Stt Biến quan sát Mã
hóa Hiệu quả mong đợi
1 Sử dụng dịch vụ 3G giúp tôi làm tăng hiệu quả công việc. HQ1 2 Sử dụng dịch vụ 3G giúp tôi tiết kiệm thời gian trong công việc. HQ2 3 Sử dụng dịch vụ 3G giúp tôi thực hiện công việc thuận tiện và nhanh
chóng hơn. HQ3
4 Sử dụng dịch vụ 3G giúp tôi gia tăng sự thỏa mãn trong giải trí. HQ4
Giá trị hình ảnh nhà cung cấp
5 Uy tín của nhà cung cấp giúp tôi yên tâm sử dụng dịch vụ. HA5 6 Kinh nghiệm của nhà cung cấp giúp tôi chọn sử dụng dịch vụ. HA6 7 Chính sách bán hàng và hậu mãi của nhà cung cấp kích thích tơi muốn sử
dụng dịch vụ. HA7
8 Chất lượng dịch vụ của nhà cung cấp đạt chuẩn giúp tôi yên tâm sử dụng. HA8 9 Nhà cung cấp ln đảm bảo giữ bí mật thơng tin liên lạc của tơi giúp tôi
yên tâm sử dụng dịch vụ. HA9
Các điều kiện thuận tiện
10 Tơi có thể dễ dàng tìm được các thơng tin liên quan đến dịch vụ 3G. TT10 11 Tơi nghĩ tơi có thể sử dụng dịch vụ 3G mà không cần đến người hướng
dẫn. TT11
12 Dịch vụ 3G giúp tơi có thể sử dụng mọi lúc, mọi nơi. TT12
Ảnh hưởng của xã hội
13 Gia đình ủng hộ tơi sử dụng dịch vụ 3G. AH13
14 Đơn vị nơi làm việc ủng hộ tôi sử dụng dịch vụ 3G. AH14 15 Hiện nay sử dụng dịch vụ 3G đang trở thành một trào lưu của xã hội. AH15
Nhận thức về chi phí chuyển đổi
16 Chi phí tơi bỏ ra để sử dụng dịch vụ 3G thấp hơn nhiều so với lợi ích tơi
đạt được từ việc sử dụng dịch vụ. CP16
17 Chi phí sử dụng dịch vụ 3G hợp lý với chất lượng dịch vụ mà tôi nhận
được. CP17
18 Tơi sẵn sàng tốn chi phí để chuyển sang sử dụng dịch vụ 3G. CP18
Xu hướng sử dụng dịch vụ
19 Tơi có ý định sử dụng dịch vụ này trong thời gian tới. XH19 20 Tôi đã lên kế hoạch sử dụng dịch vụ 3G trong thời gian tới. XH20 21 Vì cơng việc sắp tới, tơi tiếp tục sử dụng dịch vụ 3G. XH21
3.4. Thiết kế bảng câu hỏi
Sau khi hoàn tất việc hiệu chỉnh và xây dựng các thang đo phù hợp với việc khảo sát các nhân tố ảnh hưởng đến xu hướng sử dụng dịch vụ 3G, tác giả tiến hành thiết kế bảng câu hỏi nhằm phục vụ cho việc thu thập dữ liệu. Bảng câu hỏi chính thức được sử dụng trong nghiên cứu định lượng gồm 3 phần:
Thông tin tổng quát
Ghi nhận các thông tin khách hàng đã biết đến dịch vụ 3G hay chưa? biết qua kênh thông tin nào? và biết đến dịch vụ 3G do nhà mạng nào cung cấp? sử dụng dịch vụ 3G thông qua phương tiện nào là chủ yếu? dịch vụ nào khách hàng hay sử dụng nhất?
Đây là phần thông tin phục vụ cho phân tích mơ tả, và cũng là các thông tin nhằm giúp tác giả đánh giá được kênh thông tin nào có hiệu quả nhất đối với khách hàng.
Thông tin các phát biểu về dịch vụ 3G
Ghi nhận mức độ đồng ý về các biến quan sát (được diễn tả bằng các phát biểu) đo lường cho các khái niệm trong mơ hình. Đây cũng là thành phần chính của bảng câu hỏi giúp khảo sát mức độ cảm nhận của khách hàng đối với các yếu tố như: Hiệu quả mong đợi, Các điều kiện thuận tiện, Ảnh hưởng của xã hội, Nhận thức về chi phí chuyển đổi, Giá trị hình ảnh nhà cung cấp, Xu hướng sử dụng dịch vụ. Sau khi tiến hành nghiên cứu định tính, 21 biến có liên quan được đưa vào khảo sát. Để đo lường
các biến này, tác giả đã sử dụng thang đo Likert 5 mức độ từ “1 – Hoàn toàn khơng đồng ý” đến “5 – Hồn tồn đồng ý”.
Thông tin khác
Ghi nhận các thông tin liên quan đến đối tượng nghiên cứu, bao gồm: độ tuổi, giới tính của người được phỏng vấn, nghề nghiệp hiện nay, thu nhập,…Đây là phần câu hỏi phục vụ cho việc mơ tả nhóm đối tượng khách hàng. Các thơng tin này nhằm ghi nhận thơng tin về các nhóm đối tượng khách hàng có xu hướng sử dụng dịch vụ 3G nên các câu hỏi được đưa vào dưới dạng câu hỏi đóng để tăng khả năng hồi đáp của người trả lời.
Bảng câu hỏi được thiết kế để dùng cho việc phỏng vấn trực tiếp trả lời trên giấy hoặc có thể trả lời qua email, trang mạng xã hội (facebook) bằng cách click vào các ô trả lời đã được thiết kế sẵn, giúp việc trả lời của khách hàng được nhanh chóng và thuận tiện hơn.
3.5. Nghiên cứu định lượng
Quy trình tiếp theo sau khi nghiên cứu định tính là tiến hành nghiên cứu định lượng (Nghiên cứu chính thức). Nghiên cứu định lượng nhằm để đánh giá các nhân tố ảnh hưởng đến xu hướng sử dụng dịch vụ 3G.
3.5.1. Phương thức lấy mẫu
Có hai phương pháp chọn mẫu là phương pháp chọn mẫu xác suất và phương pháp chọn mẫu phi xác suất.
Trong nghiên cứu này, mẫu được chọn theo phương pháp lấy mẫu thuận tiện vì phương pháp này sẽ giúp tiết kiệm về mặt thời gian và chi phí. Đây là phương pháp chọn mẫu phi xác suất, trong đó tác giả tiếp cận với các đối tượng nghiên cứu bằng phương pháp thuận tiện.
Phương pháp thuận tiện có ưu điểm là dễ tiếp cận đối tượng nghiên cứu và thường được sử dụng khi bị giới hạn về thời gian, chi phí. Nhược điểm của phương pháp này là khơng xác định được sai số do lấy mẫu.
Dữ liệu được thu thập chủ yếu thơng qua các hình thức phỏng vấn trực tiếp, trả lời qua email,…
3.5.2. Kích thước mẫu
Kích thước mẫu sẽ phụ thuộc vào việc ta muốn gì từ những dữ liệu thu thập được và mối quan hệ ta muốn thiết lập là gì? (Kumar, 2005). Vấn đề nghiên cứu càng đa dạng, phức tạp thì mẫu nghiên cứu càng lớn. Một nguyên tắc chung khác nữa là mẫu càng lớn thì độ chính xác của các kết quả nghiên cứu càng cao. Tuy nhiên, trên thực tế thì việc lựa chọn kích thước mẫu cịn phụ thuộc vào một yếu tố hết sức quan trọng là năng lực tài chính và thời gian mà nhà nghiên cứu đó có thể có được. Việc xác định kích thước mẫu bao nhiêu là phù hợp vẫn còn nhiều tranh cãi với nhiều quan điểm khác nhau. Quyết định kích thước mẫu trong chọn mẫu phi xác suất thường được xác định một cách chủ quan chứ khơng theo một cơng thức tính tốn nào (Lê Thế Giới và cộng sự, 2006 – Nghiên cứu Marketing lý thuyết và ứng dụng – NXB Thống Kê).
+ Theo Bollen (1989) và Hair & ctg (1998), cỡ mẫu dùng trong phân tích nhân tố (EFA), kích thước mẫu phải tối thiểu là n ≥ 5*x (x: tổng số biến quan sát). Trong nghiên cứu này, tổng số biến quan sát là 21, như vậy số mẫu tối thiểu cần phải có là 105.
+ Vì nghiên cứu cịn có sử dụng phương pháp cho mơ hình hồi quy bội, nên theo Tabachnick & Fidell (2007) một công thức kinh nghiệm thường được dùng để tính kích thước mẫu là n ≥ 50 + 8*p. Trong đó n là kích thước mẫu tối thiểu cần thiết và p là số biến độc lập trong mơ hình. Green (1991) cho rằng cơng thức trên tương đối phù hợp nếu p < 7, khi p > 7 công thức trên hơi quá khắc khe. Tuy nhiên, đề tài nghiên cứu này sử dụng cả phân tích nhân tố và hồi quy bội, kích thước mẫu tính từ cơng thức trên thường nhỏ hơn kích thước mẫu địi hỏi cho phân tích nhân tố nên tác giả dùng cơng thức này để tính kích thước mẫu và so sánh lại với kích thước mẫu của phân tích nhân tố.
+ Trong đề tài này có tất cả 5 biến độc lập trong mơ hình nghiên cứu, vì vậy số mẫu tối thiểu cần thiết để phân tích hồi quy bội là 50 + 8 x 5 = 90. Vì kinh phí và thời gian có hạn nên kích thước mẫu được lựa chọn 105 mẫu là chấp nhận được đối với đề tài nghiên cứu này.
3.5.3. Xử lý và phân tích dữ liệu
Dữ liệu sau khi thu thập sẽ được mã hóa, làm sạch và tiến hành q trình phân tích bằng phần mểm SPSS 17.0 như sau:
3.5.3.1. Phân tích mơ tả
Trong bước đầu tiên, tác giả sử dụng phân tích mơ tả để phân tích các thuộc tính của mẫu nghiên cứu: đã biết hay chưa biết về dịch vụ 3G? qua kênh thông tin nào? các thông tin cá nhân của người được phỏng vấn như: độ tuổi, giới tính, trình độ học vấn, thu nhập, nghề nghiệp…
3.5.3.2. Kiểm định và đánh giá thang đo
Một đo lường được coi là có giá trị khi nó đo lường được đúng cái cần đo lường (Campbell & Fiske, 1959). Hay nói cách khác, đo lường đó vắng mặt cả hai loại sai số, sai số hệ thống và sai số ngẫu nhiên. Để đánh giá thang đo và các khái niệm trong nghiên cứu cần kiểm tra độ tin cậy và độ giá trị của thang đo.
Dựa trên hệ số độ tin cậy Cronbach Alpha, hệ số tương quan biến - tổng (Item-total correlation) giúp loại ra những biến quan sát khơng đóng góp vào việc mơ tả khái niệm cần đo, hệ số Cronbach Alpha if Item Deleted để giúp đánh giá loại bỏ biến quan sát nhằm nâng cao hệ số tin cậy Cronbach Alpha cho khái niệm cần đo và phương pháp phân tích nhân tố khám phá (EFA) nhằm kiểm tra độ giá trị của thang đo các khái niệm nghiên cứu.
Phân tích Cronbach Alpha
Sử dụng phương pháp hệ số tin cậy Cronbach Alpha trước khi phân tích nhân tố (EFA) nhằm loại bỏ các biến khơng phù hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007), hệ số Cronbach Alpha từ 0.6 trở lên là có thể sử dụng được (Peterson, 1994).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
Hệ số tương quan biến – tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Do đó, hệ số này càng cao thì sự tương quan giữa biến với các biến khác trong nhóm càng cao.
Loại các biến quan sát có hệ số tương quan biến – tổng nhỏ hơn 0,3. Nunnally & Burnstein (1994) cho rằng các biến có hệ số tương quan biến – tổng nhỏ hơn 0,3 được
coi là biến rác và sẽ bị loại ra khỏi mơ hình. Theo Nunnally & Burnstein (1994); Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2007) thang đo có độ tin cậy tốt khi hệ số Cronbach Alpha biến thiên trong khoảng [0.7 – 0.8], nếu Cronbach Alpha ≥ 0.6 là thang đo có thể chấp nhận được về mặt độ tin cậy.
Tuy nhiên, điều này không thực sự như vậy, nếu hệ số Cronbach Alpha quá lớn (α > 0.95) cho thấy có nhiều biến quan sát (Items) trong thang đo khơng có khác biệt gì nhau (nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu, hiện tượng này được gọi là hiện tượng trùng lắp trong đo lường).
Hệ số tin cậy Cronbach Alpha chỉ cho biết các đo lường có liên kết với nhau hay không, nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Do đó, kết hợp sử dụng hệ số tương quan biến – tổng để giúp loại ra những biến quan sát khơng đóng góp nhiều cho sự mơ tả các khái niệm cần đo (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach Alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Xem xét giá trị KMO: 0.5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp với dữ liệu, ngược lại KMO < 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Kiểm định Barlett: các biến quan sát có tương quan với nhau trong tổng thể. Phân tích nhân tố cịn dựa vào Eigenvalue để xác định số lượng nhân tố. Chỉ
những nhân tố có Eigenvalue > 1 thì mới được giữ lại trong mơ hình.
Tiêu chuẩn phương sai trích (Variance Explained Criteria): Tổng phương sai trích cho biết các nhân tố được trích giải thích % sự biến thiên của các biến quan sát, tổng này phải đạt từ 50% trở lên.
Nghiên cứu sử dụng phương pháp trích nhân tố principal components nên các hệ số tải nhân tố ( factor loadings) phải có trọng số lớn hơn 0.5 thì mới đạt yêu cầu.
Để thang đo đạt được giá trị hội tụ, các biến phải có hệ số tải nhân tố ≥ 0.5 trong một nhân tố (Jun & ctg, 2002).
Để đạt được độ giá trị phân biệt, khác biệt giữa các hệ số tải nhân tố của mỗi biến trong các nhân tố ≥ 0.3 (Jabnoun & ctg, 2003).
Phân tích tương quan
Các thang đo được đánh giá đạt yêu cầu được đưa vào phân tích tương quan Pearson (vì các biến được đo bằng thang đo khoảng) và phân tích hồi quy để kiểm định các giả thuyết. Phân tích tương quan Pearson được thực hiện giữa biến phụ thuộc và các biến độc lập nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Giá trị tuyệt đối của Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ. Đồng thời cũng cần phân tích tương quan giữa các biến độc lập với nhau nhằm phát hiện những mối tương quan chặt chẽ giữa các biến độc lập. Vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả của phân tích hồi quy như gây ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Trong mơ hình nghiên cứu, kỳ vọng có mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc và các biến độc lập. Mức ý nghĩa “sig” của hệ số tương quan, cụ thể như sau:
+ Sig < 0.05: các biến đều tương quan với nhau khá chặt chẽ và có ý nghĩa thống kê.
+ Sig < 0.01: các biến đều tương quan với nhau rất chặt chẽ và có ý nghĩa thống kê. Xem hệ số tương quan của 2 biến nào là lớn nhất: 2 biến này có mối liên hệ khá chặt chẽ (thường là biến trung gian và biến phụ thuộc).
+ R < 0: tương quan nghịch biến. + R > 0: tương quan đồng biến. + |R| →1: tương quan càng chặt chẽ. + |R| →0: tương quan càng yếu.
Phân tích hồi quy tuyến tính bội
Sau khi tiến hành phân tích Cronbach Alpha và phân tích EFA, tác giả tiến hành phân tích hồi quy tuyến tính bội bằng phương pháp đồng thời (phương pháp ENTER trong SPSS) để kiểm định các giả thuyết về mối quan hệ giữa biến phụ thuộc và các biến độc lập. Phương pháp đồng thời sử dụng vì mục tiêu nghiên cứu của tác giả là kiểm định lý thuyết khoa học (Nguyễn Đình Thọ, 2011).
Các biến không đảm bảo độ giá trị hội tụ tiếp tục bị loại khỏi mơ hình cho đến khi các tham số được nhóm theo các nhóm biến. Việc xác định mối quan hệ giữa các nhóm biến này cũng như quan hệ giữa các nhóm biến độc lập (các yếu tố thành phần) và nhóm biến phụ thuộc (xu hướng sử dụng) trong mơ hình nghiên cứu được thực hiện bằng phương pháp phân tích hồi quy tuyến tính bội.
Giá trị của biến mới trong mơ hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó, giá trị của các thành phần được phần mềm SPSS tính một cách tự động từ giá trị trung bình có trọng số của các biến quan sát đã được chuẩn hóa. Tuy nhiên, trước khi tiến hành phân tích hồi quy, một phân tích quan trọng cần được thực hiện đầu tiên là phân tích tương quan nhằm kiểm định mối tương quan tuyến tính giữa các biến trong mơ hình.
Phân tích hồi quy nhằm khẳng định sự phù hợp của mơ hình nghiên cứu, kiểm định các giả thuyết để xác định mức độ ảnh hưởng của từng yếu tố tác động đến biến phụ thuộc.
Sau khi thang đo của các yếu tố được kiểm định, bước tiếp theo sẽ tiến hành chạy