STT Biến điều chỉnh Ký
hiệu
1. Che khuất nội dung
1.1. Quảng cáo trực tuyến xuất hiện và che khuất đáng
1.2. Quảng cáo thường xuất hiện và lặp lại nhiều lần
trong một thời gian ngắn CK2
1.3. Quảng cáo xuất hiện thường có kích thước lớn
tương đối so với màn hình hiển thị. CK3
2. Cách thức kết thúc quảng cáo
2.1. Khơng có nút đóng (x) để người xem chủ động tắt
quảng cáo DT1
2.2. Quảng cáo xuất hiện và kết thúc khi người xem
chuyển trang DT2
2.3. Quảng cáo xuất hiện và tự kết thúc sau ít nhất 6
giây DT3
3. Sự cuốn hút đối với quảng cáo
3.1. Có liên quan đến nhu cầu tơi đang tìm kiếm CH1
3.2. Sống động và lôi cuốn CH2
3.3. Rất cần thiết vì cung cấp thơng tin hữu ích CH3
4. Cảm nhận bị làm phiền
4.1. Phiền phức (interfering) XP1
4.2. Xâm chiếm (invasive) XP2
4.3. Ép buộc (forced) XP3
4.4. Nhiễu loạn (disturbing) XP4
4.5. Bị làm phiền (intrusive) XP5
4.6. Mất tập trung (distracting) XP6
4.7. Khó chịu (obtrusive) XP7
5. Sự khó chịu
5.1. Tồi tệ (terrible) KC1
5.3. Lố bịch, vô lý ((ridiculous) KC3
5.4. Ngớ ngẩn (stupid) KC4
5.5. Phát cáu (irritating KC5
6. Sự né tránh quảng cáo
6.1. Hầu như khơng xem gì NT1
6.2. Đóng quảng cáo trước khi kết thúc NT2
6.3. Kéo nó sang một bên và khơng để ý đến nó NT3
6.4. Sử dụng phần mềm chặn quảng cáo NT4
7. Thái độ đối với trang web
7.1. Tồi tệ TD1
7.2. Thất vọng TD2
7.3. Chán ngắt TD3
7.4. Khó khăn để tiếp tục xem TD4
3.3. Thiết kế bƣớc nghiên cứu định lƣợng
Nghiên cứu chính thức được thực hiện qua các giai đoạn: thiết kế mẫu nghiên cứu; thu thập thông tin qua bảng câu hỏi được phát đến đối tượng khảo sát bằng cả hai hình thức: trả lời trực tiếp trên giấy và qua google docs; phân tích dữ liệu bằng phần mềm xử lý SPSS 18.0 và Amos 20 thông qua các bước kiểm định hệ số tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá EFA, phân tích nhân tố khẳng định CFA và kiểm định mơ hình nghiên cứu.
3.3.1. Thiết kế mẫu
Phương pháp phân tích dữ liệu được sử dụng cho nghiên cứu này là phân tích nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA) và phân tích mơ hình cấu trúc tuyến tính (SEM).Các nhà nghiên cứu trong lĩnh vực này đều đồng ý là phương pháp này địi hỏi phải có kích thước mẫu lớn vì nó dựa vào lý thuyết phân phối mẫu
lớn(Raykov & Widaman, 1995). Tuy nhiên, kích thước mẫu bao nhiêu được gọi là lớn thì hiện nay chưa được xác định rõ ràng. Hơn nữa kích thước mẫu cịn tùy thuộc vào phương pháp ước lượng sử dụng (ví dụ, ML, GLS hay ADF).
Trong phân tích nhân tố khám phá EFA, kích thước mẫu thường được xác định dựa vào hai yếu tố là (1) kích thước tối thiểu và (2) số lượng biến đo lường đưa vào phân tích. Hair và cộng sự (2006) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, và tốt hơn là 100 và tỉ lệ quan sát (observations)/ biến đo lường (items) là 5:1, nghĩa là 1 biến đo lường cần tổi thiểu là 5 quan sát (đề tài với 29 biến đo lường như vậy để tiến hành EFA, cỡ mẫu ít nhất của đề tài là 29x5 = 145).
Nếu sử dụng phương pháp ước lượng ML (Maximum Likelihood) thì kích thước mẫu tối thiểu phải từ 100 đến 150(Hair, Anderson, Tatham, & William, 1998). Để đạt được 145 mẫu đề ra, 160 bảng câu hỏi được phỏng vấn.
3.3.2. Phƣơng pháp điều tra chọn mẫu
Nghiên cứu chính thức được thực hiện thơng qua hai hình thức: (1) phát bảng câu hỏi trực tiếp đến các đối tượng tham gia khảo sát theo phương pháp lấy mẫu thuận tiện, với số lượng phát đi là 80 bảng; (2) 80 bảng còn lại được thực hiện trênGoogle Docs và gửiđường dẫn đến từng người thơng qua email.
3.3.3. Phƣơng pháp phân tích định lƣợng và kiểm định kết quả nghiên cứu
Dữ liệu được xử lý bằng phần mềm SPSS 18.0 và Amos 20; sau khi được mã hóa và làm sạch, số liệu sẽ qua các phân tích sau: thống kê mơ tả, đánh giá độ tin cậy của các
thang đo (Cronbach’s Alpha), phân tích nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA) và phân tích mơ hình cấu trúc tuyến tính (SEM).
Phân tích độ tin cậy (Cronbach’s Alpha): nhằm kiểm định độ tin cậy của thang đo để
loại các biến không phù hợp. Các biến có hệ số tương quan biến tổng (Item – correlation) nhỏ hơn 0,3 sẽ bị loại. Theo nhiều nhà nghiên cứu, Cronbach’s Alpha từ 0,8 trở lên là thang đo lường tốt. Tuy nhiên, Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005) bổ sung rằng trong trường hợp khái niệm đang nghiên cứu là mới hoặc là mới đối với người trả lời trong bối cảnh nghiên cứu thì có thể chấp nhận được Cronbach’s Alpha từ 0,6 trở lên.
Phân tích nhân tố khám phá (EFA): là một phương pháp phân tích thống kê dùng để
rút gọn một tập gồm nhiều biến quan sát (k biến) thành một nhóm (K biến, K<k) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của biến ban đầu.Tác giả sử dụng phép trích hệ số Principle Axis Factoring với phép xoay khơng vng góc Promax. Sau đó, tiến hành xem xét các chỉ số sau:
Hệ số tải nhân tố (Factor loading) là chỉ số thể hiện sự tương quan giữa các biến và nhân tố, hệ số này cho biết sự liên hệ chặt chẽ giữa các biến với nhau. Hệ số này phải thỏa điều kiện lớn hơn 0.5 với số mẫu 150 (Nguyễn Đình Thọ, 2011).
Hệ số KMO (Kaiser-Mayer-Olkin) thỏa điều kiện 0, 5≤ KMO ≤ 1 để đảm bảo phân tích nhân tố thích hợp với dữ liệu nghiên cứu.
Kiểm định Barlett xem xét giả thuyết H0 là “tương quan giữa các biến quan sát
bằng không trong tổng thể”. Nếu kiểm định này có ý nghĩa thống kê (sig<0, 05)
thì bác bỏ giả thuyết H0, tức là các biến quan sát có tương quan với nhau. Điều này chứng tỏ dữ liệu thích hợp để phân tích nhân tố(Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Điểm dừng khi trích các nhân tố có hệ số Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) phải lớn hơn 1 để chứng tỏ nhân tố rút ra có ý nghĩa tóm tắt thơng tin tốt (Gerbing & Anderson, 1988).
Thang đo được chấp nhận với tổng phương sai trích bằng hoặc lớn hơn 50% (Nunnally & Berstein, 1994).
Ngoài ra khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố lớn hơn hoặc bằng 0,3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun & Al‐Tamimi, 2003).
Phân tích nhân tố khẳng định (CFA): là một trong các kỹ thuật thống kê của mơ
hình cấu trúc tuyến tính (SEM), CFA cho chúng ta kiểm định các biến quan sát (measured variables) đại diện cho các nhân tố (constructs) tốt đến mức nào. CFA là bước tiếp theo của EFA vì CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc tiềm ẩn cơ sở, trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. Phương pháp CFA được sử dụng để khẳng định lại tính đơn biến, đa biến, giá trị hội tụ và phân biệt của bộ thang đo trong đề tài nghiên cứu về yếu tố ảnh hưởng và hệ quả của cảm nhận bị làm phiền đối với quảng cáo trực tuyến của người tiêu dùng tại thành phố Hồ Chí Minh. Để đo lường mức độ phù hợp của mơ hình với thơng tin thị trường, nghiên cứu này sử dụng chỉ tiêu Chi – bình phương . Một mơ hình phù hợp với dữ liệu thị trường khi phép kiểm định Chi – bình phương có giá trị p >5%. Tuy nhiên vì Chi – bình phương có nhược điểm là nó phụ thuộc vào kích thước mẫu vì vậy một số chỉ tiêu tương thích khác sẽ được sử dụng để so sánh.
+) Tỷ số Chi-Square/bậc tự do: χ2 / df:Được dùng để đo mức độ phù hợp một cách chi
tiết hơn của cả mơ hình. Một số tác giả đề nghị 1 <χ2/df < 3 (Hair, Anderson, Tatham, & William, 1998); một số khác đề nghị χ2 càng nhỏ càng tốt (Segar & Grover, 1993). Ngoài ra, trong một số nghiên cứu thực tế người ta phân biệt ra 2 trường hợp: χ2/df < 5
(với mẫu N > 200) hay < 3 (khi cỡ mẫu N < 200) thì mơ hình được xem là phù hợp tốt (Kettinger & Lee, 1995).
+) Các chỉ số liên quan khác
GFI, AGFI, CFI, NFI, … có giá trị > 0,9 được xem là mơ hình phù hợp tốt. Nếu các
giá trị này bằng 1, ta nói mơ hình là hồn hảo (Segar & Grover, 1993). Trong đó GFI: đo độ phù hợp tuyệt đối (không điều chỉnh bậc tự do) của mơ hình cấu trúc và mơ hình đo lường với bộ dữ liệu khảo sát; AGFI: điều chỉnh giá trị GFI theo bậc tự do trong mơ hình. NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mơ hình độc lập (đơn nhân tố, có các hệ số bằng 0) với phép đo phương sai và mơ hình đa nhân tố.
Với giả thuyết Mo: Mơ hình gốc; Mn: Mơ hình phù hợp Giá trị đề nghị NFI > 0.9(Hair, Anderson, Tatham, & William, 1998).
RMR: một mặt đánh giá phương sai phần dư của biến quan sát, mặt khác đánh giá
tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến quan sát khác, giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao, nó phản ánh một mơ hình có độ phù hợp khơng tốt.
RMSEA: là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mơ hình so với
tổng thể. Trong tạp chí nghiên cứu IS, các tác giả cho rằng chỉ số RMSEA yêu cầu < 0,05 thì mơ hình phù hợp tốt. Trong một số trường hợp giá trị này < 0,08 mơ hình được chấp nhận (Taylor, Sharland, Cronin, & Bullard, 1993).
Các chỉ tiêu đánh giá gồm (1) tính đơn hướng, (2) giá trị hội tụ, (3) giá trị phân biệt và (4) các giá trị liên hệ lý thuyết. Các chỉ tiêu từ 1 đến 3 được xác định trong mơ hình thang đo tới hạn. Giá trị liên hệ lý thuyết được đánh giá trong mơ hình lý thuyết.
Phương pháp phân tích mơ hình cấu trúc tuyến tính được sử dụng để kiểm định các mơ hình nghiên cứu.Hai mơ hình được đưa ra, một mơ hình lý thuyết đề nghị và một mơ hình cạnh tranh. Tương tự như lúc kiểm định các mơ hình thang đo, phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số của mơ hình vì các biến quan sát khơng lệch nhiều so với phân phối chuẩn.
Chỉ số điều chỉnh mơ hình (MI - Modification Indices): Chỉ số điều chỉnh mơ hình là
chỉ số ước lượng sự thay đổi của χ2 ứng với mỗi trường hợp thêm vào một mối quan hệ khả dĩ (ứng với giảm một bậc tự do). Nếu MI chỉ ra rằng lượng giảm ∆ χ 2 >3.84 (ứng với giảm một bậc tự do), thì cho phép ta đề nghị một mối quan hệ làm tăng độ phù hợp của mơ hình (Hair, Anderson, Tatham, & William, 1998). Các mơ hình này được gọi là các mơ hình cạnh tranh.
Phương pháp Bootstrap sẽ được sử dụng để ước lượng lại các tham số mơ hình để kiểm định độ tin cậy của các ước lượng.
CHƢƠNG 4: PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU 4.1. Mô tả mẫu nghiên cứu 4.1. Mô tả mẫu nghiên cứu
Tổng cộng 160 bảng câu hỏi được phát đi phỏng vấn, sau khi thu thập và kiểm tra, thu về 159 bảng đều đạt yêu cầu để dữ liệu được nhập và làm sạch thông qua phần mềm SPSS 18.0.
Mẫu khảo sát là người tiêu dùng có sử dụng internet trên 1,5 giờ mỗi ngày tại thành phố Hồ Chí Minh. Mốc 1,5 giờ là khung thời gian trung bình người Việt Nam truy cập internet trong ngày thường (Hiệp hội Internet Việt Nam, 2014). Trong mẫu có 66% đối tượng tham gia phỏng vấn là nữ, đây là kết quả ngẫu nhiên do phương pháp chọn mẫu thuận tiện, giới tính khơng ảnh hưởng đến kết quả khảo sát và cũng không phải là mục tiêu phân tích của nghiên cứu.
Hình 4.1. Biểu đồ mơ tả giới tính
Kết quả thống kê cho thấy, hầu hết số người tham gia khảo sát thuộc độ tuổi từ 18 - 22 (67%) và còn lại (33%) nằm trong độ tuổi từ 22- 34.
Nam 34%
Nữ 66%
Hình 4.2. Biểu đồ mô tả về độ tuổi 67% 67% 33% 18-22 tuổi 22-34 tuổi Độ tuổi 18-22 tuổi 22-34 tuổi 8% 84% 8% Trình độ học vấn