CHƢƠNG 4 : TRÌNH BÀY KẾT QUẢ NGHIÊNCỨU ĐỊNH LƢỢNG
4.3. Phân tích nhân tố
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 (Hồng 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): mơ 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 khơng 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 hoá 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 hoá 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 công cụ chính được sử dụng trong chương này để tiến hành phân tích trong nghiên cứu định lượng.
4.1 Mô 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 khơng đưa vào khảo sát. Có tổng cộng 200 bảng phỏng vấn được gởi đi, có 180 bảng được trả lời, trong đó có 150 bảng phỏng vấn là hợp lệ. Kết quả được thống kê như sau:
Bảng 4.1: Thống kê số mẫu thu thập Mẫu trả
lời Mẫu không hợp lệ Mẫu hợp lệ Tỉ lệ mẫu hợp lệ
41
Thông tin mẫu khảo sát được mô tả chi tiết ở Bảng 4.2:
Bảng 4.2: Thông tin chung về mẫu nghiên cứu
Các đặc điểm của mẫu nghiên cứu Kích thƣớc mẫu N = 150 Tần số Phần trăm Giới tính Nam 71 48.63% Nữ 75 51.37% Tuổi 18-20 tuổi 2 1.37% 24-30 tuổi 76 52.05% 31-40 tuổi 65 44.52% >40 tuổi 3 2.05% Trình độ học vấn Cấp 3 hoặc thấp hơn 4 2.74% Cao đẳng, trung cấp 2 1.37% Đại học 91 62.33% Sau đại học 28 33.56% Nghề nghiệp
Học sinh sinh viên 4 2.74%
Nhân viên kỹ thuật/văn phòng 71 48.63%
Nhân viên kinh doanh 26 17.81%
Trưởng/ phó phong 33 22.60% Giám đốc/ phó giám đốc 12 8.22% Thu nhập hàng tháng Dưới 5 triệu đồng 8 5.48% 5 - 10 triệu đồng 56 38.36% Trên 10 triệu đồng 82 56.16%
Dữ liệu từ Bảng 4.2 cho thấy:
Độ tuổi từ 24-30 và 31-40 tuổi chiếm chủ yếu trong mẫu khảo sát. Tỷ lệ phân bổ của các nhóm 18-20 tuổi, 24-30 tuổi, 31-40 tuổi và trên 40 tuổi lần lượt là 1.37%, 52.05%, 44.52% và 2.05%
42
Tỷ lệ 2 nhóm nam nữ tham gia điều tra lần lượt là 48.63% và 51.37% (gần như xấp xỉ nhau).
Nhóm người tham gia vào cuộc điều tra có trình độ chủ yếu từ đại học và sau đại học với tỷ lệ lần lượt là 62.33% và 33.56%. Tỷ lệ nhóm cấp 3 hoặc thấp hơn và nhóm cao đẳng, trung cấp lần lượt là 2.74% và 1.37%
Nhóm người tham gia vào cuộc điều tra chủ yếu là nhân viên kỹ thuật/văn phòng (48.63%). Các nhóm học sinh/sinh viên, nhân viên kinh doanh, trưởng/phó phịng và giám đốc/phó giám đốc chiếm ít hơn với tỉ lệ lần lượt là 2.74%, 17.81%, 22.60%, và 8.22%
Nhóm người tham gia điều tra có thu nhập dưới 5 triệu đồng, từ 5-10 triệu đồng và trên 10 triệu đồng có tỷ lệ lần lượt là 5.48%, 38.36% và 56.16%
4.2 Kiểm tra độ tin cậy của các nhóm nhân tố:
Bước này nhằm kiểm tra độ tương quan các biến trong 1 nhân tố, kỹ thuật này nhằm phát hiện ra cách đặt câu hỏi của tác giả có hợp lý khơng, tác giả lọc ra các biến có hệ số tương quan so với biến tổng nhỏ hơn 0.3 sẽ bị loại, thang đo sẽ được chấp nhận khi hệ số Cronbach alpha đạt yêu cầu là lớn hơn 0.6.
Dữ liệu từ Bảng 4.3 cho thấy, các thang đo đều đạt yêu cầu vì các hệ số tương quan biến tổng tốt. Cụ thể, hệ số Cronbach alpha của thang đo “Sự hữu ích nhận thức” là 0.9198; của “Sự dễ sử dụng nhận thức” là 0.9443; của “Sự tin tưởng” là 0.9335; của “Sự hỗ trợ của Chính Phủ” là 0.8740; và của “Dự định sử dụng internet banking của khách hàng” là 0.8774.
43
Bảng 4.3. Hệ số Cronbach alpha của các nhân tố nghiên cứu Biến quan sát Trung bình thang đo nếu loại biến Phƣơng sai thang đo nếu
loại biến Tƣơng quan biến- tổng Cronbach alpha nếu loại biến Sự hữu ích nhận thức SHI1 24.4853 24.0146 0.8213 0.9001 SHI2 24.6544 25.0871 0.7813 0.9046 SHI3 24.7426 25.5555 0.7216 0.9107 SHI4 24.9559 24.8869 0.7327 0.9099 SHI5 25.0735 26.202 0.6361 0.9104 SHI6 24.4559 25.3314 0.8122 0.902 SHI7 24.7941 25.898 0.7698 0.9063 Cronbach’s Alpha = 0.9198 Sự dễ sử dụng nhận thức SDD1 20.1691 20.749 0.8742 0.9287 SDD2 19.9632 20.8563 0.8484 0.9317 SDD3 20.2059 20.3869 0.8046 0.9377 SDD4 20.1324 21.1083 0.7936 0.9383 SDD5 20.0809 21.4675 0.8376 0.9334 SDD6 20.0735 20.7205 0.8361 0.9332 Cronbach’s Alpha = 0.9443 Sự tin tƣởng STT1 19.7687 29.2619 0.8431 0.9177 STT2 19.7463 31.1532 0.6697 0.9338 STT3 19.9851 29.8494 0.8173 0.9203 STT4 19.9627 28.758 0.8477 0.9171 STT5 19.8209 30.0579 0.8083 0.9212 STT6 20.2463 29.7509 0.7093 0.9314 STT7 19.7239 30.1863 0.8182 0.9205 Cronbach’s Alpha = 0.9335
44 Sự hỗ trợ của Chính Phủ SHT1 10.7259 6.7378 0.7363 0.8372 SHT2 10.5926 7.2582 0.7569 0.829 SHT3 10.9111 7.0219 0.8108 0.8081 SHT4 11.2593 7.4621 0.6291 0.8784 Cronbach’s Alpha = 0.8740
Dự định sử dụng internet banking của khách hàng
DDS1 12.5217 6.6309 0.7213 0.8488 DDS2 12.2609 6.7198 0.7305 0.8488 DDS3 12.2609 6.4716 0.8114 0.8129 DDS4 12.3696 7.023 0.6818 0.8632 Cronbach’s Alpha = 0.8774 4.3 Phân tích nhân tố:
Sau khi phân tích hệ số tin cậy Cronbach’s Alpha, các thang đo đạt yêu cầu sẽ được đánh giá tiếp theo bằng phương pháp phân tích nhân tố khám phá EFA. Để nhận dạng và xác định các khái niệm liên quan, phương pháp phân tích nhân tố khám phá được sử dụng và áp dụng cho các biến quan sát. Bước này sử dụng phương pháp Principle component analysis với phép quay Varimax, điểm dừng khi trích các yếu tố có Eigenvalue là lớn hơn 1 và tổng phương sai trích lớn hơn 50% theo Gerbing & Anderson (1988). Các biến có hệ số chuyển tải nhỏ hơn 0.5 hoặc được chuyển tải ở nhiều nhân tố (>0.55) sẽ bị loại. Sau cùng sẽ xem xét ý nghĩa của các biến trong cùng một nhân tố, biến có ý nghĩa khơng nhất qn với các biến cịn lại trong một nhân tố sẽ bị loại cho đến khi các biến còn lại thỏa mãn các điều kiện trên.
Tổ hợp 24 biến quan sát được đưa vào phân tích nhân tố khám phá. Với 4 biến độc lập (20 biến quan sát) và một biến phụ thuộc là “Dự định sử dụng internet banking của khách hàng” (4 biến quan sát), chạy phân tích nhân tố được kết quả phân tích nhân tố với nhóm biến độc lập được trình bày trong Bảng 4.4.