Trong đề tài nghiên cứu này, phân tích nhân tố sẽ giúp ta xem xét khả năng rút gọn số lượng 30 biến quan sát xuống còn một số ít các biến hơn để đo lường tài sản thương hiệu. Nó cũng giúp ta kiểm định lại lần nữa các biến trong từng nhân tố có thực sự đáng tin cậy và có độ kết dính như chúng đã thể hiện ở phần xác định hệ số Cronbach’s Alpha hay khơng. Tương tự, nó cũng giúp ta kiểm tra xem liệu rằng thang đo 7 nhân tố mà nghiên cứu này đề xuất ban đầu có thực sự đo lường cùng khái niệm tài sản thương hiệu.
Cũng như các phân tích thống kê khác, trước khi tiến hành phân tích nhân tố, ta cũng cần kiểm tra xem việc dùng phương pháp này có phù hợp hay khơng. Việc kiểm tra này sẽ được thực hiện bởi việc tính hệ số KMO and Bartlett’s Test. Bartlett’s Test dùng để kiểm định giả thuyết H0 – các biến khơng có tương quan với nhau trong tổng thể và KMO cho biết liệu kích thước mẫu (202) có phù hợp với phân tích nhân tố hay khơng. Theo Hồng Trọng & Chu Nguyễn Mộng Ngọc (2005), giá trị KMO nằm giữa khoảng 0.5 – 1 và Sig ≤ 0.05 có nghĩa là phân tích nhân tố là thích hợp.
Chỉ số KMO trong trường hợp này là 0.825 và Sig. của Bartlett’s Test nhỏ hơn 0.05 cho thấy 30 biến này có tương quan với nhau và hồn tồn phù hợp với phân tích nhân tố.
Phương pháp trích trong phân tích nhân tố của nghiên cứu này là phân tích nhân tố chính (Principal Component Analysis – PCA) với giá trị Eigenvalue lớn hơn 1. Điều này có nghĩa là chỉ những nhân tố được trích ra có giá trị Eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích.
Theo kết quả phân tích với sự hỗ trợ của SPSS 11.5, 30 biến quan sát này được trích ra thành 7 nhân tố có giá trị Eigenvalue lớn hơn 1, do đó 7 nhân tố này được giữ lại. Kết quả cũng cho thấy với 7 nhân tố này, phương sai trích
đạt 73.598 cho biết bảy nhân tố này giải thích được 73.6% biến thiên của các biến quan sát (Phụ lục A3 – Bảng A5).
Trong phân tích EFA cho nghiên cứu ngày, ta chọn phép xoay Varimax (ứng với phương pháp trích PCA) để xem xét hệ số tải nhân tố (Factor Loading). Theo Hair & ctg (1988, 111), hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố lớn hơn 0.3 được xem là đạt mức tối thiểu, nếu nó lớn hơn 0.4 được xem là quan trọng, và lớn hơn 0.5 thì có ý nghĩa thực tiễn. Do đó, ta sẽ loại các biến có hệ số tải nhân tố nhỏ hơn 0.5. Kết quả ma trận xoay nhân tố cho thấy 7 nhân tố trích cùng các biến đo lường tương ứng. Kết quả này phù hợp với mơ hình nghiên cứu đề nghị ban đầu, tất cả các nhóm biến đo lường đúng nhân tố của nó, đó là: ID – Nhận diện thương hiệu (ID1, ID2, ID3, ID4, ID5), MN1 – Hiệu năng thương hiệu
(MN11, MN12, MN13, MN14), MN2 – Hình tượng thương hiệu (MN21,
MN22, MN23, MN24), RE1 – Đánh giá thương hiệu (RE11, RE21, RE31,
RE41), RE2 – Cảm xúc thương hiệu (RE21, RE22, RE23), RS – Quan hệ thương hiệu (RS1, RS2, RS3, RS4), và OG – Nguồn gốc thương hiệu (OG1,
OG2, OG3). Hệ số tải nhân tố của tất cả 30 biến đều lớn hơn 0.5, do vậy các biến này đều có ý nghĩa thiết thực và được giữ lại cho các phân tích tiếp theo (Phụ lục A3 – Bảng A7).
Điều này cũng chứng minh rằng, việc giữ lại các biến làm giảm Alpha (RE21) trong phần kiểm tra độ tin cậy thang đo bằng Cronbach’s Alpha là hoàn toàn hợp lý.
Phân tích hồi qui tuyến tính 4.3
Phân tích hồi qui tuyến tính sẽ giúp chúng ta biết được mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Phương pháp hồi qui sử dụng trong nghiên cứu này là phương pháp bình phương bé nhất thơng thường OLS với
biến phụ thuộc là tài sản thương hiệu (BE) và biến độc lập là các biến như đã trình bày.
Hình 4.8 Các biến trong phân tích hồi qui tuyến tính
Giá trị của các biến này (BE, ID, MN1, MN2, RE1, RE2, RS, OG) được tính bằng giá trị trung bình của các biến thành phần tương ứng với từng biến. Ta có phương trình hồi qui tuyến tính như sau:
(4.1) Trong đó:
: giá trị tài sản thương hiệu của quan sát thứ i
: biến độc lập thứ p đối với quan sát thứ i : hệ số hồi qui riêng phần của biến thứ k : sai số của phương trình hồi qui
ID BE RS OG MN RE RE1 RE2 MN1 MN2
4.3.1 Ma trận hệ số tương quan giữa các biến
Bước đầu tiên khi phân tích hồi qui tuyến tính ta sẽ xem xét các mối quan hệ tương quan tuyến tính giữa biến phụ thuộc và từng biến độc lập, cũng như giữa các biến độc lập với nhau. Nếu hệ số tương quan giữa biến phụ thuộc và các biến độc lập lớn chứng tỏ giữa chúng có quan hệ với nhau và phân tích hồi qui tuyến tính có thể phù hợp. Mặt khác nếu giữa các biến độc lập cũng có tương quan lớn với nhau thì đó cũng là dấu hiệu cho biết giữa chúng có thể xảy ra hiện tượng đa cộng tuyến trong mơ hình hồi qui tuyến tính đang xét. Kết quả kiểm định hệ số tương quan Pearson cho thấy biến phụ thuộc có mối quan hệ tương quan tuyến tính với cả 7 biến độc lập. Trong đó, hệ số tương quan giữa tài sản thương hiệu và cảm xúc thương hiệu (RE2) là lớn nhất (0.655), giữa tài sản thương hiệu với nguồn gốc thương hiệu (OG) là nhỏ nhất (0.339). Tuy nhiên, giữa các biến độc lập lại có sự tương quan với nhau. Ta sẽ xem xét chỉ số VIF ở phần phân tích hồi qui để biết liệu rằng có xảy ra hiện tượng đa cộng tuyến trong mơ hình hay khơng.