Thành phần Các biến đo lường Mã hóa
Chất lượng cảm nhận
Cà phê mang đi Cappuccino có hương thơm đặc trưng CL.1
Cà phê mang đi Cappuccino có vị mạnh mẽ CL.2
Cà phê mang đi Cappuccino là nguyên chất CL.3
Cà phê mang đi Cappuccino là cà phê sạch CL.4
Cà phê mang đi Cappuccino có chất lượng cao CL.5
Giá trị cảm nhận
Cà phê mang đi Cappuccino sẽ thể hiện đẳng cấp GT.1
Cà phê mang đi Cappuccino sẽ thể hiện cá tính GT.2
Cà phê mang đi Cappuccino có chất lượng phù hợp với
giá cả GT.3
cà phê mang đi Cappuccino sẽ xứng đáng đồng tiền
hơn các thương hiệu khác GT.4
Ấn tượng thương hiệu
Cà phê mang mang đi khác.
đi Cappuccino trong các loại cà phê
AT.1 Có thể nhớ và dễ dàng nhận biết logo của thương hiệu
Cách trí cửa hàng phục vụ của Cà phê mang đi
Cappuccino đẹp AT.3
Chương trình marketing của cà phê mang đi
Cappuccino ấn tượng AT.4
Lòng tin về thương hiệu
Cappuccino là nhãn hiệu đầu tiên được nghĩ đến LT.1
Cà phê mang đi Cappuccino là thương hiệu an toàn LT.2
Cà phê mang đi Cappuccino đáp ứng mong đợi của
người tiêu dùng. LT.3
Sẵn lòng giới thiệu cà phê mang đi Cappuccino cho
người khác LT.4
Cảm tưởng thương hiệu
Các đặc điểm của cà phê mang đi Cappuccino có thể đến với tơi một cách nhanh chóng khi tơi nghĩ đến cà phê
CT.1 Có thể nhận biết logo của cà phê mang đi Cappuccino
một cách nhanh chóng CT.2
Sẽ chọn cà phê mang đi Cappuccino là nhãn hiệu đầu
tiên khi nghĩ đến. CT.3
Sẵn lòng mua sản phẩm cà phê mang đi Cappuccino. CT.4
Giá trị thương hiệu
Cà phê mang đi, Cappuccino là thương hiệu đầu tiên
được tôi nghĩ đến GTTH.1
Cho dù sản phẩm cà phê mang đi đều như nhau, tôi
vẫn mua cà phê mang đi Cappuccino GTTH.2
Tôi tin rằng cà phê mang đi Cappuccino là thương hiệu
uy tìn và đáng tin cậy. GTTH.3
3.3Nghiên cứu chính thức:
Sử dụng phương pháp nghiên cứu định lượng, được thực hiện thơng qua hình thức gửi bảng câu hỏi trực tiếp đến khách hàng nhằm thu thập, phân tích dữ liệu, đánh giá các thang đo và kiểm định mơ hình lý thuyết đã đề xuất. Tác giả sử đụng
phần mềm SPSS-20 để phân tích dữ liệu thu thập được. Các phân tích bao sồm: thống kê mô tả dữ liệu mẫu, đánh giá độ tin cậy của thang đo bằng hệ sô Croobach’s Alpha, phân tích nhân tố khám phá EFA nhằm xác định mối liên hệ giải thích của các biến, phân tích hồi quy bội nhằm kiểm định tác động của các biến độc lập vào biến phụ thuộc.
3.3.1.Mẫu nghiên cứu
Nghiên cứu này được thực hiện tại TP.HCM với phương pháp lấy mẫu thuận tiện, phi xác suất. Đối tượng khảo sát là các khách hàng dùng sản phẩm cà phê mang đi trên địa bàn TP.HCM.
Kích thước mẫu lớn hay nhỏ cịn tùy thuộc vào nhiều yếu tố như phương pháp xử lý (hồi quy tuyến tính, phân tích nhân tố khám phá EFA…), độ tin cậy cần thiết…Kích thước mẫu càng lớn càng tốt nhưng lại tốn chi phí và thời gian. Hiện nay, các nhà nghiên cứu xác định kích thước mẫu cần thiết thơng qua các công thức kinh nghiệm cho từng phương pháp xử lý. Theo Hair, Anderson, Tatham & Black (1998) cho biết kích cỡ mẫu dùng trong phân tích nhân tố phải tối thiểu năm lần tổng biến quan sát. Trong nghiên cứu này, có tất cả 21 biến quan sát nên cỡ mẫu tối thiểu cần đạt là 21*5=105 mẫu. Còn theoTabachnick & Fidell (1996), cỡ mẫu tối thiểu dùng trong hồi quy đa biến được tính theo cơng thức n >= 50+8*m (n là cỡ mẫu, m là số biến độc lập của mơ hình). Trong nghiên cứu này có 5 biến độc lập thì cỡ mẫu tối thiểu là 50+8*5=90 mẫu.
Kết luận: kích cỡ mẫu khảo sát tối thiểu là 105 mẫu. Trong nghiên cứu này, tác
giả sẽ khảo sát 350 mẫu nhằm đảm bảo độ tin cậy thống kê. 3.3.2.Thu thập và xử lý dữ liệu.
Việc khảo sát được tiến hành bằng phương pháp phỏng vấn khách hàng mua sản phẩm tại các cửa hàng. Đồng thời làm sạch số liệu trước khi đưa vào xử lý bằng phần mềm SPSS.20. Quá trình làm sạch như sau:
Thứ nhất, loại bỏ các bảng câu hỏi không hợp lệ: các bảng trả lời bỏ trống nhiều đáp án, trả lời qua loa….
Thứ hai, dùng phần mêm SPSS.20 để kiểm tra tình trạng bất thường của bộ số liệu như sau:
Dùng lệnh Descriptives: giúp xác định được giá trị lớn nhất, giá trị nhỏ nhất cho các biến, giúp dễ dàng nhận thấy những giá trị được nhập ngoài khoảng cho phép. Đồng thời, lệnh Descriptives cũng giúp xác định được giá trị trung bình cho các biến liên tục, từ đó có thể xác định được những bất thường xảy ra.
Dùng lệnh Frequency: để kiểm tra value labels và các giá trị bất thường, kiểm tra số lượng trường hợp mất thông tin cho từng biến.
Dùng lệnh Sort case để xem các giá trị bất thường
Kiểm tra giá trị logic giữa các biến.
3.3.3.Kiểm định độ tin cậy thang đo bằng hệ số tin cậy Cronbach’s Alpha.
Phương pháp hệ số tin cậy Cronbach’s Alpha được sử dụng trước khi phân tích nhân tố khám phá EFA để loại các biến khơng phù hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007). Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các biến đo lường có liên kết với nhau hay không, nhưng không cho biết biến nào cần loại đi và biến nào cần giữ lại. Do đó, kết hợp sử dụng hệ số tương quan biến – tổng để loại ra những biến khơng đóng góp nhiều cho khái niệm cần đo lường (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Các tiêu chí sử dụng khi thực hiện đánh giá độ tin cậy của thang đo gồm:
Hệ số tin cậy 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 hoàn cảnh nghiên cứu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tương quan biến – tổng: các biến quan sát có tương quan biến – tổng nhỏ hơn 0,3 được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu.
3.3.4. Phân tích nhân tố khám phá EFA.
Phân tích nhân tố được dùng để tóm tắt dữ liệu và rút gọn tập hợp các yếu tố quan sát thành những yếu tố chính dùng trong các phân tích, kiểm định tiếp theo. Các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phân tích nhân tố khám phá được dùng để kiểm định giá trị khái niệm của thang đo. Cách thực hiện và tiêu chí đánh giá trong phân tích EFA như sau:
Phương pháp: Đối với thang đo đa hướng, sử dụng phương pháp trích yếu tố
là Principal Axis Factoring với phép quay Varimax và điểm dừng khi trích các yếu tố Eigen value lớn hơn hoặc bằng 1. Phương pháp này được cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng Principal Components với phép quay Varimax (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007). Đối với thang đo đơn hướng thì sử dụng phương pháp trích yếu tố Principal Components. Thang đo chấp nhận được khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007).
Tiêu chuẩn: Hệ số tải nhân tố phải lớn hơn hoặc bằng 0,4 để đảm bảo mức ý
nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố là: lớn hơn 0,3 là mức tối thiểu chấp nhận được, lớn hơn 0,4 là quan trọng, lớn hơn 0,5 là có ý nghĩa thực tiễn. Nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải nhân tố lớn hơn 0,55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0,75 (Hair và cộng sự, 1998). Trong nghiên cứu này, tác giả sẽ đánh giá đạt yêu cầu khi hệ số tải nhân tố lớn hơn 0,5.
Tiến hành thực hiện kiểm định: Kiểm định Barlett để kiểm định sự tương quan giữa các biến với nhau trong tổng thể và xem xét trị số KMO. Nếu KMO trong khoảng từ 0,5 đến 1 thì phân tích nhân tố là thích hợp với dữ liệu, ngược lại nếu KMO nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
3.3.5. Phân tích tương quan
Để hồi qui mơ hình thì cần tiến hành phân tích tương quan giữa các nhân tố độc lập với nhân tố phụ thuộc. Từ đó chúng ta sẽ chọn những nhân tố độc lập thực sự có tương quan với nhân tố phụ thuộc và đưa những nhân tố đó vào hồi quy.
Hệ số tương quan Pearson (Pearson correlation coefficient, kí hiệu r) đo lường mức độ tương quan tuyến tính giữa hai biến. Về nguyên tắc, tương quan Pearson sẽ tìm ra một đường thẳng phù hợp nhất với mối quan hệ tuyến tính của 2 biến.
Hệ số tương quan Pearson (r) sẽ nhận giá trị từ +1 đến -1. r > 0 cho biết một sự tương quan thuận giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm tăng giá trị của biến kia và ngược lại. r < 0 cho biết một sự tương quan nghịch giữa hai biến, nghĩa là nếu giá trị của biến này tăng thì sẽ làm giảm giá trị của biến kia và ngược lại. Giá trị tuyệt đối của r càng cao thì mức độ tương quan giữa 2 biến càng lớn hoặc dữ liệu càng phù hợp với quan hệ tuyến tính giữa hai biến. Giá trị r bằng +1 hoặc bằng -1 cho thấy dữ liệu hồn tồn phù hợp với mơ hình tuyến tính.
3.3.6. Phân tích hồi quy.
Phân tích hồi quy là một phân tích thống kê để xác định xem các biến độc lập (biến thuyết minh) quy định các biến phụ thuộc (biến được thuyết minh) như thế nào.
Phân tích hồi quy tuyến tính là một phương pháp phân tích quan hệ giữa biến phụ thuộc Y với một hay nhiều biến độc lập X. Mơ hình hóa sử dụng hàm tuyến tính (bậc 1). Các tham số của mơ hình (hay hàm số) được ước lượng từ dữ liệu. Hồi quy tuyến tính được sử dụng rộng rãi trong thực tế do tính chất đơn giản hóa của hồi quy.
3.3.7. Dị tìm sự vi phạm các giả định trong hồi quy bội.
Để một ước lượng theo phương pháp bình phương bé nhất (OLS) có tính hiệu quả, tính vững và khơng chệch thì phải thỏa mãn được các giả thiết sau:
Kiểm tra giả định này bằng đồ thị phân tán scatter cho phần dư chuẩn hóa trên trục tung, và giá trị dự đốn chuẩn hóa trên trục hồnh. Nếu giả định liên hệ tuyến tính khơng bị vi phạm nghĩa là ta sẽ khơng thấy có mối liên hệ nào giữa các giá trị dự đoán với phần dư vì chúng sẽ phân tán ngẫu nhiên.
*Giả định phần dư có phân phối chuẩn:
Để ước lượng theo phương pháp OLS thì phần dư có phân phối chuẩn khơng bị vi phạm. Để biết được có vi phạm hay khơng chúng ta có thể xem thêm biểu đồ P-P Plot và nếu các điểm quan sát không phân tán quá xa đường chéo kỳ vọng thì có thể kết luận rằng giả định phần dư có phân phối chuẩn khơng bị vi phạm.
*Giả định về tính độc lập của phần dư:
Để xem xét phần dư có độc lập hay khơng, chúng ta dựa vào đại lượng thống kê Durbin-Watson, nếu giá trị 1 < Durbin-Watson < 4 thì chứng tỏ khơng có tự tương quan chuỗi bậc nhất.
*Giả định đa cộng tuyến:
Để kiểm tra hiện tượng đa cộng tuyến thì chúng ta dựa vào hệ số VIF. Nếu VIF có giá trị vượt quá giá trị 2 biểu thị cho vấn đề tiềm tàng do đa cộng tuyến gây ra và trên 5 là có đa cộng tuyến.
Tóm tắt chương 3:
Trong chương 3, tác giả đã cung cấp đầy đủ thơng tin về (1) Quy trình nghiên cứu; (2) Phương pháp nghiên cứu; (3) Các bước nghiên cứu. Đồng thời, chương 3 cũng xác định rõ đối tượng khảo sát là khách hàng sử dụng sản phẩm cà phê mang đi với kích thước mẫu là 350. Thơng qua nghiên cứu định tính và tiến hành khảo sát sơ, tác giả đã tiến hành hiệu chỉnh thang đo sơ bộ thành thang đo chính thức để phục vụ cho nghiên cứu chính thức. Thang đo gồm 21 biến quan sát thuộc 5 biến độc lập.
30
CHƯƠNG 4
PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU
4.1Thống kê mơ tả mẫu khảo sát