STT Biến quan sát Mã hóa
Biến độc lập: Sự hữu ích nhận thức
1 Tơi thấy ngân hàng trực tuyến hữu ích trong cơng việc và
cuộc sống SHI1
2 Sử dụng ngân hàng trực tuyến cho phép tôi thực hiện các
tác vụ ngân hàng dễ dàng và nhanh hơn SHI2 3 Sử dụng ngân hàng trực tuyến sẽ làm tăng hiệu quả các
công việc liên quan của tôi. SHI3
4 Sử dụng ngân hàng trực tuyến làm cho việc quản lí tài
khoản trở nên hiệu quả SHI4
5
Tôi thấy ngân hàng trực tuyến là hình thức hữu ích hơn so với những cách thức giao dịch truyền thống khác của ngân hàng.
SHI5
Biến độc lập: Sự sử dụng nhận thức
6 Tôi cảm thấy ngân hàng trực tuyến rất dễ sử dụng SDD1 7 Học cách sử dụng ngân hàng trực tuyến là đơn giản với
tôi SDD2
8 Tôi thấy sự tương tác với ngân hàng trực tuyến là rõ ràng
và dễ hiểu SDD3
9 Việc nhớ những thao tác thực hiện ngân hàng trực tuyến
là dễ dàng với tôi SDD4
31
Biến độc lập: Sự tin tƣởng
11 Tôi tin rằng việc thực hiện giao dịch thông qua internet
banking là riêng tư và an toàn STT1
12 Tôi tin tưởng rằng ngân hàng trực tuyến sẽ bảo vệ thông
tin cá nhân của tôi. STT2
13 Tôi tin tưởng rằng việc thanh tốn thơng qua internet
banking được thực hiện một cách an toàn STT3 14 Tôi tin tưởng ngân hàng trực tuyến sẽ không bán thông
tin của tôi cho các tổ chức khác STT4 15 Tôi tin tưởng ngân hàng trực tuyến giống như các ngân
hàng thông thường. STT5
Biến độc lập: Sự hỗ trợ của chính phủ
16 Tơi nghĩ rằng chính phủ rất khuyến khích và đẩy mạnh
việc sử dụng ngân hàng trực tuyến và giao dịch điện tử SHT1 17 Tôi nghĩ rằng cấu trúc hạ tầng và phương tiện của internet
(ví dụ: băng thơng rộng) thì hiệu quả đối với internet SHT2 18 Chính phủ đang định hướng cho việc phát triển giao dịch
ngân hàng qua mạng. SHT3
19 Chính phủ hiện nay đang có những quy định và luật lệ
chặt chẽ với ngân hàng trực tuyến SHT4
Biến phụ thuộc: Dự định sử dụng internet banking của khách hàng
20 Giả sử tơi có đăng nhập vào internet banking, tơi sẽ sử
dụng nó DDS1
21 Tơi dự dịnh sử dụng internet banking nếu chi phí và thời
gian hợp lý DDS2
22 Tôi tin tưởng rằng tôi sẽ sử dụng internet banking trong
tương lai DDS3
23 Tôi dự dịnh gia tăng việc sử dụng internet banking trong
32
3.4 Thiết kế nghiên cứu định lƣợng
3.4.1 Mục tiêu của nghiên cứu định lượng
Trong giai đoạn này tác giả sẽ sử dụng thang đo sơ bộ tiến hành khảo sát thử khách hàng là những người sử dụng dịch vụ ngân hàng trực tuyến tại các ngân hàng thương mại tại Việt Nam. Trong quá trình thu thập số liệu và xử lý thông tin, tác giả sẽ kiểm định định mơ hình, thang đo, phân tích các hệ số để xem xét tác động của các nhân tố đến sự chấp nhận sử dụng ngân hàng trực tuyến của khách hàng.
3.4.2 Phương pháp chọn mẫu
Phương pháp lấy mẫu phi xác suất và cỡ mẫu được xác định phù hợp. Bên cạnh đó, để tiến hành phân tích hồi qui tốt nhất cỡ mẫu thu thập được tính theo số biến quan sát trong mơ hình, với tiêu chuẩn số mẫu phải gấp từ 5-10 lần số biến quan sát (Hair et al, 1995).
Trong nghiên cứu này có 23 biến quan sát với số mẫu được chọn gấp từ 5-10 lần số biến sẽ là từ 115 - 230 mẫu. Số mẫu được chọn là 150.
3.4.3 Đối tượng khảo sát
Đối tượng khảo sát: cơng dân Việt Nam có độ tuổi trên 18, đang sử dụng Internet, và có giao dịch với ngân hàng ở bất kỳ loại hình dịch vụ nào (trừ dịch vụ Internet banking).
3.4.4 Phương pháp phân tích dữ liệu
Phần mềm SPSS 16.0 được dùng để phân tích dữ liệu trong tài liệu này với việc sử dụng các kỹ thuật thống kê như kiểm định các giả thuyết thống kê, phân tích nhân tố, phân tích hồi qui, phân tích ANOVA, …Các bước xử lý số liệu bằng SPSS sẽ được giới thiệu trong Hình 3.2:
33
Hình 3.2. Mơ hình phân tích dữ liệu bằng SPSS
3.4.4.1 Làm sạch dữ liệu
Sau khi loại các mẫu không phù hợp với yêu cầu ban đầu, chúng ta chạy phân bổ tần số để kiểm tra các biến nhập sai có giá trị gây nhiễu (outliers) không nằm trong các giá trị lựa chọn.
Kiểm tra các mẫu đối tượng bị trùng nhau và loại mẫu bị trùng.
Kiểm tra các tần suất các giá trị missing và đảm bảo các giá trị missing của một biến phải nhỏ hơn 10% tổng số mẫu
3.4.4.2 Kiểm tra độ tin cậy các nhóm nhân tố
Các thang đo được đánh giá thông qua độ tin cậy Cronbach Alpha cho từng nhóm biến khác nhau. Độ tin cậy Cronbach Alpha phải nằm trong khoảng từ 0.6 đến 1.0 để đảm bảo các biến trong cùng một nhóm nhân tố có tương quan về ý
Làm sạch dữ liệu
Kiểm định độ tin cậy Cronbach Alpha
Phân tích nhân tố khám phá (EFA)
Phân tích phân phối chuẩn
Phân tích hồi quy
34
nghĩa (Hồng Trọng – Chu Nguyễn Mộng Ngọc, 2005). Ngoài ra, với các thang đo chỉ có 2 biến thì Cronbach Alpha có thể từ 0.5 cũng vẫn được chấp nhận (Nunnally and Bernstein, 1994). Ngồi ra, mỗi biến có tương quan tổng thể nhỏ hơn 0.3 cũng được loại bỏ trước khi đưa vào phân tích nhân tố.
3.4.4.3 Phân tích nhân tố (EFA)
Với số lượng các biến khá lớn và có mối tương quan với nhau, chúng ta cần giảm số lượng này xuống còn một số nhân tố ít hơn mà chúng ta có thể sử dụng được nhưng vẫn có thể đại diện cho phần lớn ý nghĩa các biến thu thập. Các nhân tố này thể hiện được sự liên hệ qua lại giữa các biến và thể hiện sự giải thích của biến đối với các khía cạnh khác nhau của vấn đề.
Trong tài liệu này, tác giả sử dụng phương pháp phân tích nhân tố “Principle Components” và phép quay VARIMAX để tìm ra các nhân tố đại diện cho các biến. Phép quay VARIMAX là cách quay nguyên góc phổ biến nhất và được sử dụng trong nghiên cứu của đề tài này. VARIMAX là phép xoay nguyên góc các nhân tố để tối thiểu hố số lượng biến có hệ số tải lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố (Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS, ĐH Kinh Tế TPHCM, p.38).
Một số tiêu chí cần quan tâm khi tiến hành phân tích nhân tố:
Kiểm định Barlett: là một kiểm định thống kê nhằm kiểm tra giữa các biến có tương quan hay khơng. Nếu kiểm định này có mức ý nghĩa thống kê dưới 0.05 thì xem như các biến có tương quan với nhau (Hair et al, 1995).
Phép đo sự phù hợp của mẫu KMO (Kaiser-Meyer-Olkin): là phép đo sự tương quan qua lại giữa các biến và sự phù hợp để phân tích nhân tố. Hệ số KMO có giá trị trong khoảng 0 đến 1. Giá trị KMO phụ thuộc vào cỡ mẫu, độ tương quan trung bình, số biến và số nhân tố. Nếu hệ số này lớn hơn 0.5 thì tập dữ liệu được xem là phù hợp để tiến hành phân tích nhân tố (Hair et
35
mẫu (MSA: measure of sampling adequacy) cho từng biến nếu lớn hơn 0.5 thì phù hợp cho việc phân tích nhân tố. Nếu nhỏ hơn 0.5 thì loại biến có MSA nhỏ nhất rồi chạy lại phân tích nhân tố (Hair et al, 1995).
Eigenvalue: là tổng bình phương các trọng số của các biến trên một cột nhân tố, cịn được gọi là latent root. Nó đại diện cho mức độ biến động được giải thích bởi một nhân tố. Giá trị eigenvalue của các nhân tố được chọn phải từ 1 trở lên (Hair et al, 1995).
Communality: thể hiện tỉ lệ của các nhân tố phân tích đại diện cho cụ thể một biến nào đó. Giá trị này phải lớn hơn 0.2 (Hair et al, 1995).
Tuy nhiên, khi tiến hành phân tích nhân tố khám phá thực tế, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
Hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0.5, mức ý nghĩa kiểm định Bartlett ≤ 0.05.
Hệ số tải nhân tố (Factor Loading) ≥ 0.5. Nếu biến quan sát nào có hệ số tải nhân tố < 0.5 sẽ bị loại.
Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
Hệ số Eigenvalue có giá trị lớn hơn 1 (Trần Đức Long, 2006, p.47 trích từ Gerbing & Anderson (1988), “An Update Paradigm for Scale Development
Incorporing Unidimensionality and Its Assessments”, Journal of Marketing
Research, Vol.25, p. 186-192).
Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Bùi Nguyên Hùng & Võ Khánh Tồn, 2005 trích từ Jabnoun & Al-Tamimi, 2003, Measuring perceived service quality at UAE commercial banks, International Journal of Quality
36
3.4.4.4 Kiểm định phân phối chuẩn
Sau khi phân tích EFA, ta có được mơ hình hiệu chỉnh. Để có thể sử dụng mơ hình này vào phân tích tương quan và hồi qui đa biến, chúng ta cần đảm bảo các biến trong mơ hình thoả mãn giả định về tính phân phối chuẩn. Giả định về tính phân phối chuẩn là giả định quan trọng nhất trong việc phân tích đa biến, do vậy, ta cần quan tâm đến tiêu chuẩn này.
Kiểm tra tính phân phối chuẩn cho tất cả các biến để đánh giá sự hài lòng để xem dạng phân phối tần số của các mẫu cũng như các thông số Skewness và Kurtosis (Hair et al, 1995). Nếu Skewness và Kurtosis nằm trong khoảng ±1 được
xem là tốt, trong khoảng ±2 thì biến đó vẫn được chấp nhận để sử dụng thực hiện các kỹ thuật thống kê (Illinois States University http://www.psychology.ilstu.edu/ jccutti / 138 web /spss/spss3.html).
3.4.4.5 Phân tích hồi qui bội kiểm định mơ hình lý thuyết
Phân tích hồi qui bội là một kĩ thuật thống kê có thể được sử dụng để phân tích mối quan hệ giữa một biến phụ thuộc và nhiều biến độc lập. Mục tiêu của việc phân tích hồi qui bội là sử dụng các biến độc lập có giá trị biết trước để dự báo một giá trị biến phụ thuộc nào đó được chọn bởi người nghiên cứu. Khi chạy hồi qui cần quan tâm đến các thông số sau:
Hệ số Beta: hệ số hồi qui chuẩn hoá cho phép so sánh trực tiếp giữa các hệ số dựa trên mối quan hệ giải thích của chúng với biến phụ thuộc.
Hệ số khẳng định R2: đánh giá phần biến động của biến phụ thuộc được giải thích bởi các biến dự báo hay biến độc lập. Hệ số này có thể thay đổi từ 0 đến 1.
(Multi) collinearity (Đa cộng tuyến): mô tả mối quan hệ tuyến tính giữa hai hay nhiều biến độc lập. Hai biến độc lập được xem là tuyến tính hồn tồn nếu hệ số tương quan giữa chúng là 1 và hồn tồn khơng quan hệ tuyến tính
37
độc lập nào đó tương quan mạnh với một nhóm biến độc lập khác. Ngồi ra, có thể sử dụng hệ số VIF (hay Tolerance) để đánh giá hiện tượng này (Hair
et al, 2006).
Hệ số tương quan r: chỉ mối quan hệ giữa biến phụ thuộc và các biến độc lập. Dấu của hệ số tương quan chỉ hướng của mối quan hệ này. Giá trị của r có thể thay đổi từ -1 đến +1.
Hằng số hồi qui b0: giá trị của cột Y khi đường thẳng Y = b0 + b1X1 cắt cột này. Hằng số hồi qui thể hiện các tác động của tất cả các biến dự báo khác không được bao gồm trong mơ hình.
Hệ số hồi qui bn: giá trị hệ số góc của các biến trong mơ hình ước lượng. Các hệ số này mang tính riêng phần vì mỗi hệ số không chỉ thể hiện mối quan hệ giữa các biến độc lập và biến phụ thuộc mà còn giữa các biến độc lập với nhau.
Kiểm định tính phù hợp của mơ hình
Trong tài liệu này, tác giả sử dụng kiểm định ANOVA để kiểm tra tính phù hợp của mơ hình với tập dữ liệu gốc. Nếu mức ý nghĩa của kiểm định < 0.05 thì có thể kết luận mơ hình hồi qui phù hợp với tập dữ liệu.
3.4.4.6 Kiểm định các vi phạm giả thuyết hồi qui
Đo lường đa cộng tuyến
Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau và nó cung cấp cho mơ hình những thơng tin rất giống nhau và khó tách ảnh hưởng của từng biến một. Đa cộng tuyến khiến cho việc diễn dịch kết quả có thể sai lầm vì nó làm đổi dấu kì vọng của các hệ số đi theo các biến độc lập, vì vậy chúng ta phải kiểm tra độ tương quan giữa các biến này để đảm bảo không xảy ra hiện tượng đa cộng tuyến.
38
Sự đa cộng tuyến cao có thể làm cho kết quả khơng chính xác, do đó cần thiết phải có điều kiện về đa cộng tuyến. Theo Hair et al (2006) để kiểm định hiện tượng đa cộng tuyến chúng ta sử dụng hệ số VIF (hệ số phóng đại phương sai). Nếu VIF lớn hơn 10 thì hiện tượng đa cộng tuyến nghiêm trọng đang tồn tại. Theo kinh nghiệm, hệ số VIF nên nhỏ hơn 5 là tốt nhất để hạn chế về sự đa cộng tuyến, tuy nhiên nếu nhỏ hơn 10 thì vẫn có thể chấp nhận với ảnh hưởng rất nhỏ (John & Benet-Martinez, 2000; Hoàng Thị Phương Thảo, Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2010 ).
Tác giả sử dụng ma trận hệ số tương quan Pearson và độ chấp nhận Tolerance để kiểm tra đo lường đa cộng tuyến với hệ số Pearson nhỏ hơn 0.4 và hệ số Tolerance của các biến phải gần bằng 1 (Hair et al,2006). Áp dụng các yêu cầu này để loại bỏ các biến không đạt ra khỏi mơ hình.
Kiểm định phần dư:
Sau khi thực hiện ước lượng mơ hình hồi qui, chúng ta cần kiểm định phần dư chuẩn hố của mơ hình để bảo đảm phần dư chuẩn hố có dạng phân phối chuẩn với tất cả các biến độc lập. Cách kiểm định có thể sử dụng là vẽ đường cong chuẩn hố của phân bổ phần dư này. Nếu chúng ta thấy trên đồ thị đường cong chuẩn hố có dạng hình chng như phân phối chuẩn với giá trị Mean xấp xỉ 0 và giá trị độ lệch chuẩn xấp xỉ 1 thì xem như phần dư có phân phối gần chuẩn.
Một cách khác để kiểm định sự chuẩn hoá của phần dư là vẽ và đồ thị P-P plots để so sánh với phân phối chuẩn. Đồ thị này thể hiện những giá trị tích luỹ của các điểm phân vị của phân phối của biến phần dư theo tích luỹ phân vị của phân phối chuẩn. Nếu trên đồ thị P-P plots các điểm này không nằm quá xa đường thẳng của phân phối chuẩn thì có thể xem như phần dư có phân phối gần chuẩn.
39
Tóm tắt chƣơng 3
Trong chương này, đề tài đã trình bày rõ một số nội dung về: phương pháp nghiên cứu định tính và kết quả của nó, phương pháp nghiên cứu định lượng, qui trình phân tích và xử lý số liệu trong nghiên cứu định lượng. Trong chương kế tiếp, tác giả sẽ trình bày kết quả cụ thể của q trình trình phân tích định lượng.
40
CHƢƠNG 4: TRÌNH BÀY KẾT QUẢ NGHIÊN CỨU ĐỊNH LƢỢNG LƢỢNG
Giới thiệu
Nội dung chương 4 là kiểm định thang đo, phân tích nhân tố, kiểm định mơ hình, kiểm định giả thuyết. Để hoàn thành nhiệm vụ này, chương 4 bao gồm các bước phân tích số liệu như: thu thập, làm sạch dữ liệu, tổng hợp và phân tích dữ liệu, đánh giá kết quả. Phần mềm SPSS là cơng cụ chính được sử dụng trong chương này để tiến hành phân tích trong nghiên cứu định lượng.
4.1 Mơ tả mẫu nghiên cứu:
Vì đối tượng khảo sát chính trong nghiên cứu này là khách hàng của các ngân hàng trong độ tuổi trên 18, có giao dịch với các ngân hàng và chưa sử dụng dịch vụ internet banking, vì vậy, việc khảo sát được tiến hành thông qua phương pháp gởi bảng câu hỏi phỏng vấn qua email và dùng câu hỏi gạn lọc, với những khách hàng nào đã sử dụng dịch vụ internet banking, tác giả không đưa vào khảo sát. Có tổng cộng 200 bảng phỏng vấn được gởi đi, có 180 bảng được trả lời, trong