XHLC.1 Tôi thường suy nghĩ cẩn thận trước khi lựa chọn hãng hàng không. XHLC.2 Tôi thường không thay đổi hãng hàng không mà tôi đã lựa chọn trước
đó.
XHLC.3 Tơi có xu hướng so sánh các hãng hàng không với nhau trước khi lựa chọn.
XHLC.4 Tơi có xu hướng lựa chọn các hãng hàng không danh tiếng.
3.5 Dữ liệu nghiên cứu
3.5.1 Cách thu thập dữ liệu nghiên cứu
Trong tháng 8/2015, tác giả tiến hàng phát bảng câu hỏi theo phương pháp thuận tiện đến các đối tượng từ 22 tuổi trở lên, có việc làm, thu nhập ổn định và đang sinh sống làm việc ở TP.HCM. Đây là nghiên cứu về xu hướng lựa chọn dịch vụ hàng không nên khách hàng tiềm năng và khách hàng đã sử dụng đều được xem là đối tượng khảo sát.
Tác giả lần lượt phát 400 bảng câu hỏi cho các khách hàng. Sau đó, tác giả thu về được 367 bảng câu hỏi. Trong số bảng câu hỏi này, tác giả phát hiện có 8 bảng câu hỏi khơng hợp lệ nên tiến hành phân tích 359 bảng câu hỏi hồn chỉnh.
3.5.2 Cách xử lý dữ liệu nghiên cứu
Kích thước mẫu sẽ phụ thuộc vào việc ta muốn gì từ những dữ liệu thu thập được và mối quan hệ ta muốn thiết lập là gì. Vấn đề nghiên cứu càng đa dạng phức tạp thì mẫu nghiên cứu càng lớn. Một nguyên tắc chung khác nữa là mẫu càng lớn thì độ chính xác của các kết quả nghiên cứu càng cao. Tuy nhiên trên thực tế thì việc lựa chọn kích thước mẫu cịn phụ thuộc vào một yếu tố hết sức quan trọng là năng lực tài chính và thời gian mà nhà nghiên cứu đó có thể có được (Nguyễn Đình Thọ, 2011)
Việc xác định kích thước mẫu bao nhiêu là phù hợp vẫn còn nhiều tranh cãi với nhiều quan điểm khác nhau. Một số nhà nghiên cứu thì đưa ra những con số tuyệt đối mẫu tối thiểu cần thiết cho phân tích nhân tố như Gorsuch (1983) đề nghị con số 100 cịn Guilford (1954) cho rằng con số đó là 200 (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Comrey và Lee (1992) được trích trong Nguyễn Đình Thọ (2011) thì khơng đưa ra một con số cố định mà đưa ra các con số khác nhau với nhận định tương ứng 100 là tệ, 200 là khá, 300 là tốt, 500 là rất tốt, 1000 hoặc hơn là tuyệt vời.
Một số nhà nghiên cứu khác lại không đưa ra con số cụ thể về số mẫu cần thiết mà đưa ra tỷ lệ giữa số mẫu cần thiết và các tham số cần ước lượng. Đối với phân tích nhân tố, kích thước mẫu sẽ phụ thuộc vào số lượng biến được đưa trong phân tích nhân tố. Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008) cho rằng số lượng mẫu cần gấp 5 lần số biến quan sát. Trong luận văn này sẽ áp dụng cách tính số lượng mẫu theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008). Nghiên cứu có tất cả 28 biến quan sát nên số mẫu cần thiết là 29 x 5 = 145.
Đánh giá độ tin cậy Cronbach’s Alpha
Hệ số Cronbach ‘s Alpha là phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì một tập hợp các mục hỏi dùng để đo lường đánh giá tốt nhất phải có hệ số alpha lớn hơn hoặc bằng 0.8. Nhiều nhà nghiên cứu cho rằng hệ số tin cậy Cronbach’s Alpha từ 0.8 đến gần 1 là thang đo tốt, từ 0.7 – 0.8 là sử dụng được. Một số nhà nghiên cứu khác đề nghị hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được.
Hệ số tương quan biến tổng (Corrected Item Total Correlation) là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Vì vậy, hệ số này càng cao thì sự tương quan của biến với các biến khác trong cùng nhóm sẽ cao. Khi các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 thì phải bị loại khỏi thang đo (Hồng Trọng và Chu Nguyễn Mộng Ngọc,
2008)
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), phân tích nhân tố được sử dụng để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này đều liên hệ với nhau và số lượng của chúng phải giảm bớt để dễ dàng phân tích. Giữa các nhóm biến có tác động qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản. Một số tham số thống kê được sử dụng trong luận văn :
Eigenvalue: đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
Correlation matrix (ma trận hệ số tương quan): cho biến hệ số tương quan
giữa các biến trong phân tích.
Factor loading (hệ số tải nhân tố): là những hệ số tương quan đơn giữa các biến và các nhân tố.
Factor scores: là các điểm số nhân tố tổng hợp được ước lượng cho từng quan sát trên các nhân tố được rút ra.
KMO (Kaiser – Meyer – Olin): Đây là hệ số dùng để xem xét sự thích hợp
khi phân tích nhân tố. Hệ số KMO (giữa 0.5 và 1) là có ý nghĩa và phân tích nhân tố là thích hợp. Cịn nếu như hệ số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp.
Phân tích hồi quy tuyến tính
Phân tích hồi quy tuyến tính bằng phương pháp bình phương nhỏ nhất thông thường (Ordinal Least Squares – OLS). Trong đó, các biến độc lập là những biến về độ tin cậy, giá trị thương hiệu, sự thuận tiện, cơ sở vật chất, giá vé, thái độ phục vụ. Biến phụ thuộc là xu hướng lựa chọn dịch vụ hàng khơng
Để biết mơ hình hồi quy tuyến tính xây dựng trên dữ liệu mẫu phù hợp đến mức độ nào của dữ liệu thì cần một thước đo cho sự phù hợp đó. Đó chính là R2.
Hệ số này càng gần 1 thì mơ hình xây dựng rất phù hợp. Hệ số R2 được chứng minh là hàm không giảm theo số liệu độc lập được đưa vào mơ hình, càng đưa thêm biến độc lập vào mơ hình thì R2 càng tăng. Điều này khơng đồng nghĩa với
phương trình nào càng nhiều biến độc lập thì dữ liệu càng phù hợp với mơ hình. Vì vậy, R2 được xem là một ước lượng lạc quan của thước đo sự phù hợp của mơ
hình. Trong trường hợp này, R2 hiệu chỉnh (Adjusted R2) được sử dụng để phản ánh đúng hơn sự phù hợp của mơ hình hồi quy đa biến. R2 hiệu chỉnh khơng nhất
thiết phải tăng lên khi nhiều biến được đưa vào phương trình. Đây là thước đo sự phù hợp khi sử dụng hồi quy tuyến tính đa biến (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008)
Kiểm định giả thuyết nghiên cứu
Sau khi xây dựng xong mơ hình hồi quy tuyến tính, vấn đề đầu tiên là xem
xét sự phù hợp của mơ hình đối với tập dữ liệu thông qua giá trị R2. Sự phù hợp
này chỉ mới thể hiện giữa mơ hình và các tập dữ liệu. Để kiểm định độ phù hợp của mơ hình hồi quy tổng thể, ta đặt giả thuyết R2=0. Nếu sau khi tiến hành kiểm định, nghiên cứu có bằng chứng bác bỏ giá thuyết R2=0 thì đây là bước đầu tiên chứng mình mơ hình hồi quy tuyến tính phù hợp. Đại lượng F được sử dụng cho kiểm định này. Nếu xác suất F nhỏ thì giả thuyết R2 bị bác bỏ. Sau khi kiểm định,
nghiên cứu có cơ sở bác bỏ giả thuyết thì có thể kết luận mơ hình hồi quy tuyến tính là phù hợp (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008)
TĨM TẮT CHƯƠNG 3
Chương ba đã trình bày về quy trình nghiên cứu, đối tượng khảo sát, thiết kế thang đo, phương pháp lấy mẫu và phương pháp phân tích. Ở giai đoạn nghiên
cứu định tính, tác giả đã tiến hành phỏng vấn sâu 15 người tiêu dùng từ 22 tuổi trở lên, có việc làm, thu nhập ổn định và đang sinh sống làm việc ở TP.HCM. Đây là nghiên cứu về xu hướng lựa chọn dịch vụ hàng không nên khách hàng tiềm năng và khách hàng đã sử dụng đều được xem là đối tượng khảo sát.
Qua giai đoạn nghiên cứu định tính, tác giả đã xây dựng được bảng câu hỏi phỏng vấn gồm 29 biến quan sát sử dụng thang đo Likert 5 mức độ và 4 biến sử dụng thang đo định danh nhằm tìm hiểu thơng tin của đối tượng khảo sát. Sau đó,
tác giả lần lượt phát 400 bảng câu hỏi cho các khách hàng. Sau đó, tác giả thu về
được 367 bảng câu hỏi. Trong số bảng câu hỏi này, tác giả phát hiện có 8 bảng câu hỏi khơng hợp lệ nên tiến hành phân tích 359 bảng câu hỏi hồn chỉnh
CHƯƠNG BỐN: PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU
Chương này sử dụng phương pháp thống kê mơ tả, phương pháp phân tích độ tin cậy Cronbach Alpha, phương pháp phân tích nhân tố khám phá EFA, phân
tích hồi quy bội, dị tìm các vi phạm và kiểm định sự khác biệt để phân tích kết quả.
4.1 Thống kê mơ tả
4.1.1 Thống kê mô tả mẫu khảo sát