CHƢƠNG 2 CƠ SỞ KHOA HỌC VÀ THỰC TRẠNG
3.4. Nghiên cứu định lƣợng
3.4.1. Quy trình nghiên cứu định lƣợng
Nghiên cứu định lƣợng đƣợc thực hiện qua các giai đoạn: thiết kế mẫu nghiên cứu, tiến hành thu thập dữ liệu nghiên cứu thông qua việc khảo sát các khách hàng, phân tích dữ liệu bằng phần mềm xử lý SPSS 16.0 nhằm khẳng định các yếu tố cũng nhƣ các giá trị và độ tin cậy của các thang đo các nhân tố tác động đến sự hài
lòng của khách hàng khi sử dụng dịch vụ TTQT của Sacombank, kiểm định mơ hình nghiên cứu và các giả thuyết nghiên cứu, phân tích sự tác động của các nhân tố đến sự hài lòng của khách hàng, thực hiện các kiểm định.
3.4.2. Thiết kế mẫu nghiên cứu
Mẫu nghiên cứu đƣợc chọn theo phƣơng pháp lấy thuận tiện, phi xác suất. Mẫu nghiên cứu đƣợc tác giả chọn là các khách hàng đang sử dụng dịch vụ chuyển tiền thanh tốn hàng hố nhập khẩu tại Sacombank. Về kích cỡ mẫu nghiên cứu, có rất nhiều quan điểm về việc lựa chọn kích cỡ mẫu. Nhìn chung, các nhà nghiên cứu đa số cho rằng kích cỡ mẫu phụ thuộc vào phƣơng pháp nghiên cứu (Nguyễn Đình Thọ, 2011), cụ thể:
Đối với phân tích hồi quy bội: theo Harris (1985) thì kích thƣớc mẫu phục vụ cho phân tích hồi quy bội theo cơng thức: n ≥ 104 + m (với m là số lƣợng biến độc lập và phụ thuộc), hoặc n ≥ 50 + m , nếu m < 5.
Khi sử dụng phƣơng pháp phân tích nhân tố (EFA), Hair và các cộng sự (1998) cho rằng kích thƣớc mẫu tối thiểu phải là 50, tốt hơn là 100 và tỉ lệ số quan sát/biến đo lƣờng là 5/1, nghĩa là cứ mỗi biến đo lƣờng cần tối thiểu 5 quan sát.
Nghiên cứu này sử dụng phƣơng pháp phân tích nhân tố khám phá (EFA), phân tích hồi quy bội và kiểm định sự khách nhau đối với từng đối tƣợng khách hàng của các công ty bảo hiểm. Đối với phƣơng pháp phân tích hồi quy bội, tác giả có 7 biến độc lập và 1 biến phụ thuộc, do đo kích cỡ mẫu theo nhƣ Harris (1985) là 111. Đối với phân tích nhân tố khám phá EFA, kích cỡ mẫu theo nhƣ Hair và các cộng sự (1998) là 165 cho 33 biến quan sát (mỗi biến quan sát cần tối thiểu 5 mẫu). Do trong nghiên cứu có sử dụng nhiều phƣơng pháp, do đó kích thƣớc mẫu lớn hơn sẽ đƣợc chọn (Nguyễn Đình Thọ, 2011). Nhƣ vậy kích thƣớc mẫu tối thiểu là 165.
3.4.3. Phƣơng pháp thu thập dữ liệu
Dữ liệu khảo sát đƣợc thực hiện thơng qua 3 hình thức chủ yếu sau:
Cách 1: Thƣ điện tử trực tiếp, 50 bảng câu hỏi đã đƣợc gửi qua thƣ điện tử trực tiếp đến cho các đối tƣợng khảo sát, chủ yếu là hệ khách hàng ở khu vực Hà Nội.
Cách 3: Thực hiện phát phiếu khảo sát trực tiếp cho khách hàng giao dịch tại các chi nhánh của Sacombank.
3.4.4. Phƣơng pháp phân tích xử lý dữ liệu
3.4.4.1. Phân tích thống kê mơ tả mẫu nghiên cứu
Phân tích thống kê mơ tả dùng để mơ tả các thuộc tính của mẫu nhƣ loại hình doanh nghiệp, loại hình kinh doanh, ngành nghề hoạt động, sự hài lòng với các dịch vụ khác, thời gian sử dụng dịch vụ chuyển tiền thanh toán hàng hoá nhập khẩu của Sacombank…
3.4.4.2. Phân tích độ tin cậy Cronbach’s Alpha
Mục đích của phân tích hệ số Cronbach’s Alpha là để kiểm tra độ tin cậy của các biến, loại bỏ các biến không phù hợp và hạn chế biến rác trong quá trình nghiên cứu. Các biến quan sát đƣợc chấp nhận khi có hệ số tƣơng quan biến tổng (Correct Item-Total Correlation) lớn hơn 0,3 và hệ số Cronbach’s Alpha lớn hơn 0,6.
3.4.4.3. Phân tích nhân tố khám phá EFA
Sau kết quả phân tích Cronbach’s Alpha loại bỏ các biến khơng đảm bảo độ tin cậy, phân tích nhân tố đƣợc sử dụng để thu nhỏ và gom các biến lại, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt của các nhân tố. Khi phân tích nhân tố cần lƣu ý những điểm sau:
- Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số xem xét sự thích hợp của phân tích nhân tố. Trị số KMO từ 0.5 đến 1 là điều kiện đủ để phân tích nhân tố thích hợp. (Hồng Trọng và Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, 2008, trang 31).
- Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét giả thuyết về độ tƣơng quan giữa các biến quan sát bằng 0 trong tổng thể, nếu kiểm định này có ý nghĩa thống kê, sig =<0,05 thì các biến quan sát có tƣơng quan với nhau trong tổng thể (Hồng Trọng và Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, 2008).
- Hệ số tải nhân tố (Factor Loading) là hệ số tƣơng quan đơn giữa các biến và các nhân tố. Hệ số này càng lớn >=0,5 cho biết các biến và nhân tố càng có mối
quan hệ chặt chẽ với nhau, biến quan sát có hệ số tải nhân tố < 0.5 sẽ bị loại (Hair & cộng sự, 1998).
- Trong phân tích nhân tố dùng phƣơng pháp Principal Component Analysis với phép xoay Varimax và điểm dừng khi trích các yếu tố có trị số Eigenvalue có giá trị lớn hơn 1. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với SPSS, 2008, trang 34)
- Thang đo đƣợc chấp nhận khi tổng phƣơng sai trích >= 50%
3.4.4.4. Phân tích hồi quy tuyến tính bội
Trƣớc tiên, dùng hệ số tƣơng quan Pearson trong ma trận hệ số tƣơng quan để xem xét mối tƣơng quan tuyến tính giữa biến độc lập và biến phụ thuộc và giữa các biến độc lập với nhau. Sau khi xác định đƣợc giữa các biến độc lập và biến phụ thuộc có tƣơng quan tuyến tính, ngƣời viết cụ thể mối quan hệ nhân quả này bằng mơ hình hồi quy tuyến tính bội.
- Đánh giá độ phù hợp của mơ hình hồi quy tuyến tính bội bằng hệ số R2 (R Square) và hệ số R2 điều chỉnh (Adjusted R Square)
- Sử dụng kiểm định F để xem xét mức độ phù hợp của mơ hình hồi quy tổng thể, sử dụng kiểm định T để kiểm định ý nghĩa của hệ số hồi quy.
- Đo lƣờng mức độ đa cộng tuyến của mơ hình thơng qua phân tích hệ số phóng đại phƣơng saiVIF (Variance Inflation Factor), VIF < 10
- Đánh giá mức độ tác động mạnh hay yếu giữa các biến thông qua hệ số Beta. Mức ý nghĩa đƣợc xác lập cho các kiểm định và phân tích là 5% (độ tin cậy 95%)
Tóm tắt chƣơng 3:
Từ mơ hình lý thuyết ở chƣơng 1, tác giả đã đề xuất mơ hình nghiên cứu phù hợp dựa trên thực tiễn nghiên cứu và công tác tại đơn vị. Đồng thời thực hiện các nghiên cứu định tính nhằm xây dựng, phát triển và hiệu chỉnh thang đo cho phù hợp làm tiền để thực hiện nghiên cứu định lƣợng ở chƣơng tiếp theo.