1 TL1 Hàng hóa đến cảng đích đúng như lịch tàu. 2 TL2 Hàng hóa được chuyển tải đúng như thông báo. 3 TL3 Không xảy ra tình trạng dời ngày khởi hành. 4 TL4 Sự cố trong quá trình hành trình trên biển ít xảy ra.
5 TL5 Hãng tàu không thay đổi lịch tàu khi đã công bố lịch trình.
Thang đo sự hài lòng (SAS)
1 SAS1 Tôi hài lòng với môi trường dịch vụ logistics.
2 SAS2 Tôi cảm thấy thoải mái với hoạt động cung cấp dịch vụ logistics.
3.4.2 Phân tích hệ số Cronback alpha
Phân tích hệ số Cronback alpha để loại bỏ các biến không phù hợp, hạn chế các biến rác trong quá trình nghiên cứu. Các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronback alpha từ 0.6 trở lên (Nunnally & Burnstein,1994)[17].
3.4.3 Phân tích nhân tố khám phá EFA
Sau khi dựa vào hệ số Cronbach alpha để loại đi các biến không đảm bảo độ tin cậy, phân tích nhân tốđược sử dụng để thu nhỏ và gom các biến lại, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố.
Trong phân tích nhân tố, điều kiện cần áp dụng để phân tích nhân tố là các biến phải có tương quan với nhau. Sử dụng kiểm định Bartlett (Bartlett’s test of sphericity) để kiểm định giả thuyết H0 là các biến không có tương quan với nhau trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1, còn các giá trị nằm ngoài đường chéo đều bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng chi bình phương (chi-square) từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì ta càng có khả năng bác bỏ giả thuyết này. Nếu giả thuyết H0 không thể bị bác bỏ thì phân tích nhân tố rất có khả năng không thích hợp (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 32, tập 2)[13].
Trong phân tích nhân tố, chỉ số KMO (Kaiser – Meyer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của việc phân tích nhân tố. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 31, tập2)[13].
Trong phân tích nhân tố phương pháp Principal components analysis đi cùng với phép xoay varimax được sử dụng phổ biến nhất (Mayers, L.S, Gamst., Guarino A.J, 2000)[16].
Kết quả phân tích ma trận các nhân tố sẽđược phân tích thêm bằng cách xoay các nhân tố. Sau khi xoay các nhân tố, hệ số tải nhân tố >0.5 được xem là có ý nghĩa thực tiễn (Hair &ctg, 1998)[19]. Tiêu chuẩn khác biệt hệ số tải nhân tố của một biến quan sát giữa các
nhân tố lớn hơn hay bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun Al Tamimi, 2003)[18]. Phương sai trích phải đạt từ 50% trở lên (Hair &ctg, 1998)[19]. Ngoài ra, trị số eigenvalue phải lớn hơn 1. Chỉ những nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, trang 34)[13].
Sau khi phân tích nhân tố xong sẽ hiệu chỉnh mô hình lý thuyết theo kết quả phân tích nhân tố và tiến hành điều chỉnh các giả thuyết đã đặt ra.
3.4.4 Phân tích hồi quy tuyến tính bội
Phân tích hồi quy tuyến tính bội được tiến hành theo các bước sau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 1)[13]:
Trước khi tiến hành phân tích hồi quy tuyến tính bội thì việc xem xét mối tương quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tương quan Pearson trong ma trận hệ số tương quan là phù hợp để xem xét mối tương quan này. Ma trận hệ số tương quan là một ma trận vuông gồm các hệ số tương quan. Tương quan của một biến nào đó với chính nó sẽ có hệ số tương quan là 1 và chúng có thể được thấy trên đường chéo của ma trận. Mỗi biến sẽ xuất hiện hai lần trong ma trận với hệ số tương quan như nhau, đối xưng nhau qua đường chéo của ma trận.
Nếu kết luận được là các biến độc lập và biến phụ thuộc có tương quan tuyến tính với nhau qua hệ số tương quan Pearson, đồng thời giảđịnh rằng chúng ta đã cân nhắc kỹ bản chất của mối liên hệ tiềm ẩn giữa các biến và xem như đã xác định đúng hướng của một mối quan hệ nhân quả giữa chúng, thì chúng ta có thể mô hình hóa mối quan hệ nhân quả của chúng bằng mô hình hồi quy tuyến tính bội, trong đó một biến được gọi là biến phụ thuộc và các biến còn lại gọi là các biến độc lập.
Kiểm định độ phù hợp của mô hình. Kiểm định F trong bảng phân tích phương sai là một phép kiểm định vềđộ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Kiểm định ý nghĩa của các hệ số hồi quy. Kiểm định t trong bảng các thông số thống kê của từng biến độc lập dùng để kiểm định ý nghĩa của các hệ số hồi quy.
Sử dụng phương pháp Enter, SPSS xử lý tất cả các biến đưa vào một lần và đưa ra các thông số thống kê liên quan đến các biến.
Sau đó, dò tìm các vi phạm giảđịnh cần thiết trong hồi quy tuyến tính bội.
¾ Đối với giảđịnh liên hệ tuyến tính và phương sai bằng nhau, sử dụng đồ thị phân tán giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa. Nếu giảđịnh liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn, thì sẽ không nhận thấy có liên hệ gì giữa các giá trị phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa. Chúng sẽ phân tán rất ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0, không tạo thành một hình dạng nào. ¾ Đối với giả định về phân phối chuẩn của phần dư, sử dụng biểu đồ tần số của các phần dư. Nếu trung bình bằng 0 và độ lệch chuẩn xấp xỉ bằng 1 thì có thể kết luận rằng giả định phân phối chuẩn không bị vi phạm.
¾ Đối với giả định về tính độc lập của sai số tức không có tương quan giữa các phần dư, đại lượng thống kê Durbin-Watson dùng để kiểm định tương quan của các sai số kề nhau. Đại lượng d có giá trị biến thiên trong khoảng từ 0 đến 4. Nếu các phần dư không có tương quan, giá trị d sẽ gần bằng 2.
¾ Đối với giả định phương sai của sai số không đổi, kiểm tra phương sai của sai số không thay đổi có bị vi phạm hay không bằng kiểm định tương quan hạng Spearman, với giả thuyết Ho là hệ số tương quan hạng của tổng thể bằng 0. Nếu kết quả kiểm định không bác bỏ giả thuyết Ho thì kết luận phương sai của sai số không thay đổi. Phương trình hồi quy tuyến tính bội có nhiều biến giải thích thì hệ số tương quan hạng có thể tính giữa trị tuyệt đối của phần dư với từng biến riêng.
¾ Đối với giả định không có mối tương quan giữa các biến độc lập (đo lường hiện tượng đa cộng tuyến), sử dụng hệ số phóng đại phương sai (VIF - Variance inflation factor), nếu VIF vượt quá 10 đó là dấu hiệu của hiện tượng đa cộng tuyến.
Tiếp theo là đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội bằng hệ số R2 và hệ số R2 điều chỉnh. Hệ số R2 đã được chứng minh là hàm không giảm theo số biến độc lập
được đưa vào mô hình, càng đưa thêm nhiều biến độc lập vào mô hình thì R2 càng tăng. Tuy nhiên, điều này cũng được chứng minh rằng không phải phương trình càng có nhiều biến sẽ càng phù hợp hơn với tập dữ liệu. Để giải quyết tình huống này, hệ số R2 điều chỉnh được sử dụng để phản ánh tốt hơn mức độ phù hợp của mô hình hồi quy tuyến tính bội. Hệ số R2 điều chỉnh không nhất thiết phải tăng lên khi nhiều biến độc lập được đưa thêm vào mô hình. Hệ số R2 điều chỉnh là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính bội vì nó không phụ thuộc vào độ lệch phóng đại của hệ số R2.
Sau cùng sẽ hiệu chỉnh mô hình lý thuyết. Sau khi hiệu chỉnh mô hình xong, viết phương trình hồi quy tuyến tính bội, dựa vào các hệ số hồi quy riêng phần để xác định mức độ ảnh hưởng của các nhân tố đến sự hài lòng về môi trường dịch vụ logistics của nhà cung cấp dịch vụ logistics. Hệ số hồi quy riêng phần của nhân tố nào càng lớn thì mức độ ảnh hưởng của nhân tốđó đến sự hài lòng của nhà cung cấp dịch vụ logistics càng cao, nếu cùng dấu thì mức độảnh hưởng theo chiều thuận và ngược lại.
Tóm tắt chương 3
Chương ba đã trình bày phương pháp nghiên cứu gồm hai bước chính: nghiên cứu sơ bộ và nghiên cứu chính thức. Phương pháp nghiên cứu sơ bộ được thực hiện bằng nghiên cứu định tính thông qua kỹ thuật thảo luận nhóm. Nghiên cứu chính thức được thực hiện bằng nghiên cứu định lượng thông qua thực hiện khảo sát bằng bảng câu hỏi. Chương này cũng trình bày tiến độ thực hiện nghiên cứu, quy trình nghiên cứu, kế hoạch phân tích dữ liệu thu thập. Chương tiếp theo sẽ trình bày kết quả nghiên cứu.