Tiêu chí Ký hiệu
HÀNG HÓA HH
Tiêu chí Ký hiệu
Hàng hóa có giá bán hợp lí HH2
Nguồn gốc xuất xứ hàng hóa rõ ràng HH3
PHỤC VỤ PV
Nhân viên luôn sẵn sàng phục vụ anh/chị. PV1
Nhân viên luôn có mặt kịp thời khi anh/chị cần. PV2 Nhân viên giải đáp tận tình những thắc mắc của anh/chị. PV3
Nhân viên rất lịch sự, thân thiện PV4
TRƯNG BÀY TB
Siêu thị có đẩy đủ ánh sáng. TB1
Hàng hóa trưng bày dễ tìm. TB2
Bảng chỉ dẫn hàng hóa rõ ràng. TB3
Hệ thống tính tiền hiện đại. TB4
MẶT BẰNG MB
Mặt bằng siêu thị rộng rãi. MB1
Không gian bên trong siêu thị thoáng mát. MB2
Lối đi giữa các kệ hàng hóa thoải mái. MB3
Bãi giữ xe rộng rãi. MB4
AN TOÀN AT
Hệ thống phòng cháy chữa cháy tốt. AT1
Tiêu chí Ký hiệu
Anh/chị không lo bị mất cắp tài sản khi mua sắm tại siêu thị này. AT3
HÀI LÒNG HL
Anh/chị cảm thấy thoải mái khi mua sắm tại đây. HL1 Anh/chị sẽ tiếp tục mua hàng tại siêu thị cho lần sau. HL2 So sánh với các siêu thị khác, anh/chị cảm thấy hài lòng với siêu
thị này.
HL3
Nguồn: Kết quả nghiên cứu của tác giả.
3.4.5 Phương pháp phân tích số liệu
Dữ liệu sau khi thu thập được làm sạch dữ liệu, mã hoá và nhập liệu và xử lý dữ liệu bằng phần mềm SPSS 20.0 với các bước cụ thể như sau:
1. Đánh giá độ tin cậy thang đo thông qua hệ số Cronabach’s Alpha
Nhằm mục đích loại bỏ các biến không phù hợp, hạn chế các biến rác trong quá trình nghiên cứu.
2. Phân tích nhân tố khám phá EFA
Nhằm mục đích thu nhỏ và gom các biến lại thành các yếu tố, xem xét mức độ hội tụ của các biến quan sát theo từng yếu tố và giá trị phân biệt giữa các yếu tố.
3. Phân tích hồi quy tuyến tính bội
Nhằm mục đích kiểm định các giả thuyết về mối quan hệ giữa hai hay nhiều biến, trong đó có một biến phụ thuộc và một hay nhiều biến độc lập. Đặc biệt, cần chú ý đến mối quan hệ chặt chẽ giữa một biến độc lập với các biến độc lập còn lại vì có thể xảy ra hiện tượng đa cộng tuyến. Phân tích hồi quy được thực hiện qua 2 bước:
• Phân tích hệ số tương quan Pearson: Hệ số tương quan dùng để biểu hiện mức độ chặt chẽ của hai biến định lượng.
• Phân tích hồi quy tuyến tính bội nhằm mục đích đánh giá mức độ phù hợp của mô hình, xem xét mức độ quan trọng của các biến độc lập
❖ Hệ số tin cậy Cronbach’s Alpha
Là hệ số cho phép đánh giá phù hợp các mức độ khi đưa các biến quan sát thuộc về một biến nghiên cứu. Tuy nhiên hệ số tin cậy chỉ cho biết các đo lường có liên kết với nhau hay không. Cụ thể các tiêu chí trong kiểm định hệ số tin cậy như sau:
Hệ số tin cậy Cronbach’s Alpha:
• α >= 0.9: Thang đo nhân tố rất tốt • 0.9 > α >= 0.8: Thang đo nhân tố tốt
• 0.8 > α >= 0.7: Thang đo nhân tố chấp nhận được
• 0.7 > α >= 0.6: Thang đo nhân tố chấp nhận được với các nghiên cứu mới • 0.6 > α >= 0.5: Thang đo nhân tố là không phù hợp
• 0.5 > α: Thang đo nhân tố là không phù hợp
Hệ số tương quan biến tổng (Corrected Item - Total Correlation): cho biết mức
độ tương quan giữa một biến quan sát trong nhân tố với các biến còn lại. Hệ số tương quan biến tổng phản ánh mức độ đóng góp của một biến quan sát cụ thể vào giá trị của nhân tố. Tiêu chuẩn hệ số tương quan biến tổng để đánh giá biến quan sát có đóng góp vào giá trị của nhân tố là ở mức >= 0.3. Nếu < 0.3 coi như không có đóng góp và cần loại bỏ biến quan sát đó ra khỏi nhân tố đánh giá.
Hệ số Cronbach’s Alpha nếu bị loại biến (Cronbach’s Alpha if Item Deleted): nếu giá trị Cronbach’s Alpha If Item Deleted > Cronbach’s Alpha thì biến đó
sẽ bị loại khỏi nhân tố đánh giá.
❖ Phân tích nhân tố khám phá(EFA)
Trong nghiên cứu, người ta thường thu thập được một lượng biến rất lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau. Thay vì đi nghiên cứu 10 đặc điểm nhỏ của một đối tượng, chúng ta có thể chỉ nghiên cứu 2 đặc điểm lớn, trong mỗi đặc điểm lớn này gồm 5 đặc điểm nhỏ có sự tương quan với nhau. Điều này giúp chúng ta hạn chế được thời gian và tiết kiệm kinh phí nhiều hơn. EFA xem xét mối quan hệ
giữa các biến ở tất cả các nhóm khác nhau nhằm phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu.
Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng 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. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.
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. Điều này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. 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 nhân tố.
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 mô hình phân tích.
Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA
là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu
thị mối quan hệ tương quan giữa biến quan sát với nhân tố. 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
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.1 Thống kê mô tả
Kết quả thu được 219 phiếu trong đó có 12 phiếu không hợp lệ nên số phiếu cuối cùng dùng để phân tích là 207 phiếu.