4.2 Phương pháp nghiên cứu 39
4.2.2 Nghiên cứu định lượng 42
4.2.2.1 Mẫu nghiên cứu
Để có thể phân tích nhân tố khám phá (EFA) cần thu thập bộ dữ liệu với ít nhất 5 mẫu trên 1 biến quan sát và kích cỡ mẫu khơng nên ít hơn 100, (Hair và ctg, 1998). Mẫu dự kiến tối thiểu cần phải thu thập là 160 bảng. Để đạt được kích thước mẫu tối thiểu, nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện (phi xác suất). Hơn 210 bảng câu hỏi khảo sát chính thức được gửi đến khách hàng thông qua các nhân viên làm việc tại các chi nhánh/phịng giao dịch của ngân hàng Đơng Á trên tồn quốc thơng qua hệ thống mail/chat nội bộ. Tổng bản trả lời hợp lệ thu thập được là 182, phù hợp cho việc phân tích.
4.2.2.2 Mã hóa thang đo
Bảng 4.1 Mã hóa các biến của thang đo TÍNH HIỆU QUẢ
HQ1 Website tạo sự thuận tiện khi tìm kiếm những gì mình cần HQ2 Tơi có thể hồn tất giao dịch của mình một cách nhanh chóng HQ3 Website tải thơng tin nhanh
HQ4 Website rất dễ sử dụng HQ5 Website được thiết kế hợp lý
HQ6 Thông tin trên website được chọn lọc tốt
ĐỘ TIN CẬY
TC1 Website luôn giao dịch được
TC2 Website được công bố và đưa vào vận hành ngay lập tức TC3 Website không bị sự cố
TC4 Trang web không bị treo sau khi tôi thực hiện yêu cầu giao dịch
TÍNH BẢO MẬT
BM1 Website bảo vệ những thông tin về hành vi mua sắm của tôi BM2 Website không chia sẻ thông tin cá nhân với các website khác BM3 Website bảo vệ thơng tin thẻ tín dụng của tơi
SỰ PHẢN ỨNG
PU1 Website thực hiện lệnh giao dịch như đã hứa
PU2 Website thực hiện nhanh chóng những gì tơi u cầu
PU3 Ngân hàng sẵn sàng bồi thường cho những tổn thất mà họ gây ra PU4 Website cho biết tơi cần phải làm gì nếu giao dịch của tôi không
thực hiện được.
PU5 Webiste xử lý vấn đề phát sinh một cách nhanh chóng
SỰ LIÊN LẠC
LL1 Website cung cấp một số điện thoại cụ thể để liên hệ khi cần LL2 Website có bộ phận dịch vụ khách hàng/bộ phận hỗ trợ trực tuyến LL3 Tơi có thể nói chuyện trực tiếp với nhân viên ngân hàng khi có vấn đề
SỰ HÀI LỊNG
HL1 Nhìn chung tơi hài lịng với chất lượng dịch vụ Internet banking của ngân hàng
HL2 Trong thời gian tới tôi sẽ tiếp tục giao dịch trên website của ngân hàng HL3 Tôi sẽ giới thiệu bạn bè sử dụng dịch vụ Internet banking của ngân
hàng
4.2.2.3 Xử lý dữ liệu
Phân tích hệ số Cronbach Alpha
Các thang đo được đánh giá bằng độ tin cậy qua hệ số tin cậy Cronbach Alpha. Qua đó các biến quan sát có tương quan biến tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại và thang đo được chấp nhận khi hệ số Cronbach Alpha từ 0.6 trở lên (Nunnally & Burnstein, 1994).
Phân tích nhân tố EFA
Phân tích nhân tố EFA sẽ được sử dụng để gom các biến từ kết quả phân tích Cronbach Alpha để tạo ra các biến mới từ các biến đã cho phù hợp với mẫu xem xét.
Trong phân tích nhân tố, điều kiện cần áp dụng là các biến phải có tương quan. Sử dụng kiểm định Barlett's test of sphericity để kiểm định giả thuyết Ho là các biến khơng có tương quan với nhau trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hoàn toàn với chính nó (r = 1) nhưng khơng có tương quan với biến khác (r = 0). Do đó nếu kiểm định cho thấy khơng có ý nghĩa thống kê thì khơng nên áp dụng phân tích nhân tố cho các biến đang xem xét.
Trong phân tích nhân tố, chỉ số Kaiser-Meyer-Olkin (KMO) dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, cịn nhỏ hơn 0,5 thì phân tích nhân tố có khả
năng là khơng thích hợp với dữ liệu. (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 31, tập 2).
Trong phân tích nhân tố phương pháp Principal components analysis đi cùng phép xoay Varimax được sử dụng phổ biến nhất. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 40, tập 2).
Kết quả phân tích ma trận các nhân tố sẽ được phân tích thêm bằng cách xoay các nhân tố. Sau khi xoay các nhân tố, hệ số tải nhân tố lớn hơn 0,5 được xem là có ý nghĩa thực tiễn (Hair & ctg, 1998). Tiêu chuẩn khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố lớn hơn hay bằng 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và Al Tamimi, 2003). Phương sai trích phải đạt từ 50% trở lên (Hair & ctg, 1998). Ngoài ra, trị số Eigenvalue phải lớn hơn 1. Chỉ những nhân tố có Eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin hơn một biến gốc (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008)[3].
Phân tích nhân tố sẽ giúp hiệu chỉnh mơ hình lý thuyết theo kết quả phân tích và điều chỉnh lại các giả thuyết.
Phân tích hồi quy tuyến tính bội
Phân tích hồi quy tuyến bội được tiến hành theo các bước sau: (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 1).
Trước khi tiến hành phân tích hồi quy tuyến tính bội thì việc xem xét mối tương quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tương quan Pearson trong ma trận hệ số tương quan là phù hợp để xem xét mối tương quan này. Ma trận hệ số tương quan là một ma trận vuông gồm các hệ số tương quan. Tương quan của một biến nào đó với chính nó sẽ có hệ số tương quan là 1 và chúng có thể được thấy trên đường chéo của ma trận. Mỗi biến sẽ xuất hiện hai lần trong ma trận với hệ số tương quan như nhau, đối xứng nhau qua đường chéo của ma trận.
Nếu kết luận được là các biến độc lập và biến phụ thuộc có tương quan tuyến tính với nhau qua hệ số tương quan Pearson, đồng thời giả định rằng chúng ta đã cân nhắc kỹ bản chất của mối liên hệ tiềm ẩn giữa các biến và xem như đã xác định đúng hướng của một mối quan hệ nhân quả giữa chúng, thì chúng ta có thể mơ hình hóa mối quan hệ nhân quả của chúng bằng mơ hình hồi quy tuyến tính bội, trong đó một biến được gọi là biến phụ thuộc và các biến còn lại gọi là các biến độc lập.
Kiểm định độ phù hợp của mơ hình
Kiểm định F trong bảng phân tích phương sai là một phép kiểm định về độ phù hợp của mơ hình hồi quy tuyến tính tổng thể. Kiểm định ý nghĩa của các hệ số hồi quy. Kiểm định t trong bảng các thông số thống kê của từng biến độc lập dùng để kiểm định ý nghĩa của các hệ số hồi quy.
Sử dụng phương pháp Enter, SPSS xử lý tất cả các biến đưa vào một lần và đưa ra các thông số thống kê liên quan đến các biến. Sau đó, dị tìm các vi phạm giả định cần thiết trong hồi quy tuyến tính bội.
Đối với giả định liên hệ tuyến tính và phương sai bằng nhau, sử dụng đồ thị phân tán giữa các phần dư chuẩn hóa và giá trị dự đốn chuẩn hóa. Nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn, thì sẽ khơng nhận thấy có liên hệ gì giữa các giá trị phần dư chuẩn hóa và giá trị dự đốn chuẩn hóa. Chúng sẽ phân tán rất ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0, khơng tạo thành một hình dạng nào.
Đối với giả định về phân phối chuẩn của phần dư, sử dụng biểu đồ tần số của các phần dư. Nếu trung bình bằng 0 và độ lệch chuẩn xấp xỉ bằng 1 thì có thể kết luận rằng giả định phân phối chuẩn không bị vi phạm.
Đối với giả định khơng có mối tương quan giữa các biến độc lập (đo lường hiện tượng đa cộng tuyến), sử dụng hệ số phóng đại phương sai (VIF - Variance inflation factor), nếu VIF vượt quá 10 đó là dấu hiệu của hiện tượng đa cộng tuyến. Tiếp theo là đánh giá độ phù hợp của mơ hình hồi quy tuyến tính bội bằng hệ số R2 và hệ số R2 điều chỉnh. Hệ số R2 đã được chứng minh là hàm không giảm theo số
biến độc lập được đưa vào mơ hình, càng đưa thêm nhiều biến độc lập vào mơ hình thì R2 càng tăng. Tuy nhiên, điều này cũng được chứng minh rằng khơng phải phương trình càng có nhiều biến sẽ càng phù hợp hơn với tập dữ liệu. Để giải quyết tình huống này, hệ số R2 điều chỉnh được sử dụng để phản ánh tốt hơn mức độ phù hợp của mơ hình hồi quy tuyến tính bội. Hệ số R2 điều chỉnh không nhất thiết phải tăng lên khi nhiều biến độc lập được đưa thêm vào mơ hình. Hệ số R2 điều chỉnh là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính bội vì nó khơng phụ thuộc vào độ lệch phóng đại của hệ số R2.
Tiếp theo là điều chỉnh mơ hình lý thuyết ban đầu. Sau khi hiệu chỉnh mơ hình xong, viết phương trình hồi quy tuyến tính bội, dựa vào các hệ số hồi quy riêng phần để xác định mức độ ảnh hưởng của các nhân tố đến sự hài lòng của khách hàng sử dụng dịch vụ internet banking tại ngân hàng Đông Á. Hệ số hồi quy riêng phần của nhân tố nào càng lớn thì mức độ ảnh hưởng của nhân tố đó đến sự hài lịng của khách hàng sử dụng dịch vụ internet banking càng cao, nếu cùng dấu thì mức độ ảnh hưởng theo chiều thuận và ngược lại.
Phân tích phương sai một yếu tố ANOVA
Với mục tiêu nghiên cứu ban đầu là xem xét có sự khác biệt trong đánh giá CLDV giữa các nhóm khách hàng khác nhau hay khơng, để thực hiện được việc này đề tài sử dụng phương pháp phân tích phương sai một yếu tố ANOVA (Analysis of variance ANOVA).
Anova có một số giả định sau đối với phân tích phương sai một yếu tố:
Các nhóm so sánh phải độc lập và được chọn ngẫu nhiên
Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như có tiệm cận phân phối chuẩn
Phương sai của các nhóm so sánh phải đồng nhất
Anova sử dụng trong trường hợp biến phân loại có nhiều hơn 2 nhóm để thay cho kiểm định bằng Independent-Samples T-test vì nó là sự mở rộng của kiểm định t, giúp so sánh trị trung bình của 3 nhóm trở lên với khả năng phạm sai lầm chỉ 5%
(Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 1, chương VI). Kỹ thuật phân tích phương sai được dùng để kiểm định giả thuyết các tổng thể nhóm (tổng thể bộ phận) có trị trung bình bằng nhau, kỹ thuật này dựa trên cơ sở tính tốn mức độ biến thiên trong nội bộ các nhóm và biến thiên giữa trung bình nhóm. Dựa trên hai ước lượng này của mức độ biến thiên ta có thể rút ra kết luận về mức độ khác nhau giữa các trung bình nhóm. Sau đó đề tài sử dụng Post Hoc test để xem xét sự khác biệt này xảy ra giữa các nhóm nào để từ đó đưa ra các kết luận phù hợp.
Như vậy chương 4 đã trình bày rất chi tiết các bước của tiến trình nghiên cứu, các phương pháp đã được sử dụng. Chương 4 cũng đã giới thiệu các phương pháp đánh giá làm cơ sở cho phần trình bày kết quả của chương 5.
CHƯƠNG 5: KẾT QUẢ NGHIÊN CỨU
Chương 5 sẽ trình bày kết quả nghiên cứu định lượng, hồn chỉnh các thang đo và trình bày kết quả kiểm định mơ hình lý thuyết cũng như các giả thuyết nghiên cứu đã đề ra.