Stt Biến Nội Dung
Bằng chứng thương hiệu
1 BC1 Tên của thương hiệu cà phê sử dụng nói cho tơi nhiều về sự mong đợi từ
thương hiệu cà phê này
2 BC2 Thương hiệu cà phê này có giá cả hợp lý
3 BC3 Sự bày trí, vị trí đặt cửa hàng của thương hiệu cà phê này thật tiện ích,
trực quan hấp dẫn
4 BC4 Cơ sở vật chất của thương hiệu cà phê này là phù hợp với dịch vụ cung
cấp
5 BC5 Các dịch vụ cốt lõi của thương hiệu cà phê này cung cấp là tốt
6 BC6 Tơi thấy hài lịng khi sử dụng dịch vụ tại thương hiệu cà phê này
7 BC7 Tôi luôn nhận được sự quan tâm, phục vụ của nhân viên
8 BC8 Hình ảnh của thương hiệu cà phê này phù hợp với hình ảnh của bản thân
tơi
9 BC9 Thương hiệu dịch vụ cà phê này làm tơi thích thú
41
10 TD1 Tơi thấy hài lịng với chương trình quảng cáo và khuyến mãi của thương
hiệu cà phê này
11 TD2 Hình ảnh cơng cộng của của thương hiệu cà phê cung cấp cho tôi một
vài thông tin mà tôi chưa từng biết về thương hiệu cà phê này
12 TD3 Quan điểm của gia đình / bạn bè tác động đáng kể đến nhìn nhận của tơi
về thương hiệu cà phê này
13 TD4 Thương hiệu dịch vụ cà phê này có tính phổ biến cao
14 TD5 Thương hiệu dịch vụ cà phê này có hình ảnh khác biệt so với các thương
hiệu khác
15 TD6 Thương hiệu dịch vụ cà phê này được nhiều người biết đến
Thái độ thương hiệu
16 TDTH1 Tôi cho rằng dịch vụ của thương hiệu cà phê này là tốt
17 TDTH2 Tôi cho rằng dịch vụ của thương hiệu cà phê này ở mức cao hơn so với
các thương hiệu khác
18 TDTH3 Tôi cho rằng dịch vụ của thương hiệu cà phê này là rất hấp dẫn
19 TDTH4 Tôi cho rằng dịch vụ của thương hiệu cà phê này đạt sự mong muốn
20 TDTH5 Tôi cho rằng dịch vụ của thương hiệu cà phê này là cự kỳ ấn tượng
Sự phán xét thương hiệu
21 PX1 Tơi có khả năng sử dụng dịch vụ của thương hiệu cà phê này trong tương
lai.
22 PX2 Tôi nhất định sử dụng dịch vụ của thương hiệu cà phê này trong tương lai
23 PX3 Tôi sẽ giới thiệu dịch vụ của thương hiệu cà phê này cho những người
khác
24 PX4 Nếu phải lựa chọn thương hiệu dịch vụ cà phê trong một thời điểm khác,
tôi tiếp tục chọn thương hiệu dịch vụ cà phê này
3.3 Thu thập mẫu và phân tích dữ liệu 3.3.1 Thu thập mẫu 3.3.1 Thu thập mẫu
Mẫu trong nghiên cứu chính thức được chọn theo phương pháp lấy mẫu thuận tiện, bảng câu hỏi được gửi tới các cá nhân ngẫu nhiên là khách hàng đã sử dụng sản phẩm của thương hiệu dịch vụ cà phê tại Thành Phố Hồ Chí Minh
42 Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008), trong phân tích nhân tố (EFA) cỡ mẫu ít nhất bằng 4 hay 5 lần số biến. Đề tài nghiên cứu này có tất cả 24 tham số (biến quan sát) cần tiến hành phân tích nhân tố, vì vậy số mẫu cần tối thiểu là 24*5 = 120
Số mẫu trong nghiên cứu này là 350 lớn hơn 120 nên thoả yêu cầu về kích thước mẫu.
Bảng câu hỏi cũng thể hiện cam kết chỉ sử dụng thông tin cho mục đích nghiên cứu cùng với cam kết bảo mật thông tin cho người trả lời. Thông tin thu thập được sẽ được xử lý cho ra kết quả dưới dạng các số liệu thống kê bằng phần mềm SPSS.
3.3.2 Phân tích dữ liệu
Quá trình xử lý số liệu đều được thực hiện trên phần mềm xử lý dữ liệu SPSS 18.0 và sẽ được tiến hành lần lượt theo các bước sau:
Bước 1: Kiểm định sơ bộ độ tin cậy của thang đo
Kiểm định độ tin cậy của thang đo nhằm xác định mức độ tin cậy của thang đo đã xây dựng. Với bộ dữ liệu thu thập được, cần kiểm định thang đo có đáng tin cậy và có thể sử dụng vào việc phân tích mơ hình nghiên cứu được hay khơng.
Theo Hair (1998) và một số nhà nghiên cứu thì hệ số tương quan biến – tổng (item – total correlation) nên lớn 0.5 và Cronbach’s Alpha nên lớn 0.7. Ngoài ra, theo một số nhà nghiên cứu thì kết quả kiểm định thang đo với Cronbach’s Alpha được phân cấp như sau: từ 0.8 đến gần 1.0 thì thang đo lường là tốt, từ 0.7 đến 0.8 là sử dụng được, trong trường hợp nghiên cứu có sử dụng những khái niệm nghiên cứu mới hoặc những khái niệm niệm đó là hồn tồn mới đối với đối tượng được khảo sát trong bối cảnh nghiên cứu thì Cronbach’s Alpha từ 0.6 trở lên vẫn được chấp nhận
Tuy nhiên, tùy vào tình hình phân tích và u cầu thực tế của nghiên cứu có thể duy trì trong thang đo những biến quan sát hoặc những nhân tố mặc dù có thể những tiêu chí bên trên khơng đạt được, điều này có lợi cho nghiên cứu để hướng đến mục tiêu đặt ra ban đầu.
43
Bước 2: Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (EFA) được tiến hành nhằm rút gọn bộ dữ liệu nghiên cứu, những biến quan sát có mối liên hệ lớn được nhóm lại và hình thành nhân tố đặc trưng chung cho những biến quan sát đó. Trong nghiên cứu này, do thuận lợi từ việc kế thừa nền tảng lý thuyết và những nghiên cứu trước đó nên những thang đo, những biến quan sát (câu hỏi khảo sát) trong thang đo, số lượng nhân tố đều đã có thể xác định được. Tuy nhiên, trong môi trường văn hóa Việt Nam, vẫn có thể tồn tại những điểm khác biệt với kết quả đã được khẳng định trong những nghiên cứu trước. Vì thế Phân tích nhân tố khám phá (EFA) vẫn được tiến hành để nhận diện những khác biệt trong nghiên cứu này.
Trong phân tích nhân tố khám phá EFA có nhiều phép trích nhân tố, ví như Gorsuch liệt kê đến 19 phép trích cho một mẫu (theo Nguyễn, 2012), tuy nhiên có những phép trích thơng dụng như Principal Components, Maximum Likelihood, Least-Squares, Alpha Factoring, Image Factoring, Principal Axis Factoring. Và các phép trích đó được chia thành hai nhóm chính: mơ hình nhân tố chung (Common Factor Model – CFM) và mơ hình thanh phần chính (Principal Components Analysis model – PCA). Sự khác biệt là cách thức sử dụng phần chung (Communality) và phần riêng (unique) của phương sai biến đo lường vào phân tích. Trong nghiên cứu này phép phân tích nhân tố khám phá EFA sử dụng mơ hình PCA kết hợp phép quay vng góc Varimax sẽ được sử dụng để đảm bảo rút trích nhiều phương sai nhất phục vụ các bước dự báo và đo lường tiếp theo.
Khi phân tích nhân tố khám phá (EFA), các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn để kiểm tra độ phù hợp của mơ hình như sau:
- Thứ nhất: hệ số KMO (Kaiser – Meyer – Olkin) phải lớn hơn hoặc bằng 0.5 và mức ý nghĩa của kiểm định Barlett phải nhỏ hơn hoặc bằng 0.05 (95%).
- Thứ hai: theo Anderson và Gerbing (1988), thang đo được chấp nhận khi tổng phương sai trích ra từ mơ hình hình phải lớn hơn hoặc bằng 50% và các nhân tố trích ra được đều phải có giá trị điểm dừng Eigenvalue lớn hơn hoặc bằng 1.
44 - Thứ ba: hệ số tải nhân tố (factor loading) phải lớn hơn 0.5. Nếu biến quan sát nào có hệ số tải nhân tố cao nhất mà nhỏ hơn hoặc bằng 0.5 thì sẽ bị loại.
Q trình phân tích nhân tố khám phá EFA trong nghiên cứu này sẽ áp dụng những tiêu chuẩn đã trình bày bên trên để kiểm định những nhân tố phù hợp với mơ hình và tìm ra những nhân tố mới nếu có.
Bước 3: Phân tích hồi qui
Bao gồm các bước chi tiết như sau:
(1). Xây dựng phương trình hồi quy tuyến tính kiểm định các giả thuyết đặt ra
Như đã trình bày trong phần Mơ hình nghiên cứu đề xuất, trong phạm vi luận văn này chỉ tập trung xem xét thành phần Gắn kết do tiếp tục trong mơ hình ba thành phần của Sự gắn kết với tổ chức do tình hình thực tế của mơi trường và đối tượng nghiên cứu.
Đầu tiên, ta xem xét tác động của các biến độc lập nhằm kiểm định giả thuyết H1a,
H1b đã đặt ra.
Để kiểm định giả thiết H2, trong đó xem xét “thái độ thương hiệu (TDTH)” như biến trung gian giữa các biến độc lập (Bằng chứng thương hiệu (BC) và tin đồn thương hiệu (TD) và biến phụ thuộc sự phán xét thương hiệu của khách hàng (PX), cần phải kiểm tra 4 điều kiện đặt ra (Barron và Kenny, 1984): (1) biến độc lập phải có sự tương quan với biến phụ thuộc (2) biến độc lập phải có sự tương quan với biến trung gian (3) biến trung gian phải có sự tương quan với biến phụ thuộc (4) mức độ tương quan (ảnh hưởng) của biến độc lập đến biến phụ thuộc phải bằng 0 (trung gian chuyển tải hoàn toàn) hay giảm so với giá trị ban đầu (trung gian chuyển tải một phần) khi biến trung gian được đưa vào mơ hình phân tích. Những bước phân tích cụ thể trong nghiên cứu này được trình bày như sau:
Bước 1: Kiểm tra mối quan hệ tương tác giữa các biến độc lập (BC; TD) đối
với biến trung gian “thái độ thương hiệu” (TDTH), điều này đã được thực hiện bằng mơ hình hồi quy .
45 thương hiệu” (TDTH) đối với biến phụ thuộc “sự phán xét thương hiệu của khách hàng”, tương ứng với việc kiểm tra mối quan hệ với thành phần“sự phán xét thương hiệu của khách hàng” (PX).
Bước 3: Kiểm tra tuần tự mối quan hệ tương tác giữa từng biến độc lập (BC;
TD) đối với biến phụ thuộc “sự phán xét thương hiệu của khách hàng”, tương ứng với việc kiểm tra mối quan hệ với thành phần “sự phán xét thương hiệu của khách
hàng” (PX).
Bước 4: Kiểm tra tuần tự mức độ tương tác giữa giữa từng biến độc lập (BC;
TD) đối với biến phụ thuộc “sự phán xét thương hiệu của khách hàng” có sự tham gia của biến trung gian “thái độ thương hiệu” (TDTH).
Bước 5: So sánh tuần tự mức độ tác động giữa từng biến độc lập (BC; HS) đối với biến phụ thuộc “sự phán xét thương hiệu của khách hàng” khi có mặt và khơng có mặt biến trung gian “thái độ thương hiệu” để kiểm định lại giả thuyết đặt ra ban đầu.
Dựa vào các kết quả phân tích bên trên để đưa ra kết luận về mối quan hệ giữa các thành phần nghiên cứu và so sánh với giả thuyết đặt ra ban đầu.
(2).Điều kiện đánh giá kết quả phân tích hồi quy tuyến tính
Theo như trong các lý thuyết về phương pháp nghiên cứu khoa học, các kết luận dựa trên hàm hồi quy tuyến tính thu được chỉ có ý nghĩa khi hàm hồi quy đó phù hợp với dữ liệu mẫu và các hệ số hồi quy khác 0 có ý nghĩa, đồng thời các giả định của hàm hồi quy tuyến tính về phương sai, tính độc lập của phần dư, hiện tượng đa cộng tuyến ... được đảm bảo. Vì vậy, trước khi phân tích kết quả hồi quy, cần thực hiện các kiểm định về độ phù hợp của hàm hồi quy, kiểm định ý nghĩa của các hệ số hồi quy và đặc biệt là kiểm định của hàm hồi quy.
(3) Kiểm định các giả định của mơ hình hồi quy
Phân tích hồi quy không chỉ là việc mô tả các dữ liệu quan sát. Từ các kết quả quan sát trong mẫu, ta phải suy rộng kết luận cho mối liên hệ giữa các biến trong tổng thể. Sự chấp nhận và diễn dịch kết quả hồi quy không thể tách rời các giả định cần thiết của mô hình hồi quy. Nếu các giả định bị vi phạm, thì các kết quả ước lượng sẽ khơng cịn đáng tin cậy nữa. Vì thế, để đảm bảo sự diễn dịch từ kết quả hồi quy của mẫu cho tổng thể có giá trị, trong phần này, ta tiến hành kiểm định
46 các giả định của hàm hồi quy tuyến tính bao gồm các giả định sau:
- Giả định khơng có hiện tượng đa cộng tuyến giữa các biến độc lập
Đa cộng tuyến là hiện tượng mà trong đó có sự tồn tại của nhiều hơn một mối quan hệ tuyến tính chính xác. Tức là giữa các biến độc lập có thể có một biến nào đó được biểu diễn bởi tổ hợp tuyến tính của các biến còn lại. Hiện tượng này sẽ dẫn đến những hậu quả nghiêm trọng trong phân tích hồi quy như kiểm định t sẽ khơng cịn ý nghĩa, dấu của các ước lượng hệ số hồi quy có thể sai. Trong mơ hình hồi quy bội, chúng ta giả định giữa các biến độc lập của mơ hình khơng có hiện tượng đa cộng tuyến. Hiện tượng đa cộng tuyến có thể được phát hiện thông qua nhân tử phóng đại phương sai VIF (variance inflation factor). Khi VIF vượt q 10 thì đó là dấu hiệu của hiện tượng đa cộng tuyến, hoặc ta có thể sử dụng chỉ số điều kiện (condition index) để biết hiện tượng đa cộng tuyến có xảy ra hay không (lớn hơn 15).
- Giả định phương sai của phân phối phần dư là không đổi
Đầu tiên, định nghĩa phần dư (residual) của một quan sát là độ chênh lệch giữa tung độ của giá trị quan sát thực tế và tung độ của giá trị hồi quy. Tập hợp các độ lệch này so với một giá trị hồi quy sẽ tạo nên một phân phối chuẩn tại giá trị. Một hàm hồi quy tuyến tính sẽ có nhiều phân phối chuẩn của phần dư tại các giá trị (Nguyễn, 2012).
Giả định này cho rằng các phân phối chuẩn của các phần dư nói trên đều có phương sai là một hằng số (phương sai khơng đổi).
Ta có thể quan sát và kiểm chứng bằng biểu đồ Histogram của phân phối phần dư chuẩn hóa (standardized residual). Nếu phương sai của phần dư khơng đổi thì các chấm sẽ phân tán một cách ngẫu nhiên quan trục hoành, tức là xung quanh giá trị trung bình (có tung độ là 0) chứ khơng hình thành nên một dạng đồ thị nhất định nào cả.
Kiểm định hệ số tương quan Spearman có giả thuyết H0 cho rằng hệ số tương quan hạng giữa các biến giải thích và phần dư là khơng có ý nghĩa (bằng 0). Nếu ta khơng có đủ cơ sở bác bỏ giả thuyết này thì có thể chấp nhận rằng phương sai của phân phối phần dư là khơng đổi.
47 Phần dư có thể khơng tuân theo phân phối chuẩn vì nhiều lý do: sử dụng mơ hình khơng đúng, phương sai khơng phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích. Vì vậy, ta cần phải sử dụng nhiều cách kiểm định khác nhau để đảm bảo tính xác đáng của kiểm định. Các kiểm định phân phối chuẩn của phần dư gồm: Biểu đồ tần số của phần dư chuẩn hóa, Biểu đồ tần số Q-Q plot, P-P plot và kiểm định Kolmogorov-Smirnov, ... Trong đó kiểm định Kolmogorov-Smirnov có giả thuyết H0 cho rằng phần dư có phân phối chuẩn. Với độ tin cậy 95% nếu phân phối của phần dư có giá trị trung bình bằng 0 (hoặc xấp xỉ 0) và độ lệch chuẩn bằng 1 (hoặc xấp xỉ 1) với mức ý nghĩa lớn hơn 0.05 thì có thể chấp nhận giả thuyết H0 cho rằng phần dư có phân phối chuẩn.
Ngồi ra, biểu đồ tần số P-P plot và biểu đồ tần số Q-Q plot cũng giúp quan sát các giá trị của các điểm phân vị của phân phối phần dư theo các phân vị của phân phối chuẩn. Những giá trị kỳ vọng này tạo thành một đường chéo trên biểu đồ tần số P-P plot và Q-Q plot. Nếu phần dư có phân phối chuẩn thì các điểm quan sát thực tế của nó sẽ tập trung vào đường chéo kỳ vọng này.
- Giả định khơng có sự tương quan giữa các phần dư
Một giả thuyết quan trong của mơ hình hồi quy tuyến tính cổ điển là khơng có sự tự tương quan giữa các phần dư ngẫu nhiên tức là các phần dư mang tính độc lập với nhau. Tự tương quan có thể hiểu là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian hoặc khơng gian.
Nói một cách khác, mơ hình cổ điển giả định rằng phần dư ứng với quan sát nào đó khơng bị ảnh hưởng bởi phần dư ứng với một quan sát khác. Khi xảy ra hiện tượng tự tương quan, lúc đó các ước lượng của mơ hình hồi quy sẽ khơng cịn đáng