CHƯƠNG 4 : KẾT QUẢ NGHIÊN CỨU ĐỊNH LƯỢNG
4.2. Kiểm định thang đo:
4.2.1. Kiểm định độ tin cậy Cronbach’s Alpha:
Hệ số Cronbach’s Alpha kiểm định độ tin cậy của thang đo, cho phép loại bỏ những biến không phù hợp trong mô hình nghiên cứu.
Điều kiện chấp nhận các biến:
● Những biến có hệ số tương quan biến tổng phù hợp (Corrected Item – Total Correlation) từ 0.3 trở lên.
● Các hệ số Cronbach’s Alpha của các biến phải từ 0.7 trở lên. Kết quả chạy Cronbach’s Alpha cho 9 nhân tố của bảng khảo sát:
A. THÁI ĐỘ VỚI THƯƠNG HIỆU:
Nhân tố thái độ với thương hiệu có hệ số tin cậy Cronbach’s Alpha > 0.7. Các hệ số tương quan biến tổng > 0.3 → chấp nhận.
B. Ý ĐỊNH MUA HÀNG:
Bảng 4.4. Hệ số tin cậy đối với nhân tố “Ý định mua hàng”.
Nhân tố ý định mua hàng có hệ số tin cậy Cronbach’s Alpha > 0.7. Các hệ số tương quan biến tổng > 0.3 → chấp nhận.
Kết luận: Các biến quan sát khi đưa vào kiểm định Cronbach Alpha thì toàn bộ quan sát đều hợp lệ. Hệ số Cronbach Alpha của các biến nằm trong khoảng từ 0.6 đến 0.9 nên thang đo lường này có thể sử dụng. Hệ số tương quan biến tổng hiệu chỉnh đều lớn hơn 0.3 và giá trị Cronbach Alpha mới của thang đo trong trường hợp loại bỏ biến quan sát đều nhỏ hơn hệ số Cronbach Alpha.
4.2.2. Phân tích nhân tố EFA – Exploratory Factor Analysis:
Phân tích nhân tố EFA là kỹ thuật phân tích nhằm thu nhỏ và tóm tắt các dữ liệu, rất có ích cho việc xác định các tập hợp nhóm biến.
Các tiêu chí trong kiểm định EFA:
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. 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 (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Kiểm định Bartlett có ý nghĩa thống
kê (sig Bartlett’s Test < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.
Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là phù hợp.
Hệ số tải nhân tố (Factor Loading) là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì:
● Factor Loading ở mức ± 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại. ● Factor Loading ở mức ± 0.5: Biến quan sát có ý nghĩa thống kê tốt.
● Factor Loading ở mức ± 0.7: Biến quan sát có ý nghĩa thống kê rất tốt.
Kết quả phân tích: Với biến độc lập:
Bảng 4.5. Kiểm định KMO và Bartlett.
KMO = 0.801 (> 0.5) nên phân tích nhân tố là phù hợp.
Sig. (Bartlett’s Test) = 0.000 (< 0.05) chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Bảng 4.6. Kiểm định tổng phương sai trích.
Eigenvalues = 1.032 (>1) đại diện cho phần biến được giải thích bởi mỗi nhân tố, thì nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt nhất.
Tổng phương sai trích: Rotation Sums of Squared Loadings (Cumulative %) = 75.731% > 50%. Điều này chứng tỏ 75.731% biến thiên của dữ liệu được giải thích bởi 2 nhân tố.
Bảng 4.7. Kiểm định ma trận xoay.
Kết quả phân tích:
6 biến quan sát đo lường biến độc lập được đưa vào phân tích nhân tố. Bảng KMO và kiểm định Bartlett cho biết hệ số KMO là 0.801 lớn hơn 0.5 nên đạt yêu cầu và phân tích nhân tố thích hợp với dữ liệu nghiên cứu. Đối với kiểm định Bartlett, giả thuyết H0: các biến quan sát không có tương quan trong tổng thể. Kết quả kiểm định Bartlett là 940.517 với mức ý nghĩa Sig. là 0.000 bé hơn 0.05 nên ta có thể bác bỏ H0. Như vậy, các biến quan sát có tương quan trong tổng thể, chứng tỏ dữ liệu dùng để phân tích là hoàn toàn phù hợp. Nhìn vào bảng Total Variance Explained, theo phương pháp dựa trên Eigenvalue, có 2 nhân tố duy nhất được rút trích. Tổng phương sai trích là 75.73% cho biết nhân tố này giải thích được 75.73% lượng biến thiên của dữ liệu, còn lại 24.27% là bởi các nhân tố khác không rút trích được. Trong đề tài nghiên cứu này, tác giả sử dụng phép xoay Varimax. Với phép quay Varimax và nguyên tắc loại các trọng số nhân tố <.50 hoặc chênh lệch giữa hai trọng số >.30, không biến nào bị loại bỏ. Vậy sau khi xoay nhân tố, ta được 2 nhân tố (phù hợp với mô hình đề xuất).
Với biến phụ thuộc:
Bảng 4.8. Kiểm định KMO và Bartlett.
Sig. (Bartlett’s Test) = 0.000 (< 0.05) chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể.
Bảng 4.9. Kiểm định tổng phương sai trích.
Eigenvalues = 2.336 (>1) đại diện cho phần biến được giải thích bởi mỗi nhân tố, thì nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt nhất.
Tổng phương sai trích: Rotation Sums of Squared Loadings (Cumulative %) = 77.878% > 50%. Điều này chứng tỏ 77.878% biến thiên của dữ liệu được giải thích bởi 1 nhân tố.
Bảng 4.10. Kiểm định ma trận xoay.
Kết quả phân tích:
3 biến quan sát đo lường biến phụ thuộc được đưa vào phân tích nhân tố. Bảng KMO và kiểm định Bartlett cho biết hệ số KMO là 0.734 lớn hơn 0.5 nên đạt yêu cầu và phân tích nhân tố thích hợp với dữ liệu nghiên cứu. Đối với kiểm định Bartlett, giả thuyết H0: các biến quan sát không có tương quan trong tổng thể. Kết quả kiểm định Bartlett là 432.083 với mức ý nghĩa Sig. là 0.000 bé hơn 0.05 nên ta có thể bác bỏ H0. Như vậy, các biến quan sát có tương quan trong tổng thể, chứng tỏ dữ liệu dùng để phân tích là hoàn toàn phù hợp. Nhìn vào bảng Total Variance Explained, theo phương pháp dựa trên Eigenvalue, có 2 nhân tố duy nhất được rút trích. Tổng phương sai trích là 77.89% cho biết nhân tố này giải thích được 77.89% lượng biến thiên của dữ liệu, còn lại 22.11% là bởi các nhân tố khác không rút trích được. Trong đề tài nghiên cứu này, tác giả sử dụng phép xoay Varimax. Với phép quay Varimax và nguyên tắc loại các trọng số nhân tố <.50 hoặc chênh lệch giữa hai trọng số >.30, không biến nào bị loại bỏ. Vậy sau khi xoay nhân tố, ta được 1 nhân tố (phù hợp với mô hình đề xuất).