CHƢƠNG 2 : PHƢƠNG PHÁP NGHIÊN CỨU
2.3. Nghiên cứu định lƣợng
2.3.2. Kế hoạch phân tích dữ liệu
Mục đích chính của nghiên cứu là tập trung vào việc đo lƣờng các nhân tố tác động đến sự hài lòng của khách hàng khi sử dụng dịch vụ của mạng Mobifone. Điều này đồng nghĩa với việc khám phá sự hài lịng của khách hàng, đƣợc đo lƣờng trực tiếp thơng qua cảm nhận của khách hàng về các thành phần chất lƣợng dịch vụ và sự hài lòng của khách hàng.
2.3.2.1. Mẫu nghiên cứu, mã hóa, nhập liệu:
Thang đo đƣợc mã hóa nhƣ sau:
Bảng 2.7. MÃ HÓA CÁC BIẾN TRONG THANG ĐO
STT Mã hóa CẤU TRÚC GIÁ 1 2 3 4 5 CHẤT LƢỢNG CUỘC GỌI 6 7 8 9 10
DỊCH VỤ GIÁ TRỊ GIA TĂNG
11 12
13 14 TÍNH THUẬN TIỆN 15 16 17 18 19 DỊCH VỤ KHÁCH HÀNG 20 21 22 23 24 SỰ HÀI LỊNG 25 26 THƠNG TIN CÁ NHÂN
2.3.2.2. Thông tin mẫu thu thập theo các đặc trưng cá nhân.
Lập bảng tần số, biểu đồ để mô tả thu thập đƣợc theo các đặc điểm cá nhân của khách hàng: giới tính, độ tuổi, nghề nghiệp, loại hình thuê bao đang sử dụng.
2.3.2.3. Kiểm định độ tin cậy của các thang đo
Hệ số Cronbach Alpha là một phép kiểm định thống kê ở mức độ chặt chẽ của các mục hỏi trong thang đo tƣơng quan với nhau. Hệ số Cronbach Alpha đƣợc sử dụng để loại các biến không phù hợp ra khỏi thang đo. Các biến có hệ số tƣơng quan biến tổng ( Item Total Corelation) nhỏ hơn 0.3 sẽ bị loại. Thơng thƣờng thang đo có Cronbach Alpha từ 0.7 đến 0.8 là sử dụng đƣợc [3].Nhiều nhà nghiên cứu cho rằng khi thang đó có độ tin cậy từ 0.8 đến gần 1 là thang đo tốt.
2.3.2.4. Phân tích nhân tố khám phá EFA
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach Alpha và loại đi các biến khơng đảm bảo độ tin cậy. Phân tích nhân tố khám phá là một phƣơng pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn để chúng có ý nghĩa hơn những vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu [3]. 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. Phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau. Các biến đƣợc gọi là nhân tố hay các biến tiềm tàng là do chúng không thể đƣợc nhận ra một cách trực tiếp. Nhƣ 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.
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005), các tham số thống kê quan trọng trong phân tích nhân tố bao gồm:
- Chỉ số Kaiser-Meyer-Olkin (KMO): kiểm định sự phù hợp của phân tích nhân tố. Chỉ số KMO phải đủ lớn ( >0.5) thì phân tích nhân tố là thích hợp, cịn nếu nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu.
- Chỉ số Eigenvalua: đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mơ hình phân tích, các nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mơ hình .
- Phƣơng sai trích ( Variance Explained Criteria): tổng phƣơng sai trích phải lớn hơn 50%.
- Hệ số tải nhân tố ( factor loadings) : là hệ số tƣơng quan đơn giữa các biến và nhân tố. Theo Hair & ctg ( 1998) hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA, factor loadings lớn hơn 0.3 đƣợc xem là đạt mức tối thiểu, factor loading lớn hơn 0.4 đƣợc xem là quan trọng, lớn hơn 0.5 đƣợc xem là có ý nghĩa thực tiễn. Theo Hair & ctg cho rằng, nếu chọn tiêu chuẩn factor loading lớn hơn 0.3 thì cỡ mẫu ít nhất là 350, nếu cỡ mẫu chọn khoảng 100, thì factor loading lớn hơn 0.55. Nhƣ vậy, trong nghiên cứu này với cỡ mẫu khoảng 100, thì hệ số tải nhân tố phải lớn hơn 0.55 mới đạt yêu cầu.
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
2.3.2.5. Phân tích tương quan và phân tích hồi quy
Phân tích tƣơng quan để kiểm tra liên hệ giữa các biến định lƣợng thơng qua hệ số tƣơng quan Pearson ( kí hiệu r). 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 tƣơng quan tuyến tính chặt chẽ. Giá trị r = 0 chỉ ra hai biến khơng có mối liên hệ tuyến tính.
Phân tích hồi quy đa biến là một kỹ thuật thống kê có thể đƣợc sử dụng để phân tích mối quan hệ giữa một biến phụ thuộc và nhiều biến độc lập. Mục tiêu của việc phân tích hồi quy đa biến là sử dụng các biến độc lập có giá trị biết trƣớc để dự báo một giá trị biến phụ thuộc nào đó đƣợc chọn bởi ngƣời nghiên cứu [3], khi chạy hồi quy cần quan tâm đến các thông số sau:
- Hệ số Beta : hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ số dựa trên mối quan hệ giải thích của chúng với biến phụ thuộc. - Hệ số R2 : là đánh giá phần biến động của biến phụ thuộc đƣợc giải thích bởi các biến dự báo hay biến độc lập. Hệ số này có thể thay đổi từ 0 đến 1.
- Kiểm định ANOVA để kiểm tra tính phù hợp của mơ hình với tập dữ liệu gốc.
Nếu mức ý nghĩa của kiểm định < 0.05 thì ta có thể kết luận mơ hình hồi quy phù hợp với tập dữ liệu.