CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.5. Phương pháp phân tích dữ liệu
3.5.1. Phân tích thống kê mẫu nghiên cứu
Thống kê mô tả 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. Thống kê mô tả sẽ gồm thống kê trung bình và thống kê tần số. Thống kê tần số áp dụng cho các biến định tính là
LVTS Quản trị kinh doanh
các biến về đặc điểm nhân khẩu học giới tính, độ tuổi, nghề nghiệp, thu nhập, trình độ học vấn.
Kết quả thống kê tần số giúp chúng ta đánh giá được cơ cấu của từng biến định tính.
3.5.2. Phân tích độ tin cậy và kiểm định mô hình
3.5.2.1. Đánh giá độ tin cậy bằng hệ số Cronbach’s Alpha
Kiểm định Cronbach’s Alpha sẽ giúp kiểm tra xem các biến quan sát của nhân tố ý định sử dụng có đáng tin cậy hay không, có tốt không. Phép kiểm định này phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng 1 nhân tố. Nó cho biết trong các biến quan sát của một nhân tố, biến nào đã đóng góp vào việc đo lường khái niệm nhân tố, biến nào không. Kết quả Cronbach Alpha của nhân tố tốt thể hiện rằng các biến quan sát chúng ta liệt kê là rất tốt, thể hiện được đặc điểm của nhân tố ý định sử dụng.
Hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [0,1]. Về lý thuyết, hệ số này càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên điều này không hoàn toàn chính xác. Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0,95 trở lên) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo (Nguyễn Đình Thọ (2013))
Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item – Total Correlation ≥ 0,3 thì biến đó đạt yêu cầu (Nunnally, J. (1978))
Mức giá trị hệ số Cronbach’s Alpha (Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008))
Từ 0,8 đến gần bằng 1: thang đo lường rất tốt.
Từ 0,7 đến gần bằng 0,8: thang đo lường sử dụng tốt.
Từ 0,6 trở lên: thang đo lường đủ điều kiện.
Giá trị của cột Cronbach's Alpha if Item Deleted, cột này biểu diễn hệ số Cronbach's Alpha nếu loại biến đang xem xét. Nếu giá trị Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha của nhóm thì nên cân nhắc xem xét biến quan sát này tùy vào từng trường hợp.
LVTS Quản trị kinh doanh
41
3.5.2.2. Phân tích nhân tố khám phá EFA
Sau khi kiểm định bằng Cronbach’s Alpha, thang đo sẽ được tiếp tục được phân tích nhân tố khám phá nhằm loại bỏ đi những biến không phù hợp, kết quả phân tích được thể hiện bởi hai giá trị quan trọng là:
Giá trị hội tụ: Các biến quan sát cùng tính chất hội tụ về cùng một nhân tố, khi biểu diễn trong ma trận xoay, các biến này sẽ nằm chung một cột với nhau.
Giá trị phân biệt: Các biến quan sát hội tụ về nhân tố này và phải phân biệt với các biến quan sát hội tụ ở nhân tố khác, khi biểu diễn trong ma trận xoay, từng nhóm biến sẽ tách thành từng cột riêng biệt.
Các chỉ số trong phân tích EFA gồm:
Hệ số KMO (Kaiser-Meyer-Olkin) sẽ phù hợp khi nằm trong khoảng từ 0,5 ≤ KMO ≤ 1, điều này cho thấy các nhân tố phân tích là phù hợp với mô hình nghiên cứu. Trường hợp KMO < 0,5 cần loại nhân tố phân tích ra khỏi mô hình nhằm cải thiện giá trị nghiên cứu.
- Kiểm định Bartlett (Bartlett’s test of sphericity) có ý nghĩa thống kê (sig Bartlett’s Test < 0,05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố. Nếu các biến tương quan với nhau thì cần loại ra khỏi mô hình.
- Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue
≥ 1 mới được giữ lại trong mô hình phân tích.
- Tổng phương sai trích (Total Variance Explained) được coi là phù hợp khi lớn hơn 50%.
Theo Hair & ctg (2009), hệ số tải Factor Loading càng cao cho thấy biến quan sát có giá trị thống kê càng tốt, cụ thể:
Hệ số Factor Loading từ -0,3 đến 0,3: biến quan sát được giữ lại.
Hệ số Factor Loading từ -0,5 đến 0,5: Biến quan sát có ý nghĩa thống kê tốt.
Hệ số Factor Loading từ -0,7 đến 0,7: Biến quan sát có ý nghĩa thống kê rất tốt.
LVTS Quản trị kinh doanh
3.5.2.3. Kiểm định sự phù hợp của mô hình
Các thang đo sau khi đạt yêu cầu sẽ được kiểm định giả thuyết bằng phân tích tương quan và hồi quy.
Phân tích tương quan Pearson nhằm sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Tương quan Pearson r có giá trị dao động từ -1 đến 1 (hệ số r chỉ có ý nghĩa khi sig nhỏ hơn 0,05). Nếu r = 0 thì hoặc là không có một mối liên hệ nào giữa 2 biến hoặc giữa chúng có mối liên hệ phi tuyến.
Sau khi phân tích tương quan, mô hình tiếp tục phân tích hồi quy đa biến với các tiêu chí:
Giá trị R2 (R Square) và R2 hiệu chỉnh (Adjusted R Square) dao động từ 0 đến 1, chỉ số này sẽ có mức ý nghĩa cao khi tiến gần về 1, thể hiện biến độc lập có mức ý nghĩa cao khi giải thích biến phụ thuộc.
Giá trị sig của kiểm định F nhỏ hơn 0,05, cho thấy mô hình hồi quy là phù hợp và có thể sử dụng để phân tích.
Hệ số Durbin Watson (DW) giao động từ 0 đến 4 và thường bằng 2 trong trường hợp phần sai số không có tương quan bậc nhất với nhau.
Nếu sig kiểm định t nhỏ hơn 0,05, thì biến độc lập có tác động lên biến phụ thuộc và nếu lớn hơn 0,05 thì không có tác động lên biến phụ thuộc.
Hiện tượng đa cộng tuyến được kiểm định thông qua VIF- hệ số phóng đại phương sai.Với đề tài sử dụng thang đo Likert, nếu hệ số VIF > 2 thì khả năng rất cao xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập.
LVTS Quản trị kinh doanh
43
TÓM TẮT CHƯƠNG 3
Ở chương 3, tác giả đã thiết kế nghiên cứu, chọn mẫu, lập ra quy trình nghiên cứu tổng thể bởi 5 bước. Qua đó đưa ra phương pháp nghiên cứu cụ thể nhằm phục vụ quá trình xử lý số liệu ở chương tiếp theo nhằm làm rõ các yếu tố ảnh hưởng đến ý định sử dụng dịch vụ ngân hàng bán lẻ của khách hàng cá nhân tại ngân hàng thương mại cổ phần Đầu tư và Phát triển Việt Nam chi nhánh Bình Dương, xử lý số liệu được tác giả tiến hành thông qua phần mềm SPSS 2.0
LVTS Quản trị kinh doanh