GT Giá thuốc
GT_2 Giá thuốc là yếu tố quan trọng nhất khi anh chị chọn mua sản phẩm G. Richter GT_3 Nếu giá thuốc của cơng ty khác hấp dẫn hơn thì Anh/chị sẽ khơng
chuyển sang cơng ty đó
GT_4 G. Richter có những mức chiết khấu ưu đãi khi anh chị là khách hàng quen thuộc
( Nguồn: Tác giả tổng hợp )
Thang đo sự hài lòng (HL) và thang đo lòng trung thành(TT) trong nghiên cứu định lượng sơ bộ đều có tương quan biến tổng > 0.3 và hệ số Cronbach’s Alpha
> 0.6. Do vậy các biến đo lường hai thành phần này được sử dụng cho bước nghiên cứu tiếp theo ( Bảng 3.4 ).
3.3.5. hệ số kiểm định độ tin cậy của thang đo
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại 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 biến khơng phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với
nhau hay không; nhưng không cho biết biến quan sát 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 biến quan sát nào khơng đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
- Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ 0.3 (Nunally & Burnstein 1994; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
- Các mức giá trị của hệ số Cronbach’s 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 (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
3.3.6. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis):
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến khơng đảm bảo độ tin cậy. Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thơng tin của tập biến ban đầu.
Phân tích nhân tố là một kỹ thuật để nhận biết các nhóm hay tập hợp các biến cơ sở để có thể tính tốn. 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. Các biến được gọi là nhân tố hay các biến tiềm tàng là do chúng không thể được nhận ra một cách trực tiếp.
Như vậy, qua phân tích nhân tố với phép rút gọn dữ liệu và biến bằng cách nhóm chúng lại với các nhân tố đại diện.
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. Đơn vị KMO là tỷ lệ giữa bình phương tương quan của các biến với bình phương tương quan một phần của các biến. Trị số của KMO lớn (giữa 0.5 và 1) có ý nghĩa là phân tích nhân tố là 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.
Một phần quan trọng trong bảng phân tích nhân tố là ma trận nhân tố (Component Matrix). 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 nhân tố). Những hệ số này (factor loading) biểu diễn tương quan giữa các nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Các hệ số này dùng để giải thích các nhân tố.