CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Nghiên cứu định lượng
3.4.1. Thiết kế mẫu
Theo Hair, Anderson, Tatham và Black (1998) thì kích thước mẫu sẽ được xác định bằng cơng thức n = 5 x m (trong đó m là số câu hỏi chính). Trong bài nghiên cứu này, tác giả sử dụng 46 biến quan sát cho 13 biến độc lập do đó số quan sát mẫu cần là 5 x 46 = 230 quan sát.
Theo Tabachnick và Fidell (1996) thì ứng với số biến độc lập trong mơ hình là 13 biến, thì dung lượng mẫu cần là: n = 50 + 8 x m (trong đó m là số biến độc lập trong mơ hình), vậy số quan sát mẫu cần là 50 + 8 x 13 = 154 quan sát.
Dựa trên các phân tích ở trên, tác giả dự kiến sẽ lấy mẫu nghiên cứu là 230 mẫu cho 46 biến quan sát. Số lượng bảng câu hỏi dự kiến gửi đi là 300 bảng.
3.4.2. Phương pháp điều tra chọn mẫu
Tác giả sử dụng phương pháp chọn mẫu phi xác suất với đối tượng nghiên cứu là khách hàng nữ đã từng mua mỹ phẩm trong vòng 12 tháng trước trên các cửa hàng trực tuyến tại TP. HCM. Độ tuổi từ 18 đến 40. Quá trình thu thập dữ liệu được thực hiện bằng hình thức khảo sát trực tiếp bằng bảng câu hỏi được thiết kế trên nền tảng Google Forms và gửi đến các khách hàng nữ để thực hiện bảo khảo sát. Các khách hàng sẽ được đề nghị trả lời bảng khảo sát với phần thưởng là giảm giá 10% cho đơn hàng tiếp theo cho mỗi khách hàng có bảng câu hỏi được trả lời đủ và hợp lệ.
3.4.3. Thiết kế bảng câu hỏi và thang đo
Thang đo Likert 5 mức độ từ "Hồn tồn khơng đồng ý" đến "Hoàn toàn đồng ý" được sử dụng trong bảng câu hỏi. Cấu trúc của bảng câu hỏi được thiết kế như sau:
Phần 1: Giới thiệu về bảng câu hỏi và mục đích nghiên cứu
Phần 2: Các câu hỏi để lọc các đối tượng khảo sát đúng tiêu chí: nữ, từ 18-40
tuổi, ở TP. HCM và đã từng mua mỹ phẩm trực tuyến trong vòng 12 tháng trước
Phần 3: Các câu hỏi về các nhân tố ảnh hưởng đến quyết định mua mỹ phẩm
trực tuyến
Phần 4: Các câu hỏi thu thập thơng tin 3.4.4. Phương pháp phân tích dữ liệu
Nghiên cứu sử dụng hệ số tin cậy Cronbach’s Alpha để kiểm định mức độ tin cậy của thang đo và loại bỏ các biến có hệ số tương quan giữa biến tổng nhỏ, sau đó kiểm định thang đo sơ bộ bằng phân tích nhân tố khám phá (EFA) loại bỏ các biến không đạt yêu cầu. Tiếp theo phương pháp phân tích hồi quy được sử dụng để kiểm định các giả thuyết thống kê trong mơ hình. Cuối cùng tác giả sẽ sử dụng phương pháp phân tích ANOVA để đánh giá sự dị biệt giữa các nhân tố.
3.4.4.1. Đánh giá Cronbach’s Alpha
Mục đích là phân tích mức độ tin cậy của thang đo, tìm ra những biến quan sát cần giữ lại hay loại bỏ. Việc loại bỏ sẽ được tiến hành với các biến quan sát có Hệ số tương quan biến tổng (Corrected Item-Total Correlation) dưới 0.3, và các biến có hệ số từ 0.6 trở lên sẽ được giữ lại. Ngoài ra, nếu hệ số từ 0.8 đến gần 1 thì thang đo lường tốt, từ 0.6 đến 0.8 là sử dụng được. Đồng thời, hệ số Cronbach Alpha nếu loại biến (Cronbach Alpha if Item Deleted) phải nhỏ hơn hệ số Cronbach Alpha của thang đo, nếu lớn hơn ta cũng loại biến.
3.4.4.2. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là phương pháp phân tích thống kê nhằm đánh giá giá trị hội tụ và giá trị phân biệt của thang đo, tiến hành gom các biến thành một nhóm để chúng có ý nghĩa hơn nhưng vẫn giữ được nội dung ban đầu. Phương pháp này rất có ích cho việc xác định tập hợp biến cần thiết cho vấn đề nghiên cứu và tìm mối quan hệ giữa các biến với nhau. Một số tiêu chuẩn thường được quan tâm là:
- Sử dụng phương pháp Principal components với phép Varimax để phân tích các nhóm nhân tố cho thang đo đơn hướng. Thang đo đạt yêu cầu khi tổng phương sai trích được có giá trị lớn hơn hoặc bằng 50%.
- Chỉ số KMO (Kaiser-Meyer-Olkin measure of sampling adequacy): là một chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Nếu trị số của 0.5 <= KMO <= 1 thì đây là điều kiện đủ để phân tích nhân tố là thích hợp.
- Kiểm định Barlett’s: được dùng để kiểm tra sự tương quan giữa các biến. Nếu có ý nghĩa (sig. <0.05) thì ta bác bỏ giả thuyết H0: các biến khơng có tương quan với nhau trong tổng thể.
- Hệ số tải nhân tố (Factor loading): là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số này phải >= 0.5. Nếu biến nào có hệ số < 0.5 thì ta loại biến đó (Hair và cộng sự, 1998).
- Điểm dừng Eigenvalues lớn hơn 1 sẽ cho thấy các nhân tố rút ra có ý nghĩa tóm tắt thơng tin tốt.
- Thang đo được chấp nhận khi tổng phương sai trích yêu cầu >= 50%. - Ngoài ra, để tạo giá trị phân biệt, chênh lệch hệ số tải nhân tố giữa các
nhân tố của một biến quan sát phải >= 0.3.
3.4.4.3. Phân tích hồi quy
- Phân tích tương quan Pearson: được thực hiện để khẳng định mối
quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập. Khi mức ý nghĩa Sig. <0.05, có nghĩa độ tin cậy là 95%, thì kết luận tương quan có ý nghĩa thống kê giữa biến độc lập và biến phụ thuộc.
- Phân tích hồi quy tuyến tính đa biến: được thực hiện để đánh giá
mức độ phù hợp của mơ hình. Mơ hình hồi quy đa biến được dùng để kiểm định và giải thích mối quan hệ nhân quả giữa biến độc lập và biến phụ thuộc. Khi phân tích, ta xem xét các yếu tố sau:
§ Hệ số R2 hiệu chỉnh (Adjusted R Square): đo lường tỉ lệ % sự biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mơ hình.
§ Khi Sig. của kiểm định F < 0.05 thì sẽ cho biết tồn bộ biến độc lập có mối quan hệ với biến phụ thuộc.
§ Hệ số phóng đại phương sai (VIF – Variance Inflation Factor) dùng để đo lường hiện tượng đa cộng tuyến. Nếu VIF của một biến độc lập nào đó >10 thì xảy ra hiện tương đa cộng tuyến, nếu VIF < 2 thì khơng có hiện tượng đa cộng tuyến.
Được dùng để đánh giá sự dị biệt giữa các nhân tố. Mơ hình hồi quy sẽ phù hợp với các dữ kiện thu thập được nếu Sig. <0.05 và các biến đưa ra có ý nghĩa thống kê với mức độ tin cậy là 95%.
TÓM TẮT CHƯƠNG 3
Chương 3 tác giả đã trình bày chi tiết quy trình nghiên cứu, thiết kế thang đo sơ bộ, các bước thực hiện nghiên cứu định tính từ đó điều chỉnh thang đo và nghiên cứu định lượng như thiết kế mẫu, thiết kế bảng câu hỏi và thang đo cũng như các phương pháp được sử dụng trong q trình phân tích dữ liệu.