Thực hiện phân tích nhân tố với thang đo nhân tố tính cách thương hiệu.
Trị số KMO dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0.5 và 1) cĩ ý nghĩa là phân tích nhân tố thích hợp, cịn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố này cĩ khả năng khơng thích hợp (Hồng Trọng – Chu Nguyễn Mộng Ngọc, phân tích dữ liệu với SPSS tập 2, trang 31).
Bảng 14: Kết quả phân tích nhân tố.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,935
Approx. Chi-Square 3,308E3
Df 210
Bartlett's Test of Sphericity
Sig. ,000
Rotated Component Matrixa
Component
1 2 3 4
X giup toi the hien chinh minh ,785
X phan anh phong cach cua toi ,775
X giup toi noi bat ,737
X the hien dung ca tinh cua toi ,718
X the hien dang cap cua toi ,701
X giup toi tu tin ,682
X rat hap dan ,760
X tao duoc an tuong tot ,756
X co net doc dao rieng ,685
X mang lai loi ich cho toi ,639
X rat dac biet voi toi ,634
X rat thu hut ,567
Phe binh X, bi xuc pham ,748
Toi thuong noi chuyen ve X ,723
X gan lien voi thanh cong cua toi ,663
Toi cam thay nhu chinh minh duoc khen ngoi ,596
Phe binh X, thay ko vui ,552
Toi quan tam toi nhung gi lien quan den X ,548
Khong the nham lan X voi cac thuong hieu khac ,802
X co mot vai dac diem tuong tu voi cac thuong hieu khac ,781
X rat khac biet so voi cac thuong hieu dien thoai khac ,734
Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 6 iterations.
Barlett’s test of sphericity: đại lượng Barlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng cĩ tương quan trong tổng thể. Điều kiện cần để áp
dụng phân tích nhân tố là các biến phải cĩ tương quan với nhau (các biến đo lường phản ánh những khía cạnh khác nhau của cùng một yếu tố chung). Tác giả sử dụng đại lượng Barlett đề kiểm định giả thuyết Ho là các biến khơng cĩ tương quan với nhau trong tổng thể. Giả thuyết Ho cĩ bị bác bỏ hay khơng sẽ căn cứ trên giá trị sig.
Số lượng nhân tố được xác định dựa vào eigenvalue (Determination based on eigenvalue): chỉ cĩ những nhân tố nào cĩ eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bới nhân tố. Những nhân tố cĩ eigenvalue nhỏ hơn 1 sẽ khơng cĩ tác dụng tĩm tắt thơng tin tốt hơn một biến gốc, vì sau khi chuẩn hĩa mỗi biến gốc cĩ phương sai là 1.
Việc giải thích kết quả sẽ được tăng cường bằng phương pháp xoay các nhân tố. Ma trận xoay nhân tố chứa các hệ số factor loading (hệ số này biểu diễn mối tương quan giữa các nhân tố và các biến). Hệ số này lớn cho biết nhân tố và biến cĩ liên hệ chặt chẽ với nhau. Factor loading lớn hơn 0.3 được xem là đạt mức tối thiểu, factor loading lớn hơn 0.40 được xem là quan trọng, Factor loading lớn hơn 0.50 được xem là cĩ ý nghĩa thực tiễn. (Hair và cộng sự, 1998). Ngoài ra, khác biệt giữa các hệ số tải nhân tố của một biến quan sát giữa các nhân tố khơng nhỏ hơn 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Bùi Nguyên Hùng và Võ Khánh Tồn, 2005).
Theo bảng KMO và Barlett cho thấy, trị số KMO đạt 0,935 nghĩa là phân tích nhân tố là thích hợp và sig =0,000 cho thấy các biến cĩ tương quan với nhau (các biến đo lường phản ánh những khía cạnh khác nhau của cùng một yếu tố chung)
Kết quả EFA cho thấy cĩ 4 yếu tố được trích tại eigenvalue là 1,163 và phương sai trích được 61,680 % (> 50%). Như vậy, số lượng nhân tố trong mơ hình là 4, giải thích được 61,860 lượng biến thiên của dữ liệu. (Xem thêm phụ lục số 3).
Khi tiến hành phân tích EFA, trong hộp thoại Factors Analysis, chúng ta chọn nút Scores, sau đĩ nhấp Save as variables để lưu lại nhân số của nhân tố một cách tự động. Mặc định của chương trình này là Regression (Hồng Trọng – Chu Nguyễn Mộng Ngọc, phân tích dữ liệu với SPSS). Nhân tố tính theo cách này đã được chuẩn hĩa (nghĩa là đã được chuyển qua đơn vị đo độ lệch chuẩn). Nĩ thích hợp nhất nếu sử dụng các nhân số để phân tích hồi quy và kiểm định mối quan hệ ảnh hưởng của các biến độc lập đến biến phụ thuộc (Nguyễn Trọng Hoài và cộng sự, 2008).
Sau khi phân tích nhân tố khám phá EFA, cĩ đủ cơ sở để chấp nhận thang đo chính thức này để đưa vào các phân tích tiếp theo. Do khơng cĩ sự thay đổi nên Cronbach’s Alpha vẫn được giữ nguyên.
Giải thích các nhân tố sau khi cĩ kết quả EFA
Như vậy, các biến quan sát đưa vào phân tích EFA được nhĩm lại thành 4 nhân tố với các giải thích về nội dung của từng nhân tố này; từ đĩ căn cứ vào bản chất của các biến mà nhân tố bao gồm sẽ tìm ra tên mới cho nhân tố, tính chất này được gọi là tính chất khám phá, đĩ là một đặc trưng nổi trội của EFA (Nguyễn Trọng Hoài và cộng sự, 2008).
Nhân tố thứ nhất gồm 6 biến quan sát như sau:
Thương hiệu X giúp tơi thể hiện chính mình Thương hiệu X thể hiện phong cách của tơi Thương hiệu X giúp tơi nổi bật hơn
Thương hiệu X thể hiện đúng cá tính (tính cách) của tơi Thương hiệu X thể hiện đẳng cấp của tơi
Thương hiệu X giúp tơi tự tin hơn
Các biến quan sát này thuộc thành phần Giá trị tự thể hiện của tính cách thương hiệu. Nhân tố này được giữ lại tên là Giá trị tự thể hiện của tính cách thương hiệu.
Nhân tố thứ hai gồm 6 biến quan sát như sau:
Thương hiệu X rất hấp dẫn đối với tơi
Tơi thấy thương hiệu X luơn tạo được ấn tượng tốt đối với tơi Tơi thấy thương hiệu X luơn cĩ nét độc đáo riêng
Thương hiệu X mang lại lợi ích cho tơi Thương hiệu X rất đặc biệt đối với tơi Tơi thấy thương hiệu X rất thu hút
Các biến quan sát này thuộc thành phần Sự lơi cuốn của tính cách thương hiệu. Chúng ta vẫn gọi nhân tố này là Sự lơi cuốn của tính cách thương hiệu.
Nhân tố thứ ba gồm 3 biến quan sát như sau:
Khơng thể nhầm lẫn thương hiệu X với các thương hiệu điện thoại khác
Thương hiệu X cĩ một vài đặc điểm tương tự như các thương hiệu điện thoại khác Thương hiệu X rất khác biệt so với các thương hiệu điện thoại khác
Các biến quan sát này thuộc thành phần Sự khác biệt của tính cách thương hiệu. Vì thế, tác giả vẫn gọi nhân tố này là Sự khác biệt của tính cách thương hiệu.
Nhân tố thứ tư gồm 6 biến quan sát như sau:
Nếu cĩ ai đĩ phê bình thương hiệu X, tơi cảm thấy bị xúc phạm Tơi và những người bạn thường xuyên nĩi chuyện về thương hiệu X Thương hiệu X gắn liền với thành cơng của tơi
Khi cĩ ai đĩ ca ngợi thương hiệu X, tơi cảm thấy như chính mình được khen ngợi Nếu cĩ một câu chuyện trên phương tiện truyền thơng phê bình thương hiệu X, tơi cảm thấy khơng vui
Các biến quan sát này thuộc thành phần Sự gắn kết với tính cách thương hiệu. Vì vậy nên tác giả sẽ gọi nhân tố này là Sự gắn kết với tính cách thương hiệu.
4.4.2.2 Thang đo lịng trung thành thương hiệu
Đối với thang đo lịng trung thành thương hiệu, EFA trích được gom vào một yếu tố tại eigenvalue bằng 4,615 (>1), Cummulative % đạt 57,683 % (> 50%) nghĩa là đã giải thích được 57,683 % sự biến thiên của dữ liệu, với chỉ số KMO là 0.888. Tác giả sử dụng đại lượng Barlett đề kiểm định giả thuyết Ho là các biến khơng cĩ tương quan với nhau trong tổng thể. Giả thuyết Ho cĩ bị bác bỏ hay khơng phải căn cứ vào giá trị sig. Ở đây, giá trị sig bằng 0.00 < 0.05; nghĩa là các biến quan sát cĩ tương quan với nhau trong tổng thể. Bên cạnh đĩ, hệ số tải nhân tố của tất cả các biến đều lớn hơn 0.5 là phân tích EFA cĩ ý nghĩa trong thực tiễn (hệ số tải nhân tố Factor loading biểu diễn mối quan hệ giữa các biến và nhân tố). Như vậy, việc phân tích nhân tố đối với thang đo lịng trung thành thương hiệu là thích hợp.
Khi tiến hành phân tích EFA, trong hộp thoại Factors Analysis, chúng ta chọn nút Scores, sau đĩ nhấp Save as variables để lưu lại nhân số của nhân tố một cách tự động. Mặc định của chương trình này là Regression (Hồng Trọng – Chu Nguyễn Mộng Ngọc, phân tích dữ liệu với SPSS). Nhân tố tính theo cách này đã được chuẩn hĩa (nghĩa là đã được chuyển qua đơn vị đo độ lệch chuẩn). Nĩ thích hợp nhất nếu sử
dụng các nhân số để phân tích hồi quy và kiểm định mối quan hệ ảnh hưởng của các biến độc lập đến biến phụ thuộc (Nguyễn Trọng Hoài và cộng sự, 2008).
Bảng 15: Kết quả phân tích EFA của thang đo “Lịng trung thành thương hiệu” KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,888
Approx. Chi-Square 1,255E3
Df 28
Bartlett's Test of Sphericity
Sig. ,000
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 4,615 57,683 57,683 4,615 57,683 57,683 2 ,846 10,571 68,254 3 ,636 7,950 76,204 4 ,504 6,298 82,502 5 ,419 5,234 87,736 6 ,392 4,896 92,632 7 ,329 4,109 96,741 8 ,261 3,259 100,000 Extraction Method: Principal Component Analysis.
Component
Biến quan sát 1
Tơi thích thương hiệu X hơn những thương hiệu điện thoại khác ,812 Tơi sẵn sàng trả thêm tiền để mua điện thoại của thương hiệu X thay vì điện thoại của
thương hiệu khác khi tính năng và kiểu dáng là như nhau ,797 Tơi thường giới thiệu cho bạn bè, người thân sử dụng điện thoại thương hiệu X ,768 Nếu mua thêm chiếc điện thoại thứ hai để sử dụng cùng lúc, tơi sẽ vẫn chọn thương hiệu
X ,766
Tơi sẽ tiếp tục sử dụng thương hiệu X cho dù cĩ những hấp dẫn từ các thương hiệu khác ,762 Tơi sẽ thiếp tục sử dụng thương hiệu X vì tơi hài lịng và quen thuộc với thương hiệu
này ,752
Tơi sẽ mua thêm những sản phẩm và dịch vụ khác của thương hiệu X ,719 Tơi thường kể cho bạn bè, người thân về những trãi nghiệm khi tơi dùng thương hiệu X ,694 Extraction Method: Principal Component Analysis.
4.5 Mơ hình nghiên cứu được điều chỉnh
Sau khi kiểm định Crobach’s Alpha và phân tích nhân tố EFA, tất cả các biến đều thỏa mãn các điều kiện kiểm định nên được giữ lại và các nhân tố đều cĩ mặt với thành phần các biến khơng đổi. Do vậy, mơ hình lý thuyết sau khi đã kiểm định Cronbach’s Alpha và phân tích nhân tố EFA sẽ được sử dụng cho phân tích hồi quy.
Mơ hình nghiên cứu
Hình 16: Mơ hình nghiên cứu điều chỉnh Các giả thuyết nghiên cứu:
H1: giá trị tự thể hiện của tính cách thương hiệu càng tăng thì lịng trung thành của khách hàng đối với thương hiệu càng tăng.
H2: sự lơi cuốn của tính cách thương hiệu càng cao thì lịng trung thành của khách hàng đối với thương hiệu càng tăng.
H3: sự gắn kết của tính cách thương hiệu càng tăng thì lịng trung thành của khách hàng đối với thương hiệu càng tăng.
H4: sự khác biệt của tính cách thương hiệu càng cao thì lịng trung thành của khách hàng đối với thương hiệu càng tăng.
Sự khác biệt của thương hiệu
Lịng trung thành thương hiệu của khách hàng
Giá trị tự thể hiện của tính cách thương hiệu
Sự lơi cuốn của tính cách thương hiệu
Bảng 16: Các biến trong mơ hình
Loại Tên nhân tố Ký hiệu
Biến phụ thuộc Lịng trung thành của khách hàng đối với thương hiệu Lịng trung thành
Biến độc lập Giá trị tự thể hiện của tính cách thương hiệu Thể hiện
Biến độc lập Sự lơi cuốn của tính cách thương hiệu Lơi cuốn
Biến độc lập Sự gắn kết của tính cách thương hiệu Gắn kết
Biến độc lập Sự khác biệt của tính cách thương hiệu Khác biệt
Phương trình nghiên cứu hồi quy tổng quát được xây dựng như sau:
Trung thành = ß0 + ß1* Thể hiện + ß2* Lơi cuốn + ß3* Gắn kết +
ß4* Khác biệt 4.6 Phân tích tương quan
Việc xem xét ma trận tương quan sẽ cho tác giả biết được mối liên hệ giữa các biến trong mơ hình nghiên cứu bằng hệ số Pearson Corelation Coeficient (r). Hệ số này dùng để lượng hĩa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Trị tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính. Giá trị tuyệt đối của r tiến gần đến 1 khi hai biến cĩ mối tương quan tuyến tính chặt chẽ. Giá trị r = 0 chỉ ra rằng hai biến khơng cĩ mối liên hệ tuyến tính. (Hồng Trọng – Chu Nguyễn Mộng Ngọc, phân tích dữ liệu với SPSS tập 1 trang 198).
Thực hiện: vào menu Analyze Correlative Bivariate.
Sau khi thực hiện, ta cĩ kết quả là bảng ma trận tương quan Correlations (Xem thêm phụ lục số 3). Hệ số Pearson của các biến này bằng 0,00. Giá trị này cho thấy rằng giữa các thang đo lường tính cách thương hiệu khơng cĩ mối quan hệ tuyến tính với nhau ở mức ý nghĩa 1% (tức là mức chấp nhận cĩ sự tương quan tuyến tính là 1%).
4.7 Phân tích hồi quy và kiểm định giả thuyết4.7.1 Phân tích hồi quy 4.7.1 Phân tích hồi quy
Mơ hình hồi quy bội được xem xét cĩ dạng
Trung thành = ß0 + ß1 * Gắn kết + ß2 * Thể hiện +
Để tiến hành hồi quy tuyến tính bội, các biến được đưa vào mơ hình theo phương pháp enter (SPSS xử lý tất cả các biến đưa vào một lần, đưa ra các thơng số thống kê liên quan đến các biến, người xử lý sẽ cĩ điều kiện tự đánh giá nên loại biến nào, đưa biến nào vào). Tiêu chuẩn kiểm định là tiêu chuẩn được xây dựng dựa vào phương pháp kiểm định giá trị thống kê F và xác định xác suất tương ứng của giá trị thống kê F, kiểm định mức độ phù hợp giữa mẫu và tổng thể qua hệ số xác định R2.
Các cơng cụ chẩn đốn giúp phát hiện sự tồn tại của cộng tuyến trong dữ liệu và đánh giá mức độ cộng tuyến làm thối hĩa các tham số ước lượng là:
Độ chấp nhận của biến (Tolerance) thường được chấp nhận để đo lường hiện tượng cộng tuyến. Quy tắc là nếu độ chấp nhận của một biến nhỏ, thì nĩ gần như là một kế hợp tuyến tính của các biến độc lập khá và đĩ là dấu hiệu của đa cộng tuyến.
Hệ số phĩng đại phương sai (Variance Inflation Factor – VIF), cĩ liên hệ gần với độ chấp nhận (thực tế là nĩ nghịch đảo với độ chấp nhận). Khi Tolerance nhỏ thì VIF lớn, quy tắc là khi VIF vượt quá 10, đĩ là dấu hiệu của đa cộng tuyến.
Xem xét các hệ số tương quan tuyến tính giữa các biến giải thích trong ma trận hệ số tương quan tuyến tính mà ta đã thực hiện ở phần trên. (Hồng Trọng – Chu Nguyễn Mộng Ngọc, phân tích dữ liệu với SPSS tập I trang 252).
Cách thực hiện: vào menu Analyze Regression Linear. Đưa biến phụ thuộc vào ơ dependent, đưa biến độc lập vào ơ Independent, method : enter. Sau đĩ, vào Statistics chọn Estimates, Model fit, R squared change, Collinearity diagnostics, Durbin – Watson.
Kết quả phân tích hồi quy
Bảng Model Sumary cho biết giá trị của R-square = 0,780 và Adjusted R-Square = 0,603. Vì giá trị của Adjusted R Square nhỏ hơn nên dùng nĩ để đánh giá độ phù hợp của mơ hình sẽ an tồn hơn vì nĩ khơng thổi phồng độ phù hợp của mơ hình. Do đĩ, mơ hình cĩ mức độ giải thích là 60,3%. Kiểm định F cĩ ý nghĩa với giá trị sig = 0,00. Kiểm định F sử dụng trong bảng phân tích phương sai vẫn là một phép kiểm định giả thuyết về độ phù hợp của mơ hình hồi quy tuyến tính tổng thể. Điều này chứng tỏ mơ hình hồi quy tuyến tính bội là phù hợp với tập dữ liệu và cĩ thể sử dụng được.
Bảng 17: Kết quả phân tích hồi quy Model Summaryb