CHƯƠNG 2. PHƯƠNG PHÁP NGHIÊN CỨU 2.1. Tổng hợp các nghiên cứu đi trước
2.5. Nghiên cứu định lượng 1. Phương thức lấy mẫu
Có hai phương thức chọn mẫu là phương pháp chọn mẫu xác suất và phương pháp chọn mẫu phi xác suất. Trong nghiên cứu này, sử dụng phương pháp chọn mẫu phi xác suất, cụ thể là phương pháp lấy mẫu thuận tiện và phương pháp lấy mẫu tích lũy nhanh. Dữ liệu được thu thập thông qua các hình thức phỏng vấn trực tiếp, phỏng vấn qua điện thoại và trả lời email.
2.5.2. Kích thước mẫu
Quyết định kích thước mẫu trong chọn mẫu phi xác suất thường được xác định một cách chủ quan chứ không theo một công thức tính toán nào (Lê Thế Giới và cộng sự - 2006 – Nghiên cứu Marketing lý thuyết và ứng dụng – NXB Thống Kê). Tuy nhiên, Hair và cộng sự (1998) cho rằng, đối với phân tích nhân tố EFA, cỡ mẫu tối thiểu phải là N>=5*x (với x là tổng số biến quan sát). Trong nghiên cứu này, tổng số biến quan sát là 24 biến, như vậy, theo Hair và cộng sự thì số mẫu là 120. Tuy nhiên, để đảm bảo được tính khách quan của nghiên cứu, tác giả đã gửi đi 350 bảng câu hỏi và nhận được hồi đáp 320bảng, trong đó có 307 bảng thỏa mãn yêu cầu và được sử dụng.
2.5.3. Xử lý và phân tích dữ liệu
Dữ liệu sau khi được thu thập sẽ được mã hóa, làm sạch và tiến hành quá trình phân tích bằng phần mềm SPSS version 16.0.
- Phân tích mô tả:
Trong bước đầu tiên, tác giả sử dụng phân tích mô tả để phân tích các thuộc tính của mẫu nghiên cứu, như: các thông tin về giới tính, độ tuổi, trình độ học vấn, nghề nghiệp, thu nhập hàng tháng, sử dụng tài khoản ngân hàng, đang sử dụng/chưa sử dụng dịch vụ, …
- Kiểm định và đánh giá thang đo:
Để đánh giá thang đo các khái niệm trong nghiên cứu, cần phải kiểm tra độ tin cậy, độ giá trị của thang đo. Dựa trên các hệ số tin cậy Cronbach’s Alpha, hệ số tương quan biến – tổng (Item – to – total correlation) giúp loại ra những biến quan sát không đóng góp vào việc mô tả khái niệm cần đo, hệ số Cronbach’s Alpha if Item Deleted để giúp đánh giá để loại bỏ bớt biến quan sát nhằm nâng cao hệ số tin
cậy Cronbach’s Alpha cho khái niệm cần đo, và phương pháp phân tích khám phá (EFA) nhằm kiểm tra độ giá trị của thang đo các khái niệm nghiên cứu.
+ Phân tích Cronbach’s Alpha:
Phân tích Cronbach’s Alpha thực chất là phép kiểm định mức độ tương quan lẫn nhau của các biến quan sát trong thang đo qua việc đánh giá sự tương quan giữa bản thân các biến quan sát và tương quan của điểm số trong từng biến quan sát với điểm số toàn bộ các biến quan sát cho từng trường hợp trả lời. Một tập hợp các biến quan sát được đánh giá tốt khi hệ số Cronbach’s Alpha lớn hơn hoặc bằng 0.8, Cronbach’s Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2007), hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được (Peterson, 1994).
Hệ số tương quan biến – tổng (Item – to – total correlation) là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo.
Do đó, hệ số này càng cao thì sự tương quan giữa biến với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein (1994), các biến có hệ số tương quan biến – tổng nhỏ hơn 0.3 sẽ bị coi là biến rác và sẽ loại ra khỏi mô hình do có tương quan kém với các biến khác trong mô hình.
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các biến có liên kết với nhau hay không, nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan biến – tổng sẽ giúp loại ra những biến quan sát không đóng góp nhiều cho sự mô tả các khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mọng Ngọc, 2008).
Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA nhằm loại ra các biến trong phù hợp, vì các biến này có thể tạo ra các nhân tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2007).
+ Phân tích nhân tố khám phá (EFA)
Sau khi kiểm tra độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy, phương pháp phân tích nhân tố khám phá (EFA) là kỹ thuật được sử dụng để xác định giá trị hội tụ và giá trị phân biệt của thang đo, đồng thời thu nhỏ và tóm tắt dữ liệu, giúp chúng ta rút trích từ các biến quan sát thành một hay một số biến tổng hợp có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Khi phân
tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
Thứ nhất, trị số KMO>= 0.5 và mức ý nghĩa của kiểm định Bartlett căn cứ trên giá trị Sig=< 0.05.
Kiểm định Bartlett là đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét.
KMO là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0.5 và 1) thì phân tích nhân tố là thích hợp, còn nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Thứ hai, đại lượng Eigenvalue >1
Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi mỗi nhân tố. Chỉ có những nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc, vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
Thứ ba, tổng phương sai trích >=50%
Tổng phương sai trích (Variance Explained Criteria) là phần trăm phương sai toàn bộ được giải thích bởi từng nhân tố. Nếu coi biến thiên là 100% thì giá trị này cho biết phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu %.
Tổng phương sai trích tối thiểu phải bằng 50% thì phân tích nhân tố được xem là phù hợp.
Thứ tư, hệ số tải nhân tố (Factor loading) >= 0.5. Nếu biến quan sát nào có hệ số tải nhân tố nhỏ hơn 0.5 sẽ bị loại.
Hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá. Factor loading >0.3 được xem là đạt mức tối thiểu, Factor loading > 0.4 được xem là quan trọng và Factor loading >=0.5 được xem là có ý nghĩa thực tiễn.
Thứ năm, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố
>=0.3 để đảm bảo giá trị phân biệt giữa các nhân tố.
Ngoài ra, do ma trận nhân tố ít khi tạo ra những nhân tố có thể giải thích được một cách dễ dàng bởi vì các nhân tố thường có tương quan với nhiều biến nên khi phân tích nhân tố khám phá, để biến đổi ma trận nhân tố trở nên đơn giản và dễ giải thích các kết quả hơn, đề tài nghiên cứu sử dụng phương pháp trích Principal Component Analysis với phép xoay Varimax procedure để tối thiểu hóa số lượng biến có hệ số tại cùng một nhân tố. Phương pháp xoay Varimax được chọn sử dụng bởi vì đây là phương pháp thường được sử dụng phổ biến nhất.
- Phân tích hồi quy tuyến tính bội
Sau khi hoàn tất việc phân tích đánh giá độ tin cậy thang đo (phân tích Cronbach’s Alpha) và kiểm định giá trị khái niệm của thang đo (phân tích nhân tố khám phá EFA), các biến không đảm bảo độ giá trị hội tụ tiếp tục bị loại khỏi mô hình cho đến khi các tham số được nhóm theo các nhóm biến. Việc xác định mối quan hệ giữa các nhóm biến này cũng như xác định mối quan hệ giữa các nhóm biến độc lập và nhóm biến phụ thuộc trong mô hình nghiên cứu được thực hiện bằng phương pháp phân tích hồi quytuyến tính bội.
Giá trị của biến mới trong mô hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó, giá trị của các thành phần được phần mềm SPSS tính một cách tự động từ giá trị trung bình có trọng số của các biến quan sát đã được chuẩn hóa. Tuy nhiên, trước khi tiến hành phân tích hồi quy, một phân tích quan trọng cần được thực hiện đầu tiên là phân tích tương quan nhằm kiểm định mối tương quan tuyến tính giữa các biến trong mô hình.
+ Phân tích tương quan:
Kiểm định mối tương quan tuyến tính giữa các biến trong mô hình, đó là:
giữa biến phụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau. Sử dụng hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ mối liên hệ tuyến tính giữa hai biến định lượng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008)
+ Phân tích hồi quy tuyến tính bội:
Nghiên cứu thực hiện hồi quytuyến tính bội theo phương pháp Stepwise, đó là: tất cả các biến được đưa vào một lần và xem xét các kết quả thống kê liên quan đến các biến được đưa vào trong mô hình.
+ Kiểm định các giả thuyết:
Đánh giá độ phù hợp của mô hình hồi quytuyến tính bội:dựa vào hệ số R2 và R2 hiệu chỉnh.
Kiểm định giả thuyết về độ phù hợp của mô hình.
Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy.
Xác định mức độ ảnh hưởng của các nhân tố tác động đến ý định sử dụng dịch vụ mua sắm trực tuyến, nhân tố nào có hệ số β lớn hơn thì có thể nhận xét rằng nhân tố đó có mức độ ảnh hưởng cao hơn các nhân tố khác trong mô hình nghiên cứu.
CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU VÀ MỘT SỐ KIẾN NGHỊ NHẰM