2.5 Nghiên ứu các ốả nh h ưở ng đến hh quy ết đị nh dụ ng IB ủa khách hàng ại Tp
2.5.4 Phép kiểm định Cronbach’s Alpha
Hệ số α của phép kiểm định Cronbach’s là một phép kiểm định thống kê về mức độ chặt chẽ và tương quan giữa các biến quan sát, hay nói cách khác nó đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời. Phương pháp
này cho phép người phân tích loại bỏ những biến khơng phù hợp và hạn chế các biến rác trong mơ hình nghiên cứu, tức là loại bỏ những biến quan sát (mục hỏi) làm giảm sự tương quan giữa các mục hỏi. Trong kiểm định Cronbach’s Alpha, các biến quan sát có hệ số tương quan giữa biến và tổng (Corrected Item-Total Correlation) nhỏ hơn 0,3 sẽ bị loại bỏ ((Nunnally & Burnstein, 1994); tiêu chuẩn chọn thang đo khi có hệ số Cronbach’s Alpha lớn hơn 0,6 (Nunnally & Burnstein, 1994) là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995); khi đó thang đo lường được xem là chấp nhận được và thích hợp để đưa vào những bước phân tích tiếp theo. Cũng theo nhiều nhà nghiên cứu, nếu Cronbach’s Alpha đạt từ 0,8 trở lên thì thang đo lường là tốt và mức độ tương quan sẽ càng cao; từ 0,7 đến 0,8 là sử dụng được. Tuy nhiên, nếu Cronbach’s Alpha quá cao (> 0,95) thì thang đo lường đó cũng khơng tốt vì các biến đo lường hầu như là một (Bagozzi & Edwards, De Vellis, 1991) hoặc có khả năng xuất hiện biến thừa (Redundant Items) ở trong thang đo, khi đó các biến thừa nên được loại bỏ. Phép kiểm định Cronbach’s Alpha góp phần giải quyết mục tiêu đó là, nghiên cứu xây dựng thang đo lường các nhân tố tác động đến quyết định sử dụng dịch vụ IB của khách hàng trên địa bàn Tp Hồ Chí Minh.
2.5.5Phân tích nhân tố khám phá (EFA – Exploratory Factor Analysis)
Phân tích nhân tố khám phá được sử dụng trong trường hợp mối quan hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay khơng chắc chắn. Phân tích EFA theo đó được tiến hành theo kiểu khám phá để xác định xem phạm vi, mức độ tương quan giữa các biến quan sát và các nhân tố cơ sở, cũng như sự phân biệt rõ ràng giữa các nhân tố, làm nền tảng cho một tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát tải lên các nhân tố cơ sở. Các nhân tố cơ sở là tổ hợp tuyến tính của các biến mô tả bằng hệ phương trình sau:
F1 = α11x1 + α12x2 + α13x3 + …. + α1PxP F2 = α21x1 + α22x2 + α23x3 + …. + α2PxP
Sử dụng phương pháp trích nhân tố Principal Axis Factoring với phép quay Promax (đối với các thang đo lường đa hướng – các biến tác động) vì theo Gerbing & Anderson (1988), phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal). Tuy nhiên với thang đo lường đơn hướng – biến bị tác động thì nên sử dụng phương pháp trích Principal Component Analysis vì phương pháp trích này sẽ làm cho tổng phương sai trích tốt hơn. Thang đo lường được chấp nhận khi thỏa mãn các điều kiện sau:
Tổng phương sai trích từ 0,5 trở lên (Gerbing & Anderson, 1988).
Hệ số tải nhân tố (Factor loading) lớn nhất của mỗi biến (Item) phải lớn hơn hoặc bằng 0,5 vì theo Hair & ctg (1998), hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích EFA (Ensuring Practical Significance). Factor loading lớn hơn 0,3 được xem là đạt mức tối thiểu; Factor loading lớn hơn 0,4 được xem là quan trọng; Factor loading lớn hơn hoặc bằng 0,5 được xem là có ý nghĩa thực tiễn. Tác giả này cũng có lời khuyên như sau: nếu chọn tiêu chuẩn Factor loading lớn hơn 0,3 thì cỡ mẫu ít nhất phải là n = 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading lớn hơn 0,55; nếu cỡ mẫu khoảng 50 thì Factor loading phải lớn hơn 0,75. Cỡ mẫu nghiên cứu của đề tài là n = 206 nên tiêu chuẩn của Factor loading được sử dụng là từ 0,5 trở lên.
Đồng thời, tại mỗi biến quan sát (Item) chênh lệch giữa hệ số tải nhân tố (Factor loading) lớn nhất và hệ số tải nhân tố bất kỳ phải từ 0,3 trở lên (Jabnoun & Al-Tamimi, 2003).
Hệ số KMO (Kaiser-Meyer-Olkin Measure of Sampling Adequacy) là chỉ tiêu sử dụng để xem xét sự thích hợp của phân tích EFA, khi 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp.
Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng khơng trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0,05) (Hair & ctg, 2006) thì các biến quan sát có tương quan với nhau trong tổng thể (Trọng & Ngọc,
2008). Phân tích nhân tố khám phá sẽ giải quyết được mục tiêu nghiên cứu đó là, xây dựng thang đo lường (đã qua phép kiểm định Cronbach’s Alpha).