CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
2.2. Thiết kế nghiên cứu
2.2.6. Phương pháp xử lý dữ liệu
Thang đo chất lượng dịch vụ trong nghiên cứu này gồm 13 biến quan sát được xây dựng trên thang đo SERVQUAL của Parasuraman (1988), tác giả thực hiện mã hóa dữ liệu như sau:
50
Bảng 2.4: Thang đo chất lƣợng dịch vụ
của Trung tâm dịch vụ khách hàng 24/7 tại Ngân hàng VPBank Tên thành
phần
Ký hiệu biến
NỘI DUNG
ĐỘ TIN CẬY (DTC)
REL1
Tổng đài viên luôn sẵn sàng hỗ trợ, tư vấn, giải đáp các thắc mắc của anh/ chị nhanh chóng, chính xác theo đúng như cam kết.
REL2 Các thông tin của anh/ chị luôn được Trung tâm dịch vụ khách hàng 24/7 bảo mật.
SỰ CẢM THÔNG (SCT)
EMP1 Tổng đài viên luôn quan tâm, chủ động liên hệ khi anh/ chị gặp sự cố.
EMP2 Tổng đài viên hiểu rõ nhu cầu, lấy lợi ích của anh/ chị là điều tâm niệm của họ.
PHƯƠNG TIỆN HỮU HÌNH (PTHH)
TAN1 Trung tâm dịch vụ khách hàng 24/7 có các sách, ảnh, ấn phẩm giới thiệu đến các dịch vụ của trung tâm rất đẹp.
TAN2
Tổng đài viên có thể nhận diện ra anh/ chị ngay khi kết nối thành công.
HIỆU QUẢ PHỤC VỤ (HQPV)
RES1
Anh/ chị có thể nhanh chóng kết nối được với tổng đài viên 24/24 thông qua số điện thoại của Trung tâm dịch vụ khách hàng 24/7.
RES2 Tổng đài viên có đủ hiểu biết để có thể hỗ trợ được nhiều vấn đề khác nhau của anh/ chị.
RES3
Tổng đài viên luôn liên hệ lại với anh/ chị khi anh/ chị kết nối tới Trung tâm dịch vụ khách hàng 24/7 nhiều lần mà không gặp được tổng đài viên.
SỰ ĐẢM ASS1
Anh/chị cảm thấy an toàn khi kết nối tới Trung tâm dịch vụ khách hàng 24/7 cũng như nói chuyện với tổng đài viên.
51 BẢO
(SDB) ASS2
Tổng đài viên luôn xác nhận lại thông tin cá nhân để đảm bảo anh/ chị đúng là khách hàng của Ngân hàng.
CHẤT LƢỢNG DỊCH VỤ (CLDV)
SQ1 Anh/ chị hài lòng với chất lượng dịch vụ của Trung tâm dịch vụ khách hàng 24/7 tại Ngân hàng VPBank.
SQ2 Chất lượng dịch vụ của Trung tâm dịch vụ khách hàng 24/7 tại VPBank tốt hơn các ngân hàng khác.
2.2.6.2. Phân tích dữ liệu
Sau khi hoàn thiện xong công tác điều tra, thu thập dữ liệu, tác giả tiến hành phân tích dữ liệu theo các phương pháp sau:
Phương pháp thống kê mô tả
Đây là kỹ thuật giúp người nghiên cứu mô tả tổng quát về đặc điểm của mẫu nghiên cứu và kết quả khảo sát có được. Ví dụ: mẫu khảo sát có bao nhiêm nam;
bao nhiêu nữ; có bao nhiêu người ở tại Hà Nội; bao nhiêu người ở thành phố Hồ Chí Minh; điểm trung bình đánh giá câu hỏi A nào đó là rơi vào bao nhiêu trên thang đo Likert 1-5;….
Loại thống kê mô tả phổ biến nhất là các thông số gồm:
Giá trị trung bình: Mean, Average: bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát
Số trung vị (Median, ký hiệu: Me): là giá trị của biến đứng ở giữa của một dãy số đã được sắp theo thứ tự tăng hoặc giảm dần.
Mode (ký hiệu: Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
Phương sai: là trung bình giữa bình phương các độ lệch giữa các biến và giá trị trung bình của các biến đó.
Độ lệch chuẩn: là căn bậc hai của phương sai
Kiếm định Cronbach’s Alpha
52
Là kiểm định cho phép đánh giá mức độ tin cậy của việc thiết lập một biến tổng hợp trên cơ sở nhiều biến đơn.
Công thức của hệ số Cronbach’s alpha là:
α = N*p/ [1+p*(N-1) Trong đó
p là hệ số tương quan trung bình giữa các mục hỏi. Ký tự Hy Lạp p trong công thức tượng trưng cho tương quan trung bình giữa tất cả các cặp mục hỏi được kiểm tra.
Theo quy ước thì một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt phải có hệ số α >= 0,8. Mặc dù vậy, nếu có một danh mục quá nhiều các mục hỏi (N là số mục hỏi) thì sẽ có nhiều cơ hội để có hệ số α cao.
Các biến quan sát cùng đo lường một biến tiềm ẩn phải có tương quan với nhau, vì vậy phương pháp đánh giá tính nhất quán nội tại sử dụng hệ số Cronbach’s Alpha để thể hiện tính đáng tin cậy của thang đo. Theo Nguyễn Đình Thọ (2011) cho rằng một thang đo có độ tin cậy tốt khi hệ số Cronbach’s alpha >= 0,6 là thang đo có thể chấp nhận được về mặt độ tin cậy, nhưng không được lớn hơn 0,95 vì bị vi phạm trùng lặp trong đo lường. Những biến có hệ số tương quan biến tổng hiệu chỉnh nhỏ hơn 0,3 sẽ bị loại.
Vì vậy, trong nghiên cứu này hệ số Cronbach’s alpha từ 0,6 trở lên là có thể chấp nhận được. Tính toán Cronbach’s Alpha giúp người phân tích loại bỏ các biến không phù hợp và hạn cchế các biến rác trong quá trình nghiên cứu.
Phương pháp phân tích nhân tố khám phá (EFA)
Phương pháp này được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm. Các biến có hệ số tương quan đơn giữa biến và các nhân tố (factor loading) nhỏ hơn 0,5 sẽ bị loại. Điểm dừng trích khi các yếu tố có “Initial Eigenvalues” >=1.
Phân tích nhân tố khám phá (EFA) là kỹ thuật chủ yếu để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phát phát huy tính hữu ích trong việc xác định các tập biến cần thiết cho vấn đề nghiên cứu cũng như rất cần thiết trong việc tìm mối quan hệ giữa các biến với nhau.
53
Trị số KMO (Kaiser-Meyer- Olkin) dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải đạt giá trị trong khoảng [0.5;1] là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu. Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Do đó trong trường hợp kiểm định Bartlett cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê khi giá trị Sig Bartlett’s Test < 0.05, điều này chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.
Sự rút trích các nhân tố đại diện bằng các biến quan sát được thực hiện bằng phân tích nhân tố chính với phép quay (Varimax). Các thành phần với giá trị Eigenvalua lớn hơn hoặc bằng 1 (Gerbing và Anderson, 1998) mới được giữ lại trong mô hình phân tích và tổng phương sai trích (Total Variance Explained) bằng hoặc lớn hơn 50% thì mô hình EFA được xem như là phù hợp.
Cuối cùng, để phân tích nhân tố có ý nghĩa, tất cá các hệ số tải nhân tố (factor loading) phải lớn hơn hệ số quy ước 0,5 để các khái niệm nghiên cứu đạt giá trị hội tụ (Hair & ctg, 2006). Bên cạnh đó, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải lớn hơn hoặc bằng 0,3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003). Kỹ thuật phân tích nhân tố (factor analysis) đã được sử dụng trông nghiên cứu này nhằm rút gọn và gom các yếu tố thuộc tính đó lại thành một nhân tố có ý nghĩa hơn, ít hơn về số lượng.
Phương pháp tương quan Pearson
Mục đích chạy tương quan Pearson là để kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Tiêu chí trong tương quan Pearson là giá trị tương quan r, hệ số này có giá trị dao động từ -1 đến 1, hệ số này chỉ có ý nghĩa khi Sig nhỏ hơn 0.05.
54
+, Nếu r càng tiến về 1 hoặc -1 thì tương quan tuyến tính càng mạnh, càng chặt chẽ, tiến về 1 là tương quan dướng, tiến về -1 là tương quan âm.
+, Nếu r tiến về 0 thì tương quan tuyến tính càng yếu.
+, Nếu r =0 thì không có tương quan tuyến tính, lúc nãy sẽ có hai tình huống xảy ra, một là không có mối quan hệ nào giữa 2 biến, hai là giữa chúng có mối liên hệ phi tuyến tính.
+, Nếu r =1 thì tương quan tuyến tính tuyệt đối.
Phương pháp Hồi quy đa biến
Hồi quy đa biến giúp chúng ta xác định được nhân tố nào đóng góp nhiều/ ít/
không đóng góp vào sự thay đổi của biến phụ thuộc, để từ đó đưa ra các giải pháp cần thiết và kinh tế nhất.
Để mô hình hồi quy có ý nghĩa thì giá trị Sig kiểm định F phải nhỏ hơn 0.05.
Giá trị R bình phương hiệu chỉnh phản ánh mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Thường thì giá trị này từ 50% trở lên là nghiên cứu được đánh giá tốt.
Trong hồi quy đa biến sẽ có hai hệ số hồi quy đó là hệ số hồi quy chuẩn hóa Beta và hệ số hồi quy chưa chuẩn hóa B. Cả hai hệ số hồi quy này đều có thể sử dụng để viết phương trình hồi quy.
Đối với hệ số hồi quy chưa chuẩn hóa, phương trình hồi quy sẽ có dạng:
Y = B0 + B1X1 + B2X2 + B3X3 + BnXn Trong đó:
Y là biến phụ thuộc;
B0 chính là giá trị Constant trong bảng hệ số hồi quy;
B là hệ số hồi quy chưa chuẩn hóa trong bảng hệ số hồi quy;
X là biến độc lập.
Đối với phương trình dạng này, các hệ số hồi quy phản ánh sự thay đổi của biến phụ thuộc khi một biến độc lập thay đổi và các biến độc lập còn lại được giữ nguyên.
Trong phương trình hồi quy chưa chuẩn hóa thì các biến giữ nguyên đơn vị gốc của mình và phương trình hồi quy chưa chuẩn hóa mang ý nghĩa toán học nhiều
55
hơn là ý nghĩa kinh tế, bởi nó chỉ phản ánh sự thay đổi của biến phụ thuộc khi từng biến độc lập thay đổi trong điều kiện các biến độc lập còn lại phải cố định.
Đối với hệ số hồi quy chuẩn hóa, phương trình hồi quy sẽ có dạng:
Y = B1X1 + B2X2 + B3X3 + BnXn
Trong phương trình hồi quy chuẩn hóa, các hệ số hồi quy phản ánh mức độ, thứ tự ảnh hưởng của mình đến biến phụ thuộc. Từ phương trình hồi quy chuẩn hóa, căn cứ vào hệ số hồi quy Beta chúng ta sẽ biết được biến X nào ảnh hưởng mạnh, biến nào ảnh hưởng yếu đến biến phụ thuộc Y. Biến nào có hệ số hồi quy chuẩn hóa Beta càng lớn thì biến đó có sức ảnh hưởng càng mạnh tới biến phụ thuộc Y.
Có thể thấy, các biến trong phương trình hồi quy chuẩn hóa đã được quy về cùng một đơn vị, và phương trình hồi quy chuẩn hóa mang ý nghĩa kinh tế nhiều hơn là toán học. Dựa vào hệ số hồi quy chuẩn hóa Beta trong phương trình hồi quy, nhà kinh tế học xác định được rằng các yếu tố nào quan trọng nhất, yếu tố nào ít quan trọng hơn để dành thời gian và tiền bạc đầu tư một cách hợp lý. Trong phạm vi nghiên cứu của đề tài này, tác giả đề xuất sử dụng phương trình hồi quy chuẩn hóa để tiến hành phân tích.
Giá trị tiếp theo đó là giá trị Sig của kiểm định t từng biến độc lập, sig nhỏ hơn hoặc bằng 0.005 có nghĩa là biến độc lập đó có ý nghĩa trong mô hình, ngược lại sig lớn hơn 0.05 biến độc lập đó cần được loại bỏ.
Cuối cùng là giá trị VIF, giá trị này dùng để kiểm tra hiện tượng đa cộng tuyến. Đa cộng tuyến là hiện tượng các biến độc lập có mối tương quan rất mạnh với nhau, mô hình hồi quy xảy ra đa cộng tuyến sẽ khiến nhiều chỉ số sai lệch, dẫn đến kết quả của việc phân tích định lượng không còn mang lại nhiều ý nghĩa. Nếu VIF nhỏ hơn 10 thì sẽ không có hiện tượng đa cộng tuyến.