor loading giữa các nhân tố ≥0.3 là giá trị chấp nhận đƣợc.
Tóm lại, để đánh giá độ tin cậy của thang đo trong nghiên cứu này tác giả sẽ
sử dụng hệ số Cronbach's alpha để loại bỏ các biến rác trƣớc khi thực hiện phân tích EFA với yêu cầu hệ số này phải ≥0.6 và có hệ số tƣơng quan biến-tổng (hiệu chỉnh) ≥ 0.3 thì biến đó đạt yêu cầu. Việc phân tích EFA sẽ đƣợc thực hiện qua các bƣớc:
- Kiểm định Bartlett's và hệ số KMO để xem xét sự thích hợp của phân tích nhân tố, trong đó để đạt u cầu thì các biến phải có tƣơng quan với nhau (sig<0.05) và KMO =[0.5;1].
- Sử dụng phƣơng pháp rút trích nhân tố Principal component và phép xoay Varimax để loại bỏ các biến có trọng số nhân tố <0.5 và chênh lệch trọng số Factor loading giữa các nhân tố <0.3.
3.3.2.2. Phân tích hồi quy
* Hệ số tƣơng quan Pearson
Hệ số tƣơng quan (r) là một chỉ số thống kê đo lƣờng mối liên hệ tƣơng quan giữa hai hay nhiều biến số với nhau. Hệ số tƣơng quan có giá trị từ -1 đến 1. Hệ số tƣơng quan bằng 0 (hay gần 0) có nghĩa là hai biến số khơng có liên hệ gì với nhau; ngƣợc lại nếu hệ số bằng -1 hay 1 có nghĩa là hai biến số có một mối liên hệ tuyệt đối. Nếu giá trị của hệ số tƣơng quan là âm (r <0) có nghĩa là khi x tăng cao thì y
giảm (và ngƣợc lại, khi x giảm thì y tăng); nếu giá trị hệ số tƣơng quan là dƣơng (r > 0) có nghĩa là khi x tăng cao thì y cũng tăng, và khi x giảm thì y cũng giảm theo. Có nhiều hệ số tƣơng quan tuy nhiên trong bài này tác giả sử dụng hệ hệ số tƣơng quan Pearson để kiểm định mối liên hệ tƣơng quan giữa các biến độc lập và biến phụ thuộc và giữa các biến độc lập với nhau. Việc kiểm định này dựa vào điều kiện Sig. phải nhỏ hơn 5% thì hai biến mới có tƣơng quan với nhau. Hệ số tƣơng quan càng lớn tƣơng quan càng chặt. Nếu Sig. này lớn hơn 5% thì hai biến khơng có tƣơng quan với nhau. Nếu các biến độc lập có tƣơng quan chặt thì phải lƣu ý đến vấn đề đa cộng tuyến khi phân tích hồi quy (giả thuyết Ho: hệ số tƣơng quan bằng 0).
* Mơ hình hồi quy:
Do biến phụ thuộc ở đây nhận 2 giá trị (Y=1: quyết định đã gửi tiền tại ngân hàng và Y=0: quyết định chƣa gửi tiền ngân hàng) nên tác giả quyết định chọn loại hồi quy Binary Logistic. Phƣơng pháp hồi quy này sẽ giúp chúng ta dự báo đƣợc khả năng gửi tiền của khách hàng và mức độ đúng của dự báo đó.
Mơ hình hồi quy có dạng:
Loge P(QD=1) P (QD=0) = β0+β1*X1+ β2*X2+...+ βn*Xn Trong đó: β0: Hệ số chặn (hằng số) β1, β2,..., βn: Các hệ số hồi quy X1, X2, ..., Xn: Các biến độc lập
Các biến độc lập đƣợc đƣa vào mơ hình theo phƣơng pháp Enter nghĩa là các biến trong khối biến độc lập đƣợc đƣa vào trong một bƣớc.
* Kiểm định độ phù hợp của mơ hình:
Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008), việc đo lƣờng độ phù hợp tổng quát của mơ hình Binary Logistic đƣợc dựa trên chỉ tiêu -2LL (-2 log likelihood), thƣớc đo này càng nhỏ thì càng tốt. Giá trị nhỏ nhất của -2LL là 0 tức là khơng có sai số, khi đó mơ hình có một độ phù hợp hồn hảo. Bên cạnh đó, thơng qua bảng Clasification table mà SPSS đƣa ra, chúng ta cũng biết tỷ lệ dự đốn đúng
của mơ hình.
* Kiểm định ý nghĩa của các hệ số:
Mơ hình Binary logistic sử dụng đại lƣợng Wald Chi square để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Wald Chi square đƣợc tính bằng cách lấy ƣớc lƣợng của hệ số hồi quy của biến độc lập trong mơ hình (hệ số hồi quy mẫu) chia cho sai số chuẩn của ƣớc lƣợng hệ số hồi quy này, sau đó bình phƣơng lên. Các biến phù hợp để đƣa vào mơ hình là các biến có Sig.<0.05.
* Kiểm định độ phù hợp tổng quát: dùng kiểm định Chi-bình phƣơng với
giả thuyết Ho là các hệ số hồi quy trong mơ hình bằng nhau và bằng 0. Việc bác bỏ hay chấp nhận Ho tùy thuộc vào mức ý nghĩa quan sát mà SPSS đƣa ra.
Kết luận chƣơng 3
Chƣơng này trình bày phƣơng pháp nghiên cứu đƣợc thực hiện để đánh giá thang đo các khái niệm nghiên cứu và mơ hình lý thuyết các yếu tố ảnh hƣởng đến quyết định lựa chọn ngân hàng gửi tiền của khách hàng cá nhân. Phƣơng pháp nghiên cứu đƣợc thực hiện qua hai bƣớc: nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ đƣợc thực hiện thông qua kỹ thuật thảo luận nhóm tập trung để hiệu chỉnh thang đo và phỏng vấn sơ bộ để kiểm tra mức độ hoàn chỉnh về nội dung và hình thức của bảng hỏi. Nghiên cứu chính thức là một nghiên cứu định lƣợng thơng qua kỹ thuật phỏng vấn trực tiếp với kích thƣớc mẫu là n=300. Phƣơng pháp chọn mẫu, phƣơng pháp kiểm định thang đo và phƣơng pháp hồi quy đƣợc sử dụng cho nghiên cứu cũng đƣợc trình bày cụ thể trong chƣơng này.
Chƣơng kế tiếp sẽ trình bày chi tiết các kết quả nghiên cứu dựa trên dữ liệu