CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.5 KẾ HOẠCH PHÂN TÍCH DỮ LIỆU
Các thang đo được mã hóa như trong bảng 3.3
3.5.2 Thống kê mô tả
Lập bảng thống kê để mô tả các dữ liệu thu thập theo các biến nhân khẩu học: giới tính, độ tuổi, thu nhập, nghề nghiệp, học vấn và các biến quan sát trong nghiên cứu.
3.5.3 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) nhằm để kiểm định độ hội tụ giữa các khái niệm. Khi chỉ số KMO (Kalser – Meyer – Ohkin) có giá trị trên 0.5 thì mô hình được cho là phù hợp để nghiên cứu (Haier et al., 1998). Kiểm định Bartlett’s xem xét giả thuyết độ tương quan của các biến bằng không trong tổng thể, nếu giá trị của kiểm định Bartlett’s này có Sig < 0.05 thì các biến quan sát có tương quan với nhau trong tổng thể (Trọng và Ngọc, 2005).
Hệ số tải cho biết mức độ ảnh hưởng của biến trong nhóm biến. Hệ số tải càng lớn thì giá trị đại diện nhóm biến của biến quan sát đó càng lớn. Các biến có hệ số tải <0.5 sẽ bị loại (Hair và ctg, 1998). Phương pháp rút trích các nhân tố Principal Axis Factoring kết hợp phương pháp xoay Promax (Oblique) sẽ phản ánh dữ liệu chính xác hơn phương pháp trích Pricipal Components với phương pháp xoay Varimax (Orthogonal) (Gerbing & Anderson, 1988) nên được sử dụng trong phân tích nhân tố của thang đo các yếu tố ảnh hưởng đến sự sẵn lòng mua của người tiêu dùng. Thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% (Gerbing & Anderson, 1988).
3.5.4 Kiểm định thang đo
Thang đo sau đó được kiểm định thông qua hệ số Cronbach Alpha và hệ số tương quan tổng biến. Kiểm định này giúp loại bỏ các biến không phù hợp trong thang đo. Các biến quan sát có giá trị tương quan tổng biến nhỏ hơn 0.3 sẽ bị loại và thang đo được xem là đáng tin cậy khi hệ số Crobach Alpha lớn hơn 0.6 (Nunnally, 1978; Peterson, 1994; Slater, 1995).
3.5.5 Phân tích tương quan
Các biến quan sát được đưa vào phân tích tương quan nhằm đo lường mức độ quan hệ tuyến tính giữa các biến với nhau, không phân biệt biến này phụ thuộc vào biến kia.
Phân tích tương quan Pearson được sử dụng. Hệ số tương quan Pearson sẽ nhận giá trị từ -1 đến +1. Hệ số này dương chứng tỏ hai biến có mối quan hệ thuận và ngược lại nếu hệ số này âm chứng tỏ hai biến cúa quan hệ nghịch. Giá trị tuyệt đối của hệ số này càng lớn thì hai biến càng có mối quan hệ chặt chẽ. Phân tích này được sử dụng khi hệ số Sig < 0.05. Đây là phương pháp nhằm kiểm tra sự tương quan giữa các biến độc lập và các biến phụ thuộc. Xem xét sơ bộ xem có sự tương quan giữa các biến độc lập và biến phụ thuộc hay không trước khi đưa vào phương trình hồi quy. Ngoài ra, phân tích này cũng nhằm xác định mối quan hệ giữa các biến độc lập với nhau, để xem xét sự ảnh hưởng của chúng với nhau để tránh đi trường hợp đa cộng tuyến gây ảnh hưởng đến kết quả chạy hồi quy (Trọng và Ngọc, 2008)
3.5.6 Phân tích hồi quy đa biến
Sau khi phân tích tương quan thì các biến quan sát có mối quan hệ tuyến tính được đưa vào phân tích hồi quy để mô hình hóa mối quan hệ này Phân tích hồi quy đa biến nhằm xác định mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc và mức độ giải thích của mô hình hay nói khác đi là mức độ giải thích biến phụ thuộc của các biến độc lập. Một biến được xem là có tương quan khi Sig. < 0.05. Mức độ giải thích của mô hình được thể hiện ở mục R2 và R2 hiệu chỉnh. Và nếu hệ số VIF <2 thì mô hình được xem là không có hiện tượng đa cộng tuyến (Trọng và Ngọc, 2008).
Nghiên cứu được thực hiện hồi quy đa biến theo phương pháp Enter, tất cả các biến được đưa vào một lần và xem xét các kết quả thống kê liên quan. Quá trình thực hiện phương trình hồi quy đa biến được thực hiện theo các bước sau:
- Đánh giá sự phù hợp của mô hình thông qua hệ số R2 và R2 hiệu chỉnh.
- Kiểm định giả thuyết về sự phù hợp của mô hình.
- Kiểm định giả thuyết về ý nghĩa của hệ số hồi quy từng thành phần.
- Kiểm tra giả định về hiện tượng đa cộng tuyến thông qua giá trị của dung sai Tolerance hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor) nếu VIF > 2 thì có hiện tượng đa cộng tuyến (Trọng và Ngọc, 2008)
Trong nghiên cứu này, người viết dự định sử dụng mô hình hồi quy sau
SUSANLONG = α + β1*XUATXU + β2*CHATLUONG + β3* KIENTHUC +
β4*THUONGHIEUTC + β5*T_VICHUNG
Trong đó:
- SUSANLONG: Sự sẵn lòng mua của khách hàng.
- XUATXU: Xuất xứ quốc gia nhận thức - CHATLUONG: Chất lượng thương hiệu nhận thức.
- KIENTHUC: Kiến thức thương hiệu.
- THUONGHIEUTC: Thương hiệu toàn cầu nhận thức.
- T_VICHUNG: Sự tác động của Tính vị chủng lên mối quan hệ giữa Thương hiệu toàn cầu nhận thức và Sự sẵn lòng mua.
3.5.7 Phân tích sự khác biệt nhóm
Phân tích sự khác biệt nhóm được sử dụng để xem xét sự khác biệt về Sự sẵn lòng mua của hai nhóm sản phẩm Bia và Điện thoại di động thông minh. Xem xét giữa hai sản phẩm này liệu có sự khác biệt hay không.