CHƯƠNG 3: THIẾT KẾ NGHIÊN CỨU
3.5. Phương pháp phân tích dữ liệu
Dữ liệu được sử lý bằng phần mềm SPSS 20.0. Sau khi được mã hóa và làm sạch, số liệu sẽ qua các phân tích sau: Thống kê mô tả, đánh giá độ tin cậy Cronbach’s alpha của các thang đo, phân tích nhân tố khám phá EFA, phân tích hồi quy và phân tích ANOVA, kiểm định T-test.
Phân tích thống kê mô tả: Để xác định dữ liệu đã được thu thập theo các thuộc tính giới tính, độ tuổi, trình độ học vấn, nghề nghiệp vàthu nhập.
Kiểm định thang đo bằng hệ số tin cậy Cronbach’s alpha: Kiểm định độ tin cậy thang đo Cronbach’s alpha được sử dụng để loại bỏ các biến rác trước khi tiến hành phân tích nhân tố khám phá. Các biến có hệ số tương quan biến tổng (Corrected item total correlation) nhỏ hơn 0.3 sẽ bị loại. Một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng 0.7 đến 0.8. Còn Cronbach’s alpha > hoặc = 0.6 là thang đo có thể chấp nhận được về mặt tin cậy. (Hoàng Trọng và Chu Nguyễn Mộng, 2008).
Phân tích nhân tố khám phá (EFA: Exploratory Factor Analysis): Phân tích nhân tố khám phá nhằm rút gọn một tập hợp nhiều biến quan sát phụ thuộc lẫn nhau thành một tập hợp có ít biến quan sát hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng đầy đủ thông tin của tập biến ban đầu, dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các yếu tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các yếu tố với các biến quan sát. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008)
EFA được xem là thích hợp khi thỏa các điều kiện:
Kiểm tra ma trận xoay nhân tố (Rotated component matrix) chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố. Trong đó kiểm tra hệ số tải nhân tố (Factor loading), đây là chỉ tiêu để đảm bảo ý nghĩa thiết thực của EFA (Ensuring practice significance), hệ số này phải lớn hơn 0.5. Biến quan sát nào có hệ số này nhỏ hơn 0.5 thì trước tiên ta nên loại bỏ biến nào có hệ số nhỏ nhất, không nên loại bỏ cùng lúc các
biến quan sát. Nếu biến quan sát có hệ số tải nhân tố mang dấuâm sẽ được lấy trị tuyệt đối.
Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA.
Theo đó giả thuyết HR0R (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0.5 <= KMO <= 1 và Sig. < 0.05 thì các biến quan sát có tương quan với nhau trong tổng thể.
Phân tích nhân tố còn dựa vào Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát)để xác định số lượng nhân tố. Theo Gerbing và Anderson (1988), thì các nhân tố có Eigenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì vậy, các nhân tố chỉ được rút trích tại có Eigenvalue > 1 và được chấp nhận khi tổng phương sai trích > 50%.
EFA nhiều lần cho đến khi xác định được các biếncó hệ số tải nhân tố lớn hơn 0.5. Từ đó xác định được các nhân tố mới, đặt tên lại cho các nhân tố mới này. Phân tích hồi quy tuyến tính được áp dụng trong việc đánh giá mức độ ảnh hưởng của các nhân tố ảnh hưởng đến lòng trung thành thương hiệu Milano. Sau đó, các giả thuyết sẽ được điều chỉnh lại theo các nhân tố mới.
Phân tích hồi quy tuyến tính, phương trình hồi quy có dạng như sau:
Lòng trung thành thương hiệu = βR1R*Nhận biết thương hiệu + βR2R*Liên tưởng thương hiệu + βR3R*Chất lượng cảm nhận + βR4R*Niềm tin thương hiệu + βR5R*Giá trị cảm nhận + βR6R*Hình ảnh thương hiệu.
Trong đó: βR1R, βR2R, βR3R, βR4R, βR5R, βR6Rlà các hệ số hồi quy.
Sau khi có kết quả phân tích hồi quy, cần xem xét các vấn đề sau:
Kiểm định sự quy phạm các giả thuyết của hồi quy tuyến tính: Xem xét hệ số tương quan vàhiện tượng đa cộng tuyến.
Đánh giá độ phù hợp của mô hình hồi quy dựa trên hệ số RP2PRR hiệu chỉnh (Adjusted R square), mô hình có ý nghĩa càng cao khi RP2Pđã hiệuchỉnh càng tiến gần 1 (0<Adjusted R2<1) với Sig.F change < 0.05 (độ tin cậy trên 95%). Hệ số này bao
nhiêu %, là mức độ phù hợp của mô hình nghiên cứu với ý nghĩa của các biến (nhân tố) độc lập giải thích được bao nhiêu phần trăm (%) biến thiên của biến (nhân tố) phụ thuộc.
Kiểm định độ phù hợp của mô hình hồi quy thông qua kiểm định F. Nếu giả thuyết HR0R bị bác bỏ tức là kết hợp của các biến độc lập hiện có trong mô hình có thể giải thích được thay đổi của biến phụ thuộc.
Hệ số Beta (β) là hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ số, được xem xét như là khả năng giải thích biến phụ thuộc. Trị tuyệt đối của một hệ số, được xem xét là khả năng giải thích biến phụ thuộc. Trị tuyệt đối của một số beta chuẩn hóa càng lớn thì tầm quan trọng tương đối của nó trong dự báo biến phụ thuộc càng cao.
Kiểm định hiện tượng đa cộng tuyến thông qua hệ số phóng đại phương sai (VIF: Variance Inflation Factor). Nếu VIF > 10 thì có hiện tượng đa cộng tuyến (là trạng thái trong đó các biến độc lập có mối quan hệchặt chẽ với nhau). Ngược lại, VIF
< 10 thì không có hiện tượng đa cộng tuyến.
Tóm lại, hệ số RP2Phiệu chỉnh, giá trị F, hệ số hồi quy chuẩn hóa và hệ số tương quan từng phần dùng để đánh giá mức độ phù hợp của mô hình và kiểm định 6 giả thuyết nghiên cứuđã đưa ra.
Phân tích ANOVA cho các biến nhân khẩu học và kiểm định T-test được dùng để phân tích cho biến giới tính, phân tích theo nhóm được sử dụng để so sánh mô hình lý thuyết theo các nhóm nào đó của biến định tính như theo nhóm giới tính, nhóm tuổi, nhóm học vấn, nhóm nghề nghiệp và thu nhập.
3.6. Tóm tắc chương 3
Chương 3đã trình bày toàn bộ tiến trình nghiên cứu của đề tài. Nghiên cứu này được tiến hành thông qua haigiai đoạn: (1) Nghiên cứu định tính được thực hiện nhằm xây dựng mô hình nghiên cứu lý thuyết, xây dựng thang đo và (2) nghiên cứu chính thức được thực hiện bằng nghiên cứu định lượng nhằm thu thập và phân tích dữ liệu khảo sát để kiểm định mô hình nghiên cứu
CHƯƠNG 4