CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Nghiên cứu định lượng
3.3.1. Mẫu và thông tin mẫu
Khảo sát định lượng thực hiện đối với khách hàng của Vinaphone sử dụng dịch vụ sáu tháng trở lên, tiến hành phỏng vấn khách hàng tại các khu vực tỉnh, thành tập trung nhiều thuê bao. Phương pháp lấy mẫu phi xác suất [3] theo giới tính (nam, nữ), sáu nhóm độ tuổi (16-25, 26-35, 36-45, 46-55, 56-65, 66-75), nghề
nghiệp (công chức nhà nước, làm cho cơng ty tư nhân, sinh viên, có doanh nghiệp riêng, nghề nghiệp khác), thu nhập (3 triệu trở xuống, 3.1-6 triệu, 6.1-9 triệu, 9.1-12 triệu, 12.1-15 triệu, trên 15 triệu)
Theo Hair và ctg (1998) [25], 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.
Theo Bentler và Chou (1996) [41], để một cuộc khảo sát đáng tin cậy thì tỉ lệ giữa số mẫu trên một biến quan sát ít nhất là 10:1.
Theo Tabachnick và Fidell (1996) [14], để tiến hành 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 là cỡ mẫu, m là số biến độc lập trong mơ hình.
Trên cơ sơ đó, đề tài có 23 biến quan sát, ta cần chọn cỡ mẫu ít nhất là 234.
Vì vậy đề tài sẽ chọn cỡ mẫu ít nhất là 234.
3.3.2. Thu thập và phân tích dữ liệu
Dữ liệu sau khi được thu thập sẽ được phân tích bằng phần mềm SPSS 17.0, phân tích được tiến hành thông qua những giai đoạn sau sau: (1) Phân tích nhân tố khám phá EFA và kiểm định thang đo bằng hệ số Cronbach’s Alpha, (2) chạy hồi
quy đa biến để kiểm định mơ hình cũng như xem xét ảnh hưởng của các nhân tố đến
sự thỏa mãn của khách hàng. (3) phân tích phương sai (One-way Anova) để tìm hiểu giữa các đối tượng khách hàng nhìn nhận mức độ quan trọng của các nhân tố có giống nhau hay không. Các bước xử lý số liệu cụ thể bằng SPSS 17.0 sẽ được
Hình 3.2: Các bước xử lý số liệu 3.3.2.1. Làm sạch dữ liệu [6] 3.3.2.1. Làm sạch dữ liệu [6]
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.
3.3.2.2. Kiểm định phân phối chuẩn
Để có thể sử dụng mẫu thu thập được vào việc chạy mơ hình 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
Làm sạch dữ liệu
Kiểm định phân phối chuẩn
Kiểm định độ tin cậy Cronbach Alpha
Phân tích nhân tố EFA
Phân tích hồi quy
tích đa biến, đề cập đến dạng phân phối của dữ liệu cho từng biến riêng và so sánh
với dạng phân phối chuẩn.
Kiểm tra tính phân phối chuẩn của các biến bằng cách xem dạng phân phối tần số của các mẫu cũng như các thông số Skewness và Kurtosis [25]. 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.
3.3.2.3. Kiểm tra độ tin cậy các nhóm nhân tố
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 nghĩa [6].
3.3.2.4. 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 tới thành 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 góc Varimax để tìm ra các nhân tố đại diện cho các
biến. Phép quay Varimax là cách quay thẳng góc phổ biến nhất và được sử dụng trong nghiên cứu của đề tài này. Varimax cho phép xoay nguyên góc các nhân tố để tối thiểu hố số lượng biến có hệ số lớn tại cùng một nhân tố. Đây là phép quay được sử dụng trong tài liệu này.
Việc phân tích nhân tố sẽ được thực hiện theo các tiêu chí sau:
- 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 [25]. 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 từ 0.5 trở lên thì tập dữ liệu được xem là phù hợp để tiến hành phân tích nhân tố [25].
- Eigenvalue: Là tổng bình phương các trọng số của các biến trên một cột nhân tố. 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 [25].
- 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 [25].
- Trong phần xử lý này, tác giả chấp nhận hệ số “factor loading” từ 0.40 trở lên theo qui tắc Thurstone. Nếu không đạt các yêu cầu này và không phải là biến quan trọng trong mơ hình thì biến sẽ bị loại và chạy lại phân tích nhân tố. Nếu nhân tố nào chỉ có dưới 2 biến có factor loading có ý nghĩa thì các biến này sẽ bị loại. Qui tắc loại biến dựa trên nguyên tắc của Thurstone (Coughlin, A. M. and Knight, W., Exploratory Factor Analysis):
+ Chọn các biến có factor loading cao (>0.4) ở các nhân tố thích hợp . + Loại bỏ các biến có factor loading cao (>0.4) ở nhiều biến nhân tố.
+ Loại các biến có factor loading cao và là duy nhất ở 1 nhân tố hoặc có
factor loading thấp (<0.4) ở tất cả các nhân tố.
+ Loại các biến có factor loading cao (>0.4) ở nhân tố khơng phải là nhân tố thích hợp được đề nghị.
Sau khi chạy xong phân tích nhân tố, các nhân tố sẽ được lưu lại thành các biến mới nhằm đưa vào mơ hình hồi qui để kiểm định các giả thuyết đưa ra.
3.3.2.5. Phân tích hồi qui bội kiểm định mơ hình lý thuyết [6]
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 độc lập 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 hoàn toàn khơng quan hệ tuyến tính nếu hệ số tương quan giữa chúng là 0. Đa cộng tuyến xảy ra khi một biến độc lập nào đó tương quan mạnh với một nhóm biến độc lập khác.
- 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 khơng
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.
- Hệ số Tolerance: Gược sử dụng để đo lường tính tuyến tính và đa cộng
tuyến, giá trị tolerance của biến i (TOLi) là 1-R2*i với R2*i là hệ số khẳng định cho việc dự báo biến i bởi các biến độc lập khác. Khi giá trị Tolerance của một biến càng nhỏ thì biến này càng bị cộng tuyến với các biến độc lập khác.