Để đánh giá giá trị của thang đo, tác giả sử dụng phân tích nhân tố EFA. Theo một số quan điểm về điều kiện để có thể sử dụng được phân tích nhân tố, thông thường phải đáp ứng được những điều kiện sau đây:
Hệ số KMO (Kaiser-Mayer-Olkin): là một chỉ số đánh giá sự thích hợp của phân tích nhân tố. Phân tích nhân tố EFA thích hợp khi 0.5 ≤ KMO ≤ 1. Nếu chỉ số này nhỏ hơn 0.5 thì phân tích nhân tố khơng phù hợp với tập dữ liệu đang khảo sát (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kiểm định Bartlett: dùng để kiểm định ma trận tương quan có phải là ma trận đơn vị I (là ma trận có các thành phần bằng khơng và đường chéo bằng 1). Nếu kiểm định này có mức ý nghĩa Sig < 0.05, ta bác bỏ giả thuyết ma trận tương quan là ma trận đơn vị, nghĩa là các biến có quan hệ với nhau. Như vậy, để sử dụng được phân tích nhân tố, mức ý nghĩa Sig của kiểm định Bartlett phải < 0.05 (Nguyễn Đình Thọ, 2012).
Khi kiểm định hệ số KMO và Bartlett đạt yêu cầu, bước tiếp theo để đánh giá phân tích nhân tố EFA, cần tiếp các điều kiện sau:
Hệ số tải nhân tố (Factor loading): là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố EFA. Theo Hair & cộng sự (1998), hệ số tải nhân tố > 0.3 được xem là đạt được mức tối thiểu, > 0.4 được xem là quan trọng, > 0.5 được xem là có ý nghĩa thực tiễn. Nếu cỡ mẫu là 50 thì hệ số tải nhân tố phải > 0.75, nếu cỡ mẫu khoảng 100 thì hệ số tải nhân tố phải > 0.55. Như vậy, nghiên cứu này dùng 332 mẫu, thì hệ số tải nhân tố > 0.55 là có ý nghĩa thực tiễn. Ngồi ra, theo Jabnoun & Al-Tamimi (2003) thì sự khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải đảm bảo ≥ 0.3 để tạo giá trị phân biệt giữa các nhân tố.
Thông số Eigenvalue: là một tiêu chí sử dụng phổ biến trong xác định số lượng nhân tố trong phân tích nhân tố. Với tiêu chí này số lượng nhân tố được xác định ở nhân tố có Eigenvalue ≥ 1 (Nguyễn Đình Thọ, 2012).
Thông số phần trăm phương sai trích (Variance Explained Criteria): mơ hình EFA phù hợp khi tổng phương sai trích phải đạt tối thiểu từ 50% trở lên.
4.3.2.1. Phân tích nhân tố cho biến phụ thuộc
Kết quả phân tích EFA của biến phụ thuộc theo bảng 4.2 và 4.3 cho thấy: Hệ số KMO = 0.782, đạt được điều kiện > 0.5 nên phân tích nhân tố là phù hợp với tập dữ liệu khảo sát.
Mức ý nghĩa của kiểm định Bartlett Sig = 0.00, đạt được điều kiện < 0.05. Hệ số tải nhân tố của tất cả các biến quan sát đều đạt được điều kiện > 0.55. Tổng phương sai trích = 67.917%, đạt được điều kiện > 50%. Chỉ số Eigenvalue của biến phụ thuộc là 2.717>1 (xem thêm tại phụ lục 9).
Bảng 4.2: Kết quả điểm định KMO và Bartlett cho biến phụ thuộc
Hệ số KMO .782
Kiểm định Bartlett
Chi bình phương 566.510
Bậc tự do 6
Hệ số Sig. .000
(Nguồn: từ kết quả xử lý dữ liệu điều tra của tác giả)
Bảng 4.3: Kết quả hệ số tải nhân tố của biến phụ thuộc
Nhân tố 1 GTCN1 .832 GTCN2 .744 GTCN3 .902 GTCN4 .811
(Nguồn: từ kết quả xử lý dữ liệu điều tra của tác giả)
4.3.2.2. Phân tích nhân tố cho các biến độc lập
Bảng 4.4: Kết quả kiểm định KMO và Bartlett
Hệ số KMO .848
Kiểm định Bartlett
Chi bình phương 3575.405
Bậc tự do 253
Hệ số Sig. .000
Bảng 4.5: Kết quả hệ số tải nhân tố của biến độc lập Nhân tố Nhân tố 1 2 3 4 5 CL1 .673 CL2 .652 CL3 .750 CL4 .749 CL5 .623 HT1 .786 HT2 .908 HT3 .895 DT1 .784 DT2 .733 DT3 .598 DT4 .738 DT5 .830 GC1 .796 GC3 .813 GC4 .809 HV1 .826 HV2 .922 HV3 .881 PU1 .670 PU2 .691 PU3 .606 PU4 .746
(Nguồn: từ kết quả xử lý dữ liệu điều tra của tác giả)
Dựa vào bảng 4.4 và 4.5 về kết quả kiểm định hệ số KMO, kiểm định Bartlett, kết quả hệ số tải nhân tố của biến độc lập và bảng phân tích nhân tố EFA (xem thêm phụ lục 9) cho thấy 23 biến quan sát được rút trích thành 5 tố, trong đó:
Hệ số KMO = 0.848, đạt được điều kiện > 0.5 nên phân tích nhân tố là phù hợp với tập dữ liệu khảo sát.
Mức ý nghĩa của kiểm định Bartlett Sig = 0.00, đạt được điều kiện < 0.05, nghĩa là giả thuyết về ma trận tương quan là ma trận đơn vị bị bác bỏ, tức là các biến có mối quan hệ với nhau.
Hệ số tải nhân tố của tất cả các biến quan sát đều đạt được điều kiện > 0.55. Ngoài ra, một số biến quan sát được phân tán trên nhiều nhân tố như CL1, CL5, DT1, DT2, DT3, DT4, PU1, PU2, PU4. Tuy nhiên, các biến quan sát này vẫn đảm bảo sự khác biệt hệ số tải nhân tố giữa các nhân tố với nhau > 0.3. Như vậy, các biến quan sát này vẫn tiếp tục được giữ lại cho phần phân tích tiếp theo.
Tổng phương sai trích = 63.458%, đạt được điều kiện > 50% nên mơ hình EFA là phù hợp. Với Eigenvalue > 1, có 5 nhân tố trích được.
4.3.2.3. Đánh giá độ tin cậy Cronbach Alpha sau khi phân tích EFA
Sau khi phân tích nhân tố EFA cho thấy, cần phải đánh giá lại độ tin cậy của thang đo nhân tố 1.
Bảng 4.6: Kết quả phân tích hệ số Cronbach Alpha
Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Tương quan biến tổng
Cronbach Alpha nếu loại biến Thang đo chất lượng cảm nhận và danh tiếng. Cronbach Alpha: 0.903
CL1 34.38 23.275 .619 .896 CL2 34.20 23.946 .549 .900 CL3 34.34 22.967 .695 .891 CL4 34.32 23.214 .671 .892 CL5 34.39 22.674 .560 .902 DT1 34.50 22.523 .776 .886 DT2 34.18 22.982 .683 .892 DT3 34.18 24.253 .582 .898 DT4 34.29 23.535 .706 .891 DT5 34.53 22.178 .779 .885
Kết quả đánh giá độ tin cậy thang đo nhân tố 1 dựa vào bảng 4.6 (xem thêm tại phụ lục 10) cho thấy hệ số Cronbach Alpha = 0.903 đạt yêu cầu và hệ số tương quan biến tổng của tất cả các biến quan sát cũng đều đạt yêu cầu > 0.3. Như vậy, thang đo đo lường nhân tố 1 đạt được độ tin cậy.
4.4. Hiệu chỉnh lại mơ hình và giả thuyết
Xem xét ý nghĩa của các biến được rút trích nhân tố:
Nhân tố thứ nhất: toàn bộ biến quan sát của khái niệm chất lượng cảm nhận và danh tiếng đều được gom về nhân tố này. Xem xét lại đặc điểm trong lĩnh vực kinh doanh dịch vụ IDC có thể thấy rằng, chất lượng và danh tiếng có sự tương đồng với nhau. Một nhà cung cấp dịch vụ cung cấp với chất lượng dịch vụ tốt, đồng nghĩa với việc nhà cung cấp đó cũng có danh tiếng tốt và ngược lại. Vì vậy, nhân tố này được đặt tên lại là Chất lượng và danh tiếng, gọi tắt là F1. Nhân số của F1 sẽ được tính bằng cách lấy trung bình cộng của các biến quan sát đo lường 2 khái niệm chất lượng cảm nhận và danh tiếng.
Nhân tố thứ 2: là nhân tố được rút trích từ các biến quan sát của khái niệm giá cả hành vi. Nhân tố này cũng sẽ được đặt tên là Giá cả hành vi, gọi tắt là F2. Cách tính nhân số của F2 sẽ được tính bằng cách lấy trung bình cộng của các biến quan sát đo lường khái niệm giá cả hành vi.
Nhân tố thứ 3: là nhân tố được rút trích từ các biến quan sát của khái niệm chất lượng hỗ trợ. Nhân tố này cũng sẽ được đặt tên là chất lượng hỗ trợ, gọi tắt là F3. Cách tính nhân số của F3 sẽ được tính bằng cách lấy trung bình cộng của các biến quan sát đo lường khái niệm chất lượng hỗ trợ.
Nhân tố thứ 4 là nhân tố được rút trích từ các biến quan sát của khái niệm phản ứng cảm xúc. Nhân tố này cũng sẽ được đặt tên là phản ứng cảm xúc, gọi tắt là F4. Cách tính nhân số của F4 sẽ được tính bằng cách lấy trung bình cộng của các biến quan sát đo lường khái niệm phản ứng cảm xúc.
Nhân tố thứ 5: là nhân tố được rút trích từ các biến quan sát của khái niệm giá cả mang tính tiền tệ. Nhân tố này cũng sẽ được đặt tên là giá cả mang tính tiền tệ,
gọi tắt là F5. Cách tính nhân số của F5 sẽ được tính bằng cách lấy trung bình cộng của các biến quan sát đo lường khái niệm giá cả mang tính tiền tệ.
Như vậy, mơ hình được hiệu chỉnh lần 2 như sau:
Hình 4.1: Mơ hình giá trị cảm nhận khách hàng trong lĩnh vực IDC
(Nguồn: tác giả đề xuất)
Các giả thuyết đặt lại theo mơ hình hiệu chỉnh lần 2 như sau:
Giả thuyết H1: “Nếu chất lượng cảm nhận và danh tiếng về dịch vụ IDC tăng
hay giảm thì giá trị cảm nhận khách hàng cũng tăng hay giảm theo”.
Giả thuyết H2: “Nếu giá cả hành vi được khách hàng cảm nhận về dịch vụ IDC tăng hay giảm thì giá trị cảm nhận khách hàng cũng tăng hay giảm theo”.
Giả thuyết H3: “Nếu chất lượng hỗ trợ về dịch vụ IDC tăng hay giảm thì giá
trị cảm nhận khách hàng cũng tăng hay giảm theo”.
Giả thuyết H4: “Nếu phản ứng cảm xúc của khách hàng về dịch vụ IDC tăng
hay giảm thì giá trị cảm nhận khách hàng cũng tăng hay giảm theo”.
Giả thuyết H5: “Nếu giá cả mang tính tiền tệ được khách hàng cảm nhận về dịch vụ IDC tăng hay giảm thì giá trị cảm nhận khách hàng cũng tăng hay giảm theo”.
4.5. Kiểm định mơ hình và giả thuyết 4.5.1. Phân tích tương quan 4.5.1. Phân tích tương quan
Chất lượng cảm nhận và danh tiếng
Giá cả mang tính tiền tệ Phản ứng cảm xúc Giá trị cảm nhận khách hàng Giá cả hành vi H1 H2 H3 H4 Chất lượng hỗ trợ H5
Trước khi tiến hành phân tích hồi quy bội, việc phân tích tương quan cần được thực hiện trước để xem xét mối tương quan tuyến tính giữa các biến với nhau.
Bảng 4.7: Kết quả phân tích hệ số tương quan
F1 F2 F3 F4 F5 CPV F1 Chất lượng và danh tiếng Pearson 1 -.150** .113* .490** .202** .677** Sig. (2-tailed) .006 .039 .000 .000 .000 N 332 332 332 332 332 332 F2 Giá cả hành vi Pearson Correlation -.150** 1 .028 .052 .121* -.013 Sig. (2-tailed) .006 .615 .341 .028 .814 N 332 332 332 332 332 332 F3 Chất lượng hỗ trợ Pearson Correlation .113* .028 1 .081 .051 .169** Sig. (2-tailed) .039 .615 .143 .351 .002 N 332 332 332 332 332 332 F4 Phản ứng cảm xúc Pearson Correlation .490** .052 .081 1 .222** .497** Sig. (2-tailed) .000 .341 .143 .000 .000 N 332 332 332 332 332 332 F5 Giá cả tiền tệ Pearson Correlation .202** .121* .051 .222** 1 .528** Sig. (2-tailed) .000 .028 .351 .000 .000 N 332 332 332 332 332 332 CPV Giá trị cảm nhận Pearson Correlation .677** -.013 .169** .497** .528** 1 Sig. (2-tailed) .000 .814 .002 .000 .000 N 332 332 332 332 332 332
(Nguồn: từ kết quả xử lý dữ liệu điều tra của tác giả)
Dựa vào bảng 4.7 kết quả phân tích hệ số tương quan cho thấy mối tương quan giữa các biến với nhau.
Xem xét về mối tương quan giữa biến độc lập giá cả hành vi và biến phụ thuộc giá trị cảm nhận khách hàng có mức ý nghĩa Sig > 0.05. Như vậy, giả thuyết 2 biến này khơng có tương quan với nhau được chấp nhận. Do đó, biến độc lập giá cả hành vi sẽ khơng được đưa vào phân tích hồi quy để giải thích biến phụ thuộc. Các biến
độc lập cịn lại so với biến phụ thuộc, đều có mức ý nghĩa Sig < 0.05, nghĩa là các biến độc lập còn lại có quan hệ với biến phụ thuộc và các biến độc lập cịn lại này sẽ được phân tích trong mơ hình hồi quy.
4.5.2. Phân tích hồi quy bội
4.5.2.1. Kết quả phân tích hồi quy bội
Để nghiên cứu mối liên hệ phụ thuộc giữa biến phụ thuộc và các biến độc lập, phân tích hồi qui là phương pháp được sử dụng rộng rãi và phổ biến. Để đánh giá mức độ phù hợp mơ hình đối với mơ hình hồi quy bội MLR, cần:
Dựa vào hệ số xác định R2: phản ánh phần biến thiên của biến phụ thuộc được giải thích bởi biến độc lập (Nguyễn Đình Thọ, 2012).
Kiểm định F trong ANOVA: để kiểm tra tính phù hợp của mơ hình. Nếu mức ý nghĩa của kiểm định < 0.05 thì có thể kết luận mơ hình hồi quy phù hợp.
Bảng 4.8: Kết quả hồi quy của mơ hình
Model R R2 R2 hiệu chỉnh Sai số ước lượng Hệ số Durbin- Watson
1 .801a .642 .637 .32771 1.649
(Nguồn: từ kết quả xử lý dữ liệu điều tra của tác giả)
Dựa vào kết quả hồi quy trong bảng 4.8, cho thấy hệ số R2 là 0.642, tức là 64.2% độ biến thiên của biến phụ thuộc giá trị cảm nhận khách hàng được giải thích bởi các biến độc lập.
Hệ số Durbin – Watson = 1.649, đạt yêu cầu cho phép 1 < Di < 3
Kiểm định F sử dụng trong bảng 4.9 phân tích phương sai Anova với mức ý nghĩa Sig = 0.00. Như vậy, mơ hình hồi quy là phù hợp.
Bảng 4.9: Bảng phân tích Anova
Model Sum of Squares df Mean Square F Sig.
1
Regression 62.878 4 15.719 146.369 .000b
Residual 35.118 327 .107
Total 97.996 331
Bảng 4.10: Bảng kết quả các hệ số hồi quy
Model
Hệ số chưa chuẩn hóa
Hệ số đã
chuẩn hóa t Sig.
Thống kê đa cộng tuyến
B Std. Error Beta Dung sai VIF
1 (Constant) -.734 .211 -3.484 .001 F1 .527 .039 .515 13.442 .000 .746 1.341 F3 .074 .031 .079 2.363 .019 .986 1.014 F4 .177 .044 .153 3.990 .000 .744 1.344 F5 .439 .039 .385 11.279 .000 .939 1.065
(Nguồn: từ kết quả xử lý dữ liệu điều tra của tác giả)
Hệ số phóng đại phương sai VIF trong bảng 4.10 nằm trong khoảng chấp nhận được 1 < VIF < 10. Như vậy, cho thấy không xảy ra hiện tượng đa cộng tuyến, chứng tỏ rằng các biến độc lập khơng có tương quan hồn tồn với nhau.
Bốn biến độc lập trong mơ hình F1 (Chất lượng và danh tiếng), F2 (chất lượng hỗ trợ), F4 (phản ứng cảm xúc), F5 (giá cả tiền tệ) đều có quan hệ cùng chiều với biến phụ thuộc Y (giá trị cảm nhận khách hàng) vì hệ số Beta của bốn biến này là dương và đều có ý nghĩa thống kê (mức ý nghĩa Sig < 0.05). Nghĩa là khi gia tăng mức độ của biến độc lập bất kỳ thì sẽ làm gia tăng giá trị cảm nhận khách hàng. Như vậy, mơ hình hiệu chỉnh lần 2 phù hợp với các giả thuyết:
Giả thuyết H1: “Nếu chất lượng cảm nhận và danh tiếng về dịch vụ IDC
tăng hay giảm thì giá trị cảm nhận khách hàng cũng tăng hay giảm theo” không bị
bác bỏ với mức ý nghĩa Sig = 0.00.
Giả thuyết H3: “Nếu chất lượng hỗ trợ về dịch vụ IDC tăng hay giảm thì
giá trị cảm nhận khách hàng cũng tăng hay giảm theo” không bị bác bỏ với mức ý
nghĩa Sig = 0.019.
Giả thuyết H4: “Nếu phản ứng cảm xúc của khách hàng về dịch vụ IDC tăng hay giảm thì giá trị cảm nhận khách hàng cũng tăng hay giảm theo” không bị
Giả thuyết H5: “Nếu giá cả mang tính tiền tệ cảm nhận về dịch vụ IDC tăng hay giảm thì giá trị cảm nhận khách hàng cũng tăng hay giảm theo” không bị
bác bỏ với mức ý nghĩa Sig = 0.00.
Phương trình hồi quy tuyến tính của mơ hình có dạng
CPV = 0.515F1 + 0.079F3 + 0.153F4 + 0.385F5 4.5.2.2. Dị tìm sự vi phạm trong hồi quy tuyến tính
Từ hình 4.2 cho thấy biểu đồ có đường cong phân phối chuẩn (giá trị trung bình Mean= -7.80E-16 gần tiến về 0, độ lệch chuẩn Std.Dev = 0.994 gần bằng 1).
Từ hình 4.3 cho thấy biểu đồ điểm quan sát gần như hình thành nên đường thẳng.
Từ hình 4.4 cho thấy biểu đồ phân tán của giá trị dự đốn chuẩn hóa (Standardized Predicted Value) và phần dư chuẩn hóa (Standardized Residual) phân tán ngẫu nhiên, khơng hình thành nên đường cong nào.
Như vậy phương trình hồi quy đạt yêu cầu.
Hình 4.2: Biểu đồ phần dư
Hình 4.3: Biểu đồ Q-Q Plot
(Nguồn: từ kết quả xử lý dữ liệu điều tra của tác giả)
.
Hình 4.4: Biểu đồ phân tán
4.5.2.3. Xem xét mối quan hệ ý nghĩa của từng biến
Với kết quả phương trình hồi quy trên cho thấy:
Hệ số beta của F1 = 0.515, điều này có nghĩa biến F1 tức chất lượng cảm nhận và danh tiếng có tác động lớn nhất đến giá trị cảm nhận khách hàng. Như vậy,