7. Quy trình nghiên cứu
2.2 Phƣơng pháp nghiên cứu về sự hil ng của khách hng đối với dịch vụ
2.2.2 Nghiên cứu định lƣợng
Mục tiêu của nghiên cứu định lƣợng nh m đo lƣờng cảm nhận của khách hàng đối với các yếu tố đã nhận diện trong nghiên cứu định tính
Xác định kích thƣớc mẫu
Phƣơng pháp chọn mẫu thuận tiện đƣợc sử dụng để chọn mẫu cho nghiên cứu. Để ƣớc lƣợng kích thức mẫu dùng cho phân tích nhân tố khám phá, thì theo nhà nghiên cứu Hair & ctg (1998) nhấn mạnh r ng tối thiểu là 5 mẫu đƣợc sử dụng để đo lƣờng 1 iến. Trong mơ hình nghiên cứu này có 28 iến quan sát, nên cỡ mẫu cho phân tích nhân tố khám phá là 28 x 5 = 140.
ên cạnh đó, theo Ta achnick & Fidell (1996), khi phân tích hồi quy thì kích thƣớc mẫu đƣợc xác định ng công thức
n >= 8m + 50
Trong đó: n là cỡ mẫu; m là số iến độc lập của mơ hình. Nên cỡ mẫu cho mơ hình hồi quy là 8 x 5 + 50 = 90
Nhƣ vậy để phù hợp với các tiêu chu n về kích thƣớc mẫu trên, nghiên cứu này kì vọng mẫu khảo sát s từ 140 trở lên.
Phƣơng pháp phân tích dữ liệu
- Phương pháp th ng m tả: đƣợc sử dụng để tìm hiểu tình hình của việc
sử dụng thẻ để thanh toán khi giao dịch mua án tại Tp.HCM trong thời gian gần đây.
- Phương pháp hệ s tin cậy Cronbach Alpha: để loại các iến không phù
hợp. Các iến có hệ số tƣơng quan iến – tổng (item – total correlation) nhỏ hơn 0,3 s ị loại và tiêu chu n chọn thang đo khi có độ tin cậy alpha từ 0,6 trở lên.
- Phương pháp phân tích nhân t hám phá EFA: đƣợc sử dụng tiếp
theo. Các iến có hệ số tải (factor loading) nhỏ hơn 0,5 trong EFA tiếp tục loại ỏ. Trong phân tích nhân tố khám phá phƣơng pháp trích hệ số sử dụng là phƣơng pháp Principal component Analysis và phép xoay Varimax để phân nhóm các yếu tố, sau mỗi lần phân nhóm, ta phải tiến hành xem xét hai chỉ tiêu là hệ số KMO phải lớn hơn 0,6 và hệ số tải nhân tố trong ảng Rotated Component Matrix phải có giá trị lớn hơn 0,5 để đảm ảo sự hội tụ giữa các iến trong một nhân tố (Hoàng Trọng & Chu Ngọc, “Phân tích dữ liệu nghiên cứu với SPSS”, Nhà xuất ản Thống Kê, 2008), và điểm dừng khi trích các nhân tố có Eigenvalue lớn hơn 1 (mặc định của SPSS, những nhân tố có Eigenvalue nhỏ hơn 1 s khơng có tác dụng tóm tắt thơng tin tốt hơn một iến gốc, vì sau mỗi lần chu n hóa mỗi iến gốc có phƣơng sai là 1). Thang đo đƣợc chấp nhận với tổng phƣơng sai trích ng hoặc lớn hơn 50 .
- M hình hồi quy: đƣợc sử dụng để nhận diện các nhân tố ảnh hƣởng đến sự
hài lòng của khách hàng và đánh giá mức độ tác động của các yếu tố này đến sự hài lòng của khách hàng đối với hình thức thanh tốn ng thẻ. Mơ hình hồi quy đa iến mở rộng mơ hình hồi quy hai iến ng cách thêm vào một số iến độc lập để giải thích tốt hơn cho iến phụ thuộc.
Mơ hình có dạng nhƣ sau:
Yi = β0 + β1X1i + β2X2i + + βpXpi + ei Trong đó:
Xpi : giá trị của biến độc lập thứ p tạo quan sát thứ i βk : hệ số hồi quy riêng phần
ei: là một iến độc lập ngẫu nhiên có phân phối chu n với trung ình là 0 và phƣơng sai không đổi σ2