Chương 1 : CƠ SỞ LÝ LUẬN CỦA ĐỀ TÀI
2.4.5. Phân tích nhân tố khám phá EFA
2.4.5.1.Phương pháp phân tích
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) 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.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser - Meyer - Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO có giá trị trong khoản từ 0,5 đến 1 thì phân tích này mới thích hợp, cịn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu.
Đại lượng Bartlett là một đại lượng thống kê dung để xem xét xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hoàn tồn với chính nó (r=1) nhưng khơng có tương quan với những biến khác (r=0). Điều kiện cần để áp dụng phân tích nhân tố là các biến các biến phải có tương quan với nhau, do đó nếu kiểm định cho thấy khơng có ý nghĩa thống kê thì khơng nên áp dụng phân tích nhân tố cho các biến đang xem xét. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤0.05) thì các biến quan sát có tương quan trong tổng thể.
Ngồi ra, phân tích nhân tố cịn dựa vào Eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue > 1 và tổng phương sai trích lớn hơn 50% thì mới được giữ lại trong mơ hình (Gerbing và Anderson, 1988). Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (Component Matrix) hay ma trận nhân tố khi các nhân tố được xoay. Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan
chặt chẽ với nhau. Với cở mẫu trong nghiên cứu là 200, như vậy có thể giữ lại các biến có hệ số tải nhân tố ≥ 0.4 để hạn chế loại biến (Gerbing và Anderson, 1988). Ngoài ra, tác giả khi thực hiện loại các biến không phù hợp khi phân tích nhân tố khám phá EFA theo thứ tự: loại các biến cùng giải thích cho nhiều nhân tố có hệ số tải nhân tố gần nhau trước để tạo giá trị phân biệt giữa các nhân tố, sau đó loại tiếp các biến có hệ số tải nhân < 0.4.
Tác giả phân tích nhân tố khám phá EFA riêng biệt cho biến độc lập và biến phụ thuộc nhằm tránh trường hợp khi phân tích hồi quy tuyến tính sẽ khơng có ý nghĩa vì hiện tượng các biến độc lập và phụ thuộc giải thích qua lại cho nhau.
2.4.5.2.Kết quả EFA cho biến độc lập
Bảng 2.7: Kết quả kiểm định KMO và Bartlett biến độc lập
KMO 0.880
Sig 0.000
Eigenvalue 1.210
Phương sai trích 65.903
(Nguồn: Phụ lục 6 - Kết quả SPSS KMO và Bartlett biến độc lập)
KMO = 0.880 > 0.5 nên mô hình phân tích là phù hợp. Sig = 0.000 nên kiểm định này có ý nghĩa thống kê và các biến có tương quan nhau trong tổng thể. Đồng thời phương sai trích = 65.903% > 50 %, Eigenvalue = 1.210 > 1 nên mơ hình đủ điều kiện để phân tích nhân tố.
Sau khi dùng SPSS 16.0 chạy kết quả phân tích ma trận nhân tố xoay đến với phương thức loại từng biến nếu có hệ số tải nhân tố ≤ 0.4 và cùng giải thích cho nhiều thành phần có mức độ ngang nhau. Các biến đều được giữ lại vì có hệ số tải nhân tố đạt tiêu chuẩn nghiên cứu, giá trị nhỏ nhất 0.539 > 0.4 (phụ lục 6).
Như vậy với 22 biến quan sát trong 4 thành phần (biến độc lập) sau khi đã kiểm tra độ tin cậy, qua bước phân tích nhân tố cịn lại toàn bộ 22 biến quan sát. Đồng thời vẫn giữ nguyên 4 thành phần chính. Dựa trên các biến mới sau khi phân tích nhân tố khám phá, tác giả vẫn dùng lại tên củ trong nhóm biến độc lập. Kết quả
phân tích nhân tố khám phá được thể hiện tại phụ lục 6 với các tên gọi và thành phần:
Thành phần Tin cậy, bao gồm các biến: V01, V02, V03, V04, V05, V06.
Tất cả các biến đều được giữ nguyên theo cơ sở lý thuyết, biểu hiện cho sự Tin cậy của khách hàng đối với nhà cung cấp dịch vụ kiểm toán (DTL).
Thành phần Đáp ứng, bao gồm các biến V07, V08, V09, V10, V11. Các biến thể hiện mức độ đáp ứng chính xác, đầy đủ, nhanh chóng, mức độ sẵn sàng… đối với nhu cầu của khách hàng.
Thành phần Năng lực phục vụ, bao gồm các biến V12, V13, V14, V15,
V16. Tất cả các biến biểu hiện cho năng lực phục vụ của nhà cung cấp dịch vụ kiểm toán (DTL), với cốt lõi là nhân sự của Công ty.
Thành phần Phương tiện hữu hình: bao gồm các biến V17, V18, V19,
V20, V21, V22. Tất cả các biến biểu hiện những phương tiện hữu hình mà khách hàng có thể nhìn thấy được trong q trình cung cấp dịch vụ của công ty, bao gồm nhân viên và cơ sở vật chất của Công ty.
2.4.5.3.Kết quả EFA cho biến phụ thuộc
Bảng 2.8: Kết quả kiểm định KMO và Bartlett biến phụ thuộc
KMO 0.714
Sig 0.000
Eigen-value 2.199
Phương sai trích 73.300
(Nguồn: Phụ lục 6 - Kết quả SPSS KMO và Bartlett biến phụ thuộc) KMO = 0.714 > 0.5 nên mơ hình phù hợp cho việc phân tích. Sig = 0.000 nên kiểm định này có ý nghĩa thống kê và các biến có tương quan nhau trong tổng thể. Đồng thời phương sai trích = 73.300% > 50%; Eigenvalue = 2.199 > 1 nên mơ hình đủ điều kiện để phân tích nhân tố khám phá.
Tin cậy
Đáp ứng
Sự hài lòng của khách hàng Năng lực phục vụ
Phương tiện hữu hình
Bảng 2.9: Kết quả EFA biến phụ thuộc
Biến Diễn giải Hệ số tải
nhân tố V23 Lợi ích của bạn nhận được từ Công ty cao hơn những công
ty cùng lĩnh vực khác .858
V24 Công ty đã đáp ứng được những kỳ vọng của bạn .871 V25 Nhìn chung, bạn hài lịng với dịch vụ kiểm tốn của Công ty .839
(Nguồn: Phụ luc 6 - Kết quả SPSS - EFA biến phụ thuộc)
2.4.5.4.Kết luận về mơ hình nghiên cứu
Sau khi phân tích EFA, các nhóm được vẫn giữ nguyên tên với những biến phù hợp trong thành phần. Mơ hình chính thức về chất lượng dịch vụ kiểm tốn và sự hài lòng của khách hàng giữ nguyên theo mơ hình lý thuyết.
Hình 2.3: Mơ hình nghiên cứu chính thức
Với các giả thuyết như sau:
Giả thuyết H1: Sự tin cậy càng cao thì khách hàng sẽ càng hài lịng. Giả thuyết H2: Năng lực phục vụ càng tốt thì sự hài lòng càng lớn Giả thuyết H3: Sự đáp ứng càng tốt thì sự hài lịng của càng cao
2.4.6. Phân tích tương quan
2.4.6.1.Phương pháp phân tích
Chúng ta sử dụng một số thống kê có tên là Hệ số tương quan tuyến tính r (Pearson Correlation Coefficient) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nhìn chung r được sử dụng để kiểm tra liên hệ giữa những biến định lượng (khoảng cách hay tỷ lệ). Trị tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính, giá trị tuyệt đối của r tiến gần đến 1 khi hai biến có mối tương quan tuyến tính chặt chẽ.
0 < r ≤1 : gọi là tương quan tuyến tính thuận (X↑, Y↑) -1 ≤ r ≤0 : gọi là tương quan tuyến tính nghịch (X↑, Y↓)
2.4.6.2.Kết quả phân tích tương quan
Bảng 2.10: Kết quả kiểm định tương quan giữa các biếnThành phần Thành phần Tin cậy Đáp ứng Năng lực phục vụ Phương tiện hữu hình Sự hài lịng Tin cậy Pearson
Correlation 1 .587** .551** .530** .649** Sig. (2-tailed) .000 .000 .000 .000 Đáp ứng Pearson Correlation .587** 1 .520** .647** .739** Sig. (2-tailed) .000 .000 .000 .000 Năng lực phục vụ Pearson Correlation .551** .520** 1 .421** .604** Sig. (2-tailed) .000 .000 .000 .000 Phương tiện hữu hình Pearson Correlation .530** .647** .421** 1 .656** Sig. (2-tailed) .000 .000 .000 .000 Sự hài lòng Pearson Correlation .649** .739** .604** .656** 1 Sig. (2-tailed) .000 .000 .000 .000
Hệ số tương quan tuyến tính r (Pearson Correlation Coefficient) để kiểm định sự tương quan giữa 4 thành phần chất lượng dịch vụ kiểm tốn và sự hài lịng của khách hàng. Các giá trị Sig đều nhỏ hơn 0.05, do đó chúng đều có ý nghĩa về mặt thống kê và trong các những mối quan hệ này tất cả đều cùng chiều. Tương quan thành phần Sự hài lòng của khách hàng với các thành phần chất lượng dịch vụ lần lượt: 0.649; 0.739; 0.604; 0.656. Do đó, có sự tương quan tỷ lệ thuận giữa các thành phần chất lượng dịch vụ với Sự hài lòng của khách hàng. Như vậy, kết quả kiểm định tương quan giữa các biến cho kết quả rất thích hợp để phân tích hồi quy.
2.4.7. Phân tích hồi quy tuyến tính
Để kiểm định vai trò quan trọng của các nhân tố trong việc đánh giá mối quan hệ giữa các thành phần chất lượng dịch vụ kiểm toán và sự ảnh hưởng của chúng đến sự hài lịng của khách hàng. Mơ hình hồi quy được sử dụng với biến độc lập là 4 thành phần: Tin cậy; Đáp ứng; Năng lực phục vụ; Phương tiện hữu hình và biến phụ thuộc là Sự hài lòng của khách hàng. Phân tích hồi quy được thực hiện với phần mềm SPSS 16 và giá trị các yếu tố được dùng để chạy hồi quy là giá trị trung bình của các biến quan sát đã được kiểm định.
2.4.7.1.Đánh giá sự phù hợp của mơ hình
Để đánh giá sự phù hợp của mơ hình giữa các thành phần chất lượng dịch vụ phân phối sản phẩm và sự hài lòng của khách hàng, tác giả sử dụng hàm hồi quy tuyến tính bội, 4 thành phần chất lượng dịch vụ là biến độc lập và sự hài lòng của khách hàng là biến phụ thuộc sẽ đưa vào chạy hồi quy cùng một lúc (Sử dụng phương pháp Enter trong SPSS).
Đánh giá chung dịch vụ = β0 + β1 * Thành phần Tin cậy + β2 * Thành phần Đáp ứng + β3 * Thành phần Năng lực phục vụ + β4 * Thành phần Phương tiện hữu hình. Với β1, β2, β3, β4 là các hệ số hồi quy riêng từng thành phần.
Bảng 2.11: Tóm tắt các hệ số về mức độ phù hợp của mơ hình Mơ hình R2 R2 điều chỉnh Kiểm định F Sig. Durbin- Watson 1 .674 .668 100.882 0.000 1.792
(Nguồn: Phụ lục 8 - Kết quả SPSS - Hồi quy tuyến tính)
Với giả thuyết H0 là β1 = β2 = β3 = β4 = 0, kết quả phân tích hồi qui có hệ số xác định R2 là 0.674, như vậy mơ hình nghiên cứu là phù hợp (0 < R2 ≤ 1), nói lên mơ hình hồi quy tuyến tính phù hợp đến mức 67.4%. Ngồi ra kết quả cũng cho thấy R2 điều chỉnh (Adjusted R Square) bằng 0.668 nhỏ hơn R2 và dùng nó để đánh giá độ phù hợp của mơ hình nghiên cứu sẽ an tồn hơn vì nó khơng thổi phồng mức độ phù hợp của mơ hình. R2 điều chỉnh là 0.668 nghĩa là mức độ phù hợp của mơ hình là 66.8% hay 66.8% là biến thiên của sự hài lịng được giải thích bởi quan hệ tuyến tính với 4 biến độc lập nói trên, cịn lại là 33.2% biến thiên do ảnh hưởng bởi các yếu tố khác chưa được giải thích trong mơ hình. Có thể nói các thành phần biến được đưa vào mơ hình đạt kết quả giải thích khá tốt và bác bỏ giả thuyết H0.
2.4.7.2.Kiểm định sự phù hợp của mơ hình
Kiểm định F sử dụng trong bảng phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mơ hình hồi quy tuyến tính tổng thể. Nó xem biến phụ thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập hay không. Kết quả nhận được cho thấy trị thống kê F là 100.882, được tính từ giá trị R square của mơ hình với giá trị Sig. rất nhỏ (= 0.000 < 0.05) cho thấy sẽ an tồn bác bỏ giả thuyết H0. Như vậy, có thể kết luận rằng mơ hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được.
Đa cộng tuyến là trạng thái các biến độc lập trong mơ hình có tương quan chặt chẽ với nhau. Tác giả sử dụng Hệ số phóng đại phương sai VIF (Variance inflation factor) để xem xét vấn đề đa cộng tuyến. Hệ số phóng đại phương sai VIF (VIF = 1/Tolerance) của các biến có trị số cao nhất là 2.444 và thấp nhất là 1.477 (nằm trong khoảng: 1 ≤ VIF <5) (xem bảng 2.12). Điều này cho thấy các biến độc lập này khơng có quan hệ chặt chẽ với nhau nên khơng có hiện tượng đa cộng tuyến xảy ra.
Ngoài ra, đại lượng thống kê Durbin-Watson (D) dùng để kiểm định tự tương quan trong mơ hình, với 1 < D < 3 là mơ hình khơng tự tương quan (kết quả tốt). Kết quả giá trị Durbin-Watson đạt 1.866 (xem bảng 2.13) cho thấy mơ hình khơng tự tương quan nên chấp nhận giả thuyết khơng có sự tương quan.
Như vậy, mơ hình hồi quy bội thỏa các điều kiện đánh giá và kiểm định độ phù hợp cho việc rút ra các kết quả nghiên cứu.
2.4.7.3.Kết quả phân tích hồi quy
Bảng 2.12: Kết quả phân tích hồi qui bội
Tên biến Hệ số hồi qui (B) Độ lệch chuẩn Hệ số hồi qui chuẩn hóa (Beta) Giá trị t Mức ý nghĩa (Sig.) Độ chấp nhận Hệ số phóng đại phương sai (VIF) Hằng số -.513 .217 -2.360 .019 Tin Cậy .229 .063 .200 3.619 .000 .547 1.828 Đáp ứng .417 .068 .368 6.181 .000 .471 2.123 Năng lực PV .248 .061 .208 4.051 .000 .636 1.571 PT hữu hình .244 .060 .224 4.056 .000 .546 1.832
(Nguồn: Phụ lục 8 - Kết quả phân tích hồi qui tuyến tính bội)
Hệ số Beta dùng để đánh giá mức độ quan trọng của các nhân tố chất lượng dịch vụ kiểm toán ảnh hưởng đến sự hài lòng của khách hàng. Hệ số Beta của nhân tố nào càng cao thì mức độ quan trọng của nhân tố đó ảnh hưởng đến đánh giá chất lượng dịch vụ càng cao.
Kết quả phân tích hồi quy cho thấy các biến trong thang đo chất lượng dịch vụ kiểm tốn tất cả 4 biến đều có hệ số dương, nên các yếu tố trong mơ hình hồi quy ảnh hưởng tỷ lệ thuận đến sự hài lòng của khách hàng và 4 thành phần này với mức ý nghĩa quan sát Sig. < 0.05 là có ý nghĩa thống kê. Như vậy, các giả thuyết H1, H2, H3, H4 trong mơ hình nghiên cứu (Hình 2.4) đều được chấp nhận.
Từ bảng kết quả phân tích hồi qui tuyến tính đa biến ta có phương trình dự đốn kết quả đánh giá chung về dịch vụ như sau:
Sự hài lòng của khách hàng = 0.200 Tin cậy + 0.368 Đáp ứng + 0.208 Năng lực phục vụ + 0.224 Phương tiện hữu hình.
Qua phương trình trên, hệ số β=0.368 của Thành phần Đáp ứng là cao nhất. Điều này có ý nghĩa là, đối với dịch vụ kiểm tốn tại DTL thì Thành phần Đáp ứng có ảnh hưởng đến mức độ hài lịng của khách hàng là lớn nhất. Khi khả năng đáp ứng của DTL lên 1 đơn vị thì sự hài lịng của khách hàng tăng lên 0.368 đơn vị, tương tự với các thành phần Tin cậy, Năng lực phục vụ và Phương tiện hữu hình.
2.4.8. Phân tích sự ảnh hưởng của các đối tượng khách hàng tới chất lượng dịch vụ kiểm tốn và sự hài lịng của khách hàng
2.4.8.1.Phân tích ảnh hưởng thơng qua Giới tính của các đối tượng
Ta sử dụng phân tích trung bình (T-test) để thấy được sự khác biệt về mức độ đánh giá chất lượng dịch vụ kiểm tốn và sự hài lịng của khách hàng theo giới tính. Tiêu chuẩn để có sự khác biệt về đánh giá giữa Nam và Nữ là giá trị p (sig)<0.05. Thực hiện kiểm định đối với hai mẫu độc lập là đối tượng Nam và Nữ. Kết quả phân tích được thể hiện tại phụ lục 9 (Independent Samples Test Giới