Giả thuyết Nội dung
H1 Nhận thức sự hữu ích có ảnh hưởng tích cực đến quyết định mua sắm trực tuyến của sinh viên UFM.
H2 Nhận thức rủi ro có ảnh hưởng tiêu cực đến quyết định mua sắm trực tuyến của sinh viên UFM.
H3 Niềm tin có ảnh hưởng tích cực đến quyết định mua sắm trực tuyến của sinh viên UFM.
H4 Chất lượng dịch vụ có ảnh hưởng tích cực đến quyết định mua sắm trực tuyến của sinh viên UFM.
H5 Cảm nhận về tính dễ sử dụng có ảnh hưởng tích cực đến quyết định mua sắm trực tuyến của sinh viên UFM
H6 Giá cả có ảnh hưởng cùng chiều đến quyết định mua sắm trực tuyến của sinh viên UFM.
H7 Mức độ bảo mật và quyền riêng tư có ảnh hưởng tích cực đến quyết định mua sắm trực tuyến của sinh viên UFM.
Chương 2: Phương pháp nghiên cứu 2.1. Phương pháp thu thập và xử lý dữ liệu 2.1.1. Các phương pháp thu thập
Để thu thập và xử lý các dữ liệu thứ cấp và sơ cấp, luận án đã sử dụng các phương pháp chủ yếu sau đây:
- Phương pháp phân tích và tổng hợp: Xuất phát từ thực tế mua sắm trực tuyến có
rất nhiều ưu điểm so với mua sắm truyền thống và số lượng sinh viên sử dụng Internet vào mục đích mua sắm trực tuyến ở Việt Nam chiếm tỷ lệ cao. Do đó, câu hỏi được đặt ra là nguyên nhân nào khiến sinh viên ở các trường đại học ở Việt Nam tham gia mua sắm trực tuyến? Vì vậy, các câu hỏi nghiên cứu được đặt ra rằng các yếu tố ảnh hưởng đến quyết định mua hàng trực tuyến của sinh viên trường đại học Tài Chính - Marketing?
- Phương pháp nghiên cứu tại bàn: Từ những câu hỏi nghiên cứu đã đặt ra ở bước
1, tác giả khai thác tối đa những kết quả nghiên cứu trong và ngoài nước đã được cơng bố trước đây có liên quan đến mua sắm trực tuyến, xác định rõ những nội dung có thể kế thừa và phát triển, những “khoảng trống” cần phải nghiên cứu với những đóp góp khoa học thiết thực.
- Phương pháp nghiên cứu định tính: Phương pháp này nhằm kiểm tra mức độ phù hợp
của thang đo liên quan đến biến tiềm ẩn và tìm hiểu sâu về các nhân tố ảnh hưởng đến quyết định mua sắm trực tuyến của sinh viên đại học Tài Chính – Marketing. Kết quả nghiên cứu định tính dùng để điều chỉnh thang đo và mơ hình lý thuyết làm cơ sở thiết kế bảng câu hỏi trong nghiên cứu.
- Phương pháp nghiên cứu định lượng: Phương pháp này đòi hỏi phải xây dựng
bảng hỏi để thực hiện điều tra và sử dụng các kỹ thuật của phần mềm SPSS.20 để phân tích Cronbach’s Alpha nhằm loại biến có hệ số tương quan biến tổng nhỏ. Hệ số Cronbach’s Alpha tối thiểu lớn hơn 0,6 đối với các nhân tố (Hair et al., 1998) thì được chấp nhận. Sử dụng phần mềm SPSS.20, tác giả cũng sẽ phân tích nhân tố khám phá (EFA) nhằm loại bỏ các biến có trọng số nhân tố nhỏ hơn 0,5 (Factor loading - FL). Các biến cịn lại (thang đo hồn chỉnh) sẽ được đưa vào phân tích CFA để kiểm tra vai trị của các biến trong các nhân tố.
2.1.2. Phương pháp chọn mẫu
Kích thước mẫu tối ưu phụ thuộc vào kỳ vọng về độ tin cậy, phương pháp phân tích dữ liệu, phương pháp ước lượng được sử dụng trong nghiên cứu, các tham số cần ước lượng. Để tiến hành phân tích tốt nhất, theo Tabachnick & Fidell (1996), kích thước mẫu n ≥ 8m + 50 (m là số lượng biến số độc lập trong mơ hình); cịn theo Aprimer thì n ≥ 104 + m. Để phục vụ cho kiểm định thang đo, các nhà nghiên cứu không đưa ra con số cụ thể về số mẫu cần thiết mà đưa ra tỷ lệ giữa số mẫu cần thiết và số tham chiếu cần ước lượng. Đối với phân tích nhân tố (EFA), kích thước mẫu sẽ phụ thuộc và số lượng biến được đưa ra trong phân tích nhân tố. Hair et al. (1998) cho rằng số lượng mẫu cần gấp 5 lần số lượng biến. Trong khi Hồng & Chu (2005) cho rằng tỷ lệ đó là 4 hay 5. Trong nghiên cứu này có tất cả 33 biến cần tiến hành phân tích nhân tố, vì vậy cỡ mẫu tối thiểu cần là: 33 x 4 = 132 quan sát.
2.1.3. Phương pháp khảo sát:
Khi phát bảng hỏi, tác giả đều có hướng dẫn chi tiết để người thực hiện khảo sát có thể hiểu và trả lời đầy đủ các câu hỏi trong bảng hỏi, tránh hiểu lầm hoặc bỏ sót các câu hỏi. Tất cả các tiêu chí đã hiệu chỉnh đều trở thành các câu hỏi trong bảng hỏi.
Thời gian khảo sát:
Sau 2 tuần khảo sát (25/6-9/7), số phiếu phát ra là 200, tổng số phiếu thu về là 175 phiếu. Sau khi loại những phiếu không đạt yêu cầu (không đủ thông tin, điền thơng tin khơng đảm bảo tính khách quan...), số phiếu cịn lại là 150 phiếu đảm bảo yêu cầu và tiếp tục được sử dụng trong phân tích dữ liệu.
2.1.4. Phương pháp phân tích dữ liệu:
Kiểm tra độ tin cậy Cronbach’s Alpha
Trước hết, độ tin cậy của các tiêu chí được đánh giá thông qua hệ số Cronbach’s Alpha. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các tiêu chí khơng phù hợp vì các tiêu chí khơng phù hợp (rác) này có thể tạo ra các yếu tố giả (Nguyễn & Nguyễn, 2009), Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các tiêu chí có liên kết với nhau hay khơng; nhưng khơng cho biết tiêu chí nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính tốn hệ số tương quan giữa biến-tổng sẽ giúp loại ra những tiêu chí nào khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo (Hoàng & Chu, 2005). Các điều kiện được sử dụng khi thực hiện đánh giá độ tin cậy các tiêu chí:
- Loại các tiêu chí có hệ số tương quan biến-tổng nhỏ (nhỏ hơn 0,3); tiêu chuẩn chọn
nhân tố khi có độ tin cậy Alpha lớn hơn 0,6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao (Nguyễn & Nguyễn, 2009).
- Các mức giá trị của Alpha: lớn hơn 0,8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử
dụng được; từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Perterson & Jolibert, 1995; Hoàng & Chu, 2005).
- Các tiêu chí có tương quan biến-tổng nhỏ (nhỏ hơn 0,4) được xem là biến rác thì sẽ được loại ra và biến số được chấp nhận khi hệ số tin cậy Alpha đạt yêu cầu (lớn hơn 0,7).
Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá các tiêu chí dựa theo tiêu chuẩn:
- Loại các tiêu chí có hệ số tương quan biến-tổng nhỏ hơn 0,4 (đây là những
tiêu chí khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo và nhiều nghiên cứu trước đây đã sử dụng tiêu chuẩn này). Chọn các tiêu chí có độ tin cậy Alpha lớn hơn 0,6 (các khái niệm trong nghiên cứu này là tương đối mới đối với đối tượng nghiên cứu khi tham gia trả lời).
Phân tích nhân tố khám phá EFA
EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F≤k) các nhân tố có ý nghĩa hơn biến (tức là các biến có liên quan được nhóm lại với nhau và tách ra khỏi các biến khác mà nó ít liên quan), dùng để đánh giá giá trị hội tụ và giá trị phân biệt của các biến.
Về giá trị hội tụ: tức là các biến quan sát đều phải tải mạnh (Hệ số tải Factor Loading)
cho một nhân tố sẽ phải gom về một nhân tố đó.
Về giá trị tách biệt: Mỗi nhân tố trong mơ hình sẽ có xu hướng tải khác nhau.
Nhóm biến quan sát tải cho nhân tố thứ nhất khơng có tương quan (tách biệt) với nhóm biến quan sát tải cho nhân tố thứ hai. Từ đó, dẫn đến sự phân nhóm nhân tố thành từng cột trong ma trận xoay.
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: - Hệ số tải nhân tố: trọng số của nhân tố (Factor loading) > 0,5
+ Factor Loading > 0,3, được xem là đạt mức tối thiểu; + Factor Loading > 0,4, được xem là quan trọng;
+ Factor Loading > 0,5, được xem là có ý nghĩa thực tiễn.
- Hệ số KMO (Kaiser-Mayer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp (0.5 ≤ KM0 ≤1).
- Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0,05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0,05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.
- Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
Phân tích tương quan
Mục đích chạy tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau.
Về nguyên tắc, tương quan Pearson sẽ tìm ra một đường thẳng phù hợp nhất với mối quan hệ tuyến tính của 2 biến.
Khi sig nhỏ hơn 0.05 thì chỗ hệ số tương quan Pearson chúng ta sẽ thấy ký hiệu * hoặc **.
- Ký hiệu ** cho biết rằng cặp biến này có sự tương quan tuyến tính ở mức tin cậy đến 99% (tương ứng mức ý nghĩa 1% = 0.01).
- Ký hiệu * cho biết rằng cặp biến này có sự tương quan tuyến tính ở mức tin cậy đến 95% (tương ứng mức ý nghĩa 5% = 0.05).
Phân tích hồi quy
Trong nghiên cứu, chúng ta thường phải kiểm định các giả thuyết về mối quan hệ giữa hai hay nhiều biến, trong đó có một biến phụ thuộc và một hay nhiều biến độc lập. Nếu chỉ có một biến độc lập, mơ hình được gọi là mơ hình hồi quy đơn biến SLR (Simple Linear Regression). Trường hợp có từ hai biến độc lập trở lên, mơ hình được gọi là hồi quy bội MLR (Multiple Linear Regression)
Phương trình hồi quy bội: Y = β0 + β1X1 + β2X2 + … + βnXn - Y: biến phụ thuộc, là biến chịu tác động của biến khác.
- β0: hằng số hồi quy, hay còn được gọi là hệ số chặn. Đây là chỉ số nói lên giá trị của
Y sẽ là bao nhiêu nếu tất cả X cùng bằng 0. Nói cách khác, chỉ số này cho chúng ta biết giá trị của Y là bao nhiêu nếu khơng có các X. Khi biểu diễn trên đồ thị Oxy, β0 là điểm trên trục Oy mà đường hồi quy cắt qua.
- β1, β2, βn: hệ số hồi quy, hay còn được gọi là hệ số góc. Chỉ số này cho chúng ta biết
về mức thay đổi của Y gây ra bởi X tương ứng. Nói cách khác, chỉ số này nói lên có bao nhiêu đơn vị Y sẽ thay đổi nếu X tăng hoặc giảm một đơn vị.
Chúng ta cần đánh giá độ phù hợp mơ hình một cách chính xác qua kiểm định giả thuyết. Để kiểm định độ phù hợp mơ hình hồi quy, chúng ta đặt giả thuyết H0: R2 = 0. Phép kiểm định F được sử dụng để kiểm định giả thuyết này. Kết quả kiểm định:
- Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là R2 ≠ 0 một cách có ý nghĩa thống kê, mơ hình hồi quy là phù hợp.
- Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là R2 = 0 một cách có ý nghĩa thống kê, mơ hình hồi quy khơng phù hợp.
Trong SPSS, các số liệu của kiểm định F được lấy từ bảng phân tích phương sai ANOVA. Bảng ANOVA cho chúng ta kết quả kiểm định F để đánh giá giả thuyết sự phù hợp của mơ hình hồi quy. Giá trị sig kiểm định F bằng 0.000 < 0.05, do đó, mơ hình hồi quy là phù hợp.
Một thước đo sự phù hợp của mơ hình hồi quy tuyến tính thường dùng là hệ số xác định R2 (R square). Khi phần lớn các điểm dữ liệu tập trung sát vào đường hồi quy, giá trị R2 sẽ cao, ngược lại, nếu các điểm dữ liệu phân bố rải rác cách xa đường hồi quy, R2 sẽ thấp. Chỉ số R2 nằm trong bảng Model Summary.
Khi chúng ta đưa thêm biến độc lập vào phân tích hồi quy, R2 có xu hướng tăng lên. Điều này dẫn đến một số trường hợp mức độ phù hợp của mơ hình hồi quy bị thổi phồng khi chúng ta đưa vào các biến độc lập giải thích rất yếu hoặc khơng giải thích cho biến phụ thuộc. Trong SPSS, bên cạnh chỉ số R2, chúng ta cịn có thêm chỉ số R2 Adjusted (R2 hiệu chỉnh). Chỉ số R2 hiệu chỉnh không nhất thiết tăng lên khi nhiều biến độc lập được thêm vào hồi quy, do đó R2 hiệu chỉnh phản ánh độ phù hợp của mơ hình chính xác hơn hệ số R2.
R2 hay R2 hiệu chỉnh đều có mức dao động trong đoạn từ 0 đến 1. Nếu R2 càng tiến về 1, các biến độc lập giải thích càng nhiều cho biến phụ thuộc, và ngược lại, R2 càng tiến về 0, các biến độc lập giải thích càng ít cho biến phụ thuộc.
Khơng có tiêu chuẩn chính xác R2 ở mức bao nhiêu thì mơ hình mới đạt u cầu. Cần lưu ý rằng, không phải ln ln một mơ hình hồi quy có R2 cao thì nghiên cứu có giá trị cao, mơ hình có R2 thấp thì nghiên cứu đó có giá trị thấp, độ phù hợp mơ hình hồi quy khơng có mối quan hệ nhân quả với giá trị của bài nghiên cứu. Trong nghiên cứu lặp lại, chúng ta thường chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu và kỳ vọng từ 0.5 đến 1 thì mơ hình là tốt, bé hơn 0.5 là mơ hình chưa tốt. Tuy nhiên, điều này khơng thực sự chính xác bởi việc đánh giá giá trị R2 sẽ phụ thuộc rất nhiều vào các yếu tố như lĩnh vực nghiên cứu, tính chất nghiên cứu, cỡ mẫu, số lượng biến tham gia hồi quy, kết quả các chỉ số khác của phép hồi quy, …
Chúng ta sẽ đánh giá hệ số hồi quy của mỗi biến độc lập có ý nghĩa trong mơ hình hay khơng dựa vào kiểm định t (student) với giả thuyết H0: Hệ số hồi quy của biến độc lập Xi bằng 0. Mơ hình hồi quy có bao nhiêu biến độc lập, chúng ta sẽ đi kiểm tra bấy nhiêu giả thuyết H0. Kết quả kiểm định:
Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi khác 0 một cách có ý nghĩa thống kê, biến X1 có tác động lên biến phụ thuộc.
Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi bằng 0 một cách có ý nghĩa thống kê, biến Xi khơng tác động lên biến phụ thuộc.
Trong hồi quy, thường chúng ta sẽ có hai hệ số hồi quy: chưa chuẩn hóa (trong SPSS gọi là B) và đã chuẩn hóa (trong SPSS gọi là Beta). Mỗi hệ số hồi quy này có vai trị khác nhau trong việc diễn giải hàm ý quản trị của mơ hình hồi quy. Để hiểu khi nào dùng phương trình hồi quy nào, bạn có thể xem bài viết Sự khác nhau giữa hệ số hồi quy
chuẩn hóa và chưa chuẩn hóa.
Nếu hệ số hồi quy (B hoặc Beta) mang dấu âm, nghĩa là biến độc lập đó tác động nghịch chiều lên biến phụ thuộc. Khi xem xét mức độ tác động giữa các biến độc lập lên biến phụ thuộc, chúng ta sẽ dựa vào trị tuyệt đối hệ số Beta, trị tuyệt đối Beta càng lớn, biến độc lập tác động càng mạnh lên biến phụ thuộc. Xem chi tiết hơn tại bài viết Hệ số hồi
quy B, Beta âm trong phân tích SPSS.
Trong SPSS, các số liệu của kiểm định t được lấy từ bảng hệ số hồi quy Coefficients. Cũng lưu ý rằng, nếu một biến độc lập khơng có ý nghĩa thống kê trong kết quả hồi quy,