CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.1 Thiết kế nghiên cứu
3.1.2 Nghiên cứu định lượng
3.1.2.1 Mẫu nghiên cứu:
Theo Hair & ctg (1998), để có thể phân tích nhân tố khám phá EFA cần thu thập bộ dữ liệu với ít nhất 5 mẫu trên 1 biến quan sát. Còn Tabachnick & Fidell (1996) cho rằng để phân tích hồi quy một cách tốt nhất thì kích thước mẫu cần phải đảm bảo theo công thức:
N>=8M + 50
Trong đó:
- N: cỡ mẫu
- M: số biến độc lập trong mơ hình
Mơ hình nghiên cứu này có 4 biến độc lập và 25 biến quan sát. Dựa vào các cơ sở trên, tác giả chọn cỡ mẫu là 254.
Chọn mẫu bằng phương pháp lấy mẫu thuận tiện và đảm bảo tương đối việc xuất hiện các thương hiệu máy tính bảng có thị phần cao tại thị trường TP HCM. Tác giả gửi bảng câu hỏi khảo sát online và phát bảng câu hỏi khảo sát trên giấy cho các đối tượng khảo sát.
3.1.2.2 Phương pháp phân tích dữ liệu:
Sau khi thu thập dữ liệu, tác giả tiến hành đánh giá lại bảng số liệu bằng cách loại bỏ những bản trả lời khơng đạt u cầu, sau đó mã hóa, nhập liệu và làm sạch dữ liệu. Sử dụng cơng cụ SPSS (16.0)
Các bước phân tích dữ liệu được tiến hành như sau:
- Thống kê mô tả: lập bảng tần số để thống kê các đặc điểm của mẫu thu được theo các thương hiệu máy tính bảng, giới tính, độ tuổi, thu nhập, vị trí công việc, thời gian đã sử dụng máy tính bảng và lựa chọn của người tiêu dùng khi mua máy mới hoặc máy cũ.
- Đánh giá thang đo: kiểm định độ tin cậy của các thang đo thông qua kiểm định hệ số tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá EFA.
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà biến trong từng thang đo tương quan với nhau. Phương pháp này dùng để loại bỏ các biến không phù hợp ra khỏi thang đo, hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Theo Nguyễn Đình Thọ (2011), một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0.7-0.8]. Nếu Cronbach alpha ≥ 0.6 là thang đo có thể chấp nhận về mặt độ tin cậy (Nunnally & Bernstein 1994). Ngoài ra, các biến đo lường dùng để đo lường cùng một khái niệm nghiên cứu nên chúng phải có sự tương quan chặt chẽ với nhau. Vì vậy, khi kiểm tra từng biến đo lường chúng ta sử dụng hệ số tương quan biến tổng (item-total correlation). Khi sử dụng cơng cụ SPSS, chương trình sẽ sử dụng hệ số tương quan biến-tổng hiệu chỉnh (corrected item-total correlation). Hệ số này sẽ lấy tương quan của biến đo lường xem xét với tổng các biến còn lại của thang đo (khơng tính biến đang xem xét). Nếu một biến đo lường có hệ số tương quan biến-tổng hiệu chỉnh ≥ 0.3 thì biến đó đạt u cầu (Nunnally & Bernstein 1994).
Phân tích nhân tố khám phá EFA là kỹ thuật được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu sau khi đã đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy. Theo Nguyễn Đình Thọ (2011), phương pháp phân tích nhân tố khám phá EFA sẽ giúp chúng ta đánh giá hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là khơng có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của vệc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).
Các nhà nghiên cứu thường dựa trên năm tiêu chí khi sử dụng phương pháp EFA, đó là: (1) hệ số KMO (Kaiser-Meyer-Olkin) dùng để xem xét sự thích hợp của phân tích nhân tố, phải có giá trị lớn hơn 0.5 (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2008), khi đó ta mới có thể kết luận phân tích nhân tố là thích hợp, ngồi ra, mức ý nghĩa của phép kiểm định Bartlett phải bé hơn 5%. (2) hệ số tải nhân tố (factor loading) ≥ 0.3 đối với các nghiên cứu có cỡ mẫu ít nhất là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading ≥ 0.55, nếu cỡ mẫu khoảng 50 thì factor loading ≥ 0.75 (Trần Thị Thùy Trang, 2012 theo Hair và ctg, 1998). Do đó, trong nghiên cứu này, biến nào có factor loading < 0.5 sẽ bị loại. (3) mơ hình EFA phù hợp khi tổng phương sai trích (TVE) ≥0.5 ( Nguyễn Đình Thọ, 2011). (4)Tiêu chí Eigenvalue là một tiêu chí sử dụng phổ biến trong xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có Eigenvalue ≥ 1 (Nguyễn Đình Thọ, 2011). (5) chênh lệch trọng số của một biến quan sát giữa các nhân tố ≥ 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003).
Q trình phân tích nhân tố khám phá EFA, tác giả sử dụng phương pháp trích Principal Component Analysis với phép xoay Varimax
- Phân tích hồi quy: dùng để tìm được mối tương quan giữa biến độc lập (các nhân tố tác động) và biến phụ thuộc (lòng trung thành thương hiệu).
Mơ hình hồi quy bội dùng để kiểm định vai trò quan trọng của các nhân tố trong việc đánh giá mối quan hệ giữa các yếu tố tác động đến lòng trung thành thương hiệu của khách hàng. Mơ hình bao gồm một biến phụ thuộc là lịng trung thành thương hiệu và 4 biến độc lập, được biểu diễn bằng phương trình hồi quy bội:
Y= β0 + β1X1 + β2X2 + β3X3 + β4X4 + ε
Trong đó:
Y: là biến phụ thuộc thể hiện giá trị dự đoán về mức độ trung thành của khách hàng. β0 : hằng số hồi quy
βi : hệ số hồi quy
Xi : là các biến độc lập: Nhận biết thương hiệu, Giá trị tự thể hiện, Chất lượng cảm nhận và Ham muốn thương hiệu.
ε: sai số ngẫu nhiên.
Trước khi tiến hành phân tích hồi quy bội, ta cần phân tích tương quan để kiểm định mối liên hệ giữa các thành phần. Nghiên cứu sử dụng hệ số tương quan tuyến tính r (Pearson Corelation Coefficient) để kiểm định sự tương quan giữa 5 yếu tố. Phân tích hồi quy tuyến tính nhằm xem xét mối quan hệ tương quan giữa biến độc lập và biến phụ thuộc. Nếu hệ số tương quan lớn chứng tỏ chúng có mối quan hệ với nhau.
- Phân tích T-test và ANOVA: để kiểm định có sự khác nhau hay khơng về lịng trung thành thương hiệu của các đối tượng tham gia khảo sát theo các đặc điểm cá nhân của họ.