CHƯƠNG 3: PHÂN TÍCH MỨC ĐỘ HÀI LÒNG CỦA KHÁCH HÀNG
3.3. Xử lý số liệu nghiên cứu
3.3.1. Đánh giá thang đo
3.3.1.1. Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Theo phamlocblog (2017), “Hệ số tin cậy Cronbach’s Alpha đo lường mức độ chặt chẽ, tương quan giữa các câu hỏi trong thang đo, đánh giá độ tin cậy của thang đo. Kiểm định này nhằm mục đích để xem các biến quan sát có cùng đo lường cho một nhân tố cần đo hay không. Giá trị đóng góp nhiều hay ít được thể hiện qua hệ số tương quan biến tổng Corrected Item – Total Corelation”. Qua đó, tác giả có thể loại đi những biến không bù hợp trong mô hình nghiên cứu.
“Tiêu chuẩn để chấp nhận các biến quan sát là chỉ số tương quan biến tổng (Corrected Item – Total Corelation) từ 0,3 trở lên”.
Mức giá trị hệ số Cronbach’s Alpha thể hiện:
- Giá trị trong khoảng 0,8 - 1: “Thang đo lường rất tốt”
- Giá trị trong khoảng 0,7 - 0,8: “Thang đo lường sử dụng tốt”
- Giá trị từ 0,6 trở lên: “Thang đo lường đủ điều kiện”
Kết quả kiểm định các nhóm biến bằng hệ số tin cậy Cronbach’s Alpha được trình bày chi tiết tại phụ lục 4 và được tóm tắt lại như sau:
Bảng 3.5: Bảng tổng hợp kết quả phân tích Cronbach’s Alpha
STT Nhân tố
Số biến quan sát ban đầu
Số biến quan sát
giữ lại
Cronbach’s Alpha sau
cùng
Biến bị loại
1 Sự hữu hình 4 4 0,642
2 Sự tin cậy 5 4 0,629 TC3
3 Sự đảm bảo 3 3 0,641
4 Sự đồng cảm và đáp
ứng 3 3 0,679
5 Giá cả dịch vụ 2 2 0,717
6
“Mức độ hài lòng khi sử dụng dịch vụ của ngân hàng”
3 3 0,682
(Nguồn: Tổng hợp từ phần mềm SPSS 20)
“Sau kiểm định Cronbach’s Alpha, các thang đo lường đều đủ điều kiện (Cronbach’s Alpha > 0,6) và có 1 biến quan sát TC3 cần loại bỏ trước khi đưa vào phân tích nhân tố khám phá EFA.”
3.3.1.2. Phân tích nhân tố khám phá (EFA)
“Phân tích nhân tố khám phá (EFA) dùng để rút gọn một tập hợp M biến quan sát thành một tập N (với N<M) các nhân tố có ý nghĩa hơn.”Theo Hair & ctg (1998) thì: “Phân tích nhân tố là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát thành một nhóm để chúng có ý nghĩa hơn những vẫn chứa đựng hầu hết các nội dung thông tin của biến ban đầu”.
Phamlogblog (2018) đã chỉ ra các tiêu chí trong phân tích EFA, cụ thể như sau:
- “Hệ số KMO (Kaiser-Meyer-Olkin) dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0,5 trở lên (0,5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố 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 đang nghiên cứu”.
- “Kiểm định Bartlett (Bartlett’s test of sphericity) được dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Điều kiên cần để áp dụng phân tích nhân tố là các biến quan sát thuộc cùng một nhân tố phải có mối tương quan với nhau. Chính vì thế, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê khi sig Bartlett’s test < 0,05, khi đó các biến quan sát có tương quan với nhau trong nhân tố”.
- “Trị số Eigenvalue để xác định số lượng nhân tố trong phân tích EFA, những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích”.
- “Tổng phương sai trích (Total Variance Explained) ≥ 50% thì mô hình EFA là phù hợp. Chỉ số cho biết các nhân tố nghiên cứu giải thích được bao nhiêu % sự
biến thiên của biến quan sát và bao nhiêu % không giải thích được”.
- “Hệ số tải nhân tố hay còn gọi là trọng số nhân tố (Factor Loading) thể hiện mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số này càng cao thì tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Factor Loading ở mức ± là điều kiện tối thiểu để biến quan sát được giữ lại, Factor Loading ở mức
± 0,5 thì biến quan sát có ý nghĩa thống kê tốt và Factor Loading ở mức ± 0,7 thì biến quan sát có ý nghĩa thống kê rất tốt”.
Kết quả phân tích nhân tố khám phá như sau:
Phân tích EFA biến độc lập
“Mô hình nghiên cứu ban đầu có 5 nhóm nhân tố với 17 biến quan sát ảnh hưởng đến sự hài lòng của khách hàng khi sử dụng dịch vụ thẻ của VietinBank – Chi nhánh Nam Định. Tuy nhiên, sau khi phân tích độ tin cậy thì biến TC3 bị loại nên tác giả chỉ đưa 16 biến quan sát còn lại vào phân tích nhân tố. Từ kết quả phân tích thu được tại bảng 1, phụ lục 5, có nhận xét như sau:”
Kết quả cho thấy KMO = 0,655 thuộc khoảng từ 0,5 đến 1 và Sig Bartlett's Test = 0,000 < 0,05 nên các biến có tương quan với nhau. Chính vì thế mô hình là phù hợp để đưa vào phân tích nhân tố khám phá.
Giá trị Eigenvalues = 1,142 >1 và trích được 5 nhân tố mang ý nghĩa tóm tắt thông tin tốt.
Tổng phương sai trích (Cumulative) = 59,246 > 50 cho biết mô hình EFA là phù hợp. Như vậy 5 nhân tố giải thích được 59,246% biến thiên của biến quan sát.
Với ma trận xoáy, 16 biến quan sát được gom thành 5 nhân tố như mô hình nghiên cứu đề xuất và tất cả các biến quan sát đều có hệ số tải nhân tố Factor Loading lớn hơn 0,5.
Phân tích EFA biến phụ thuộc
Từ kết quả phân tích thu được tại bảng 2, phụ lục 5, có nhận xét như sau:
Kết quả cho thấy KMO = 0,660 thuộc khoảng từ 0,5 đến 1 và Sig Bartlett's Test = 0,000 < 0,05 nên các biến có tương quan với nhau. Chính vì thế mô hình là phù hợp để đưa vào phân tích nhân tố khám phá.
Giá trị Eigenvalues = 1,894 >1 và trích được 1 nhân tố mang ý nghĩa tóm tắt thông tin tốt.
“Tổng phương sai trích (Cumulative) = 63,121 > 50 cho biết mô hình EFA là phù hợp. Như vậy 3 nhân tố được trích giải thích được 63,121% biến thiên của biến quan sát.”
Như vây, “sau khi tiến hành kiểm định độ tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá (EFA) thì 17 biến quan sát ban đầu giảm đi 1 biến (TC3) và vẫn giữ nguyên cách nhóm các biến quan sát thành 5 nhân tố như mô hình ban đầu.”