Bước 1: xuất phát từ mục tiêu nghiên cứu của đề tài, mô hình nghiên cứu được xây dựng dựa trên cơ sở lý thuyết trước đó nhằm xác định các thang đo lường ảnh hưởng đến hành vi quyết định mua của người tiêu dùng
Bước 2: Bước tiếp theo lựa chọn các biến quan sát cho thang đo, xác định mẫu cho nghiên cứu này.
Lựa chon mẫu:
Mẫu được chọn theo phương pháp lấy mẫu thuận tiện. Phương pháp phân tích dữ liệu chủ yếu được sử dụng trong nghiên cứu này là phương pháp phân tích nhân tố khám phá EFA và phân tích hồi quy bội. Theo Hair & ctg (1998 ), để có thể phân tích nhân tố khám phá cần thu thập dữ liệu với kích thước mẫu là ít nhất là 5 mẫu trên một biến quan sát và cỡ mẫu không nên ít hơn 100.
Mô hình mà nhóm đang nghiên cứu với 20 biến quan sát, nếu theo tiêu chuẩn 5 quan sát cho một biến thì cỡ mẫu tối thiểu cần thiết là : n = 23 x 5 = 115. Để đạt được kích thước mẫu nêu trên, 120 bảng câu hỏi đã được phát đi điều tra.
Bước 3 : Lựa chọn cách thức thu thập thông tin cần nghiên cứu. Bảng câu hỏi được nhóm phỏng vấn trực tiếp và gián tiếp người tiêu dùng.
Bước 4: Sau khi đã xây dựng được bảng câu hỏi, xác định được số lượng mẫu cần thu thập, bảng câu hỏi cần được thử nghiệm điều tra phù hợp với thực trạng của phạm vi nghiên cứu để kiểm tra hoàn chỉnh thang đo, bảng câu hỏi. Nếu bảng câu hỏi đạt yêu cầu nghiên cứu thì gửi cho điều tra viên thu thập thông tin, nếu không đạt yêu cầu thì cần xây dựng lại bảng câu hỏi.
Bước 5 : Sau khi thu thập thông tin, bảng câu hỏi cần được mã hóa và nhập dữ liệu điều tra. Từ giai đoạn thông tin vào bảng câu hỏi đến giai đoạn nhập dữ liệu điều tra, cơ sở dữ
liệu cần được kiểm tra, làm sạch dữ liệu và xử lý số liệu thu thập nhằm đảm bảo độ tin cậy phân tích kỹ thuật số quan sát trong bảng câu hỏi.
Bước 6: Phân tích kỹ thuật gồm 02 phần: (a) thống kê mô tả, (b) phân tích nhân tố EFA và hồi quy. Trước khi phân tích nhân tố EFA, các thang đo lường cần được kiểm định độ tin cậy bằng hệ số Cronbach’s Alpha nhằm loại bỏ những biến rác và tương quan không chặt chẽ trong mô hình phân tích nhân tố EFA. Từ đó kiểm định lại giả thuyết ban đầu về các nhân tố ảnh hưởng tới quyết định mua của người tiêu dùng, tiến hành phân tích hồi quy.
Phân tích độ tin cậy của thang đo:
Hệ số Cronbach’alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau, là phép kiểm định về chất lượng của thang đo sử dụng cho từng mục hỏi, xét trên mối quan hệ của mục hỏi với một khía cạnh đánh giá. Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Những mục hỏi không đóng góp nhiều sẽ tương quan yếu với tổng số điểm, như vậy chúng ta chỉ giữ lại những mục hỏi có tương quan mạnh với tổng số điểm. Do đó, những biến có hệ số với tương quan biến tổng (Item Total Corelation) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thường, thang đo có Cronbach alpha từ 0.7 đến 0.8 là sử dụng được (Nunnally & Burnstein, 1994). Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lường tốt.
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis):
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998). Phân tích nhân tố là một kỹ thuật để nhận biết các nhóm hay tập hợp các biến cơ sở để có thể tính toán. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được
sử dụng để tìm mối quan hệ giữa các biến với nhau. Các biến được gọi là nhân tố hay các biến tiềm tàng là do chúng không thể được nhận ra một cách trực tiếp. Như vậy, qua phân tích nhân tố với phép rút gọn dữ liệu và biến bằng cách nhóm chúng lại với các nhân tố đại diện.
Trong phân tích nhân tố khám phá, trị số KMO (Kaisor Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Đơn vị KMO là tỷ lệ giữa bình phương tương quan của các biến với bình phương tương quan một phần của các biến. Trị số của KMO lớn (giữa 0.5 và 1) có ý nghĩa là phân tích nhân tố là 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.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lượng các nhân tố. Chỉ những nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Đại lượng Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn là một biến gốc.
Một phần quan trọng trong bảng phân tích nhân tố là ma trận nhân tố (Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số này (factor loading) biểu diễn tương quan giữa các nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Các hệ số này dùng để giải thích các nhân tố. Nghiên cứu này sử dụng phương pháp trích nhân tố Component Principle và phương pháp xoay nhân tố được sử dụng phổ biến nhất là phương pháp Varimax (xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố).
Theo Hair & ctg (1998), hệ số tải nhân tố factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA, factor loading lớn hơn 0.3 được xem là đạt được mức tối thiểu, factor loading lớn hơn 0.4 được xem là quan trọng, lớn hơn 0.5 được xem là có ý nghĩa thực tiễn. Theo Hair & ctg cho rằng, nếu chọn tiêu chuẩn factor loading lớn hơn 0.3 thì cỡ mẫu ít nhất là 350, nếu cỡ mẫu khoảng 100, thì factor loading lớn hơn 0.55, còn
nếu cỡ mẫu khoảng 50 thì factor loading phải lớn hơn 0.75. Như vậy, trong nghiên cứu này với cỡ mẫu khoảng 110, thì hệ số tải nhân tố phải lớn hơn 0.5 thì mới đạt yêu cầu.
Xây dựng phương trình hồi quy và kiểm định một số giả thuyết:
Sau khi rút được các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định là cần thiết trong mô hình hồi quy tuyến tính bội như kiểm tra phần dư chuẩn hóa ei, kiểm tra phương sai sai số không đổi, kiểm tra tương quan giữa các phần dư (kiểm định Durbin – Watson), kiểm tra hệ số phóng đại VIF (VIF = 1/1 - Ri2), cũng như một liên hệ gần nhất của nó là kiểm tra độ chấp nhận (Tolerance = 1 - Ri2, với Ri là hệ số xác định của biến Xi được hồi quy bởi tất cả các biến độc lập khác) được sử dụng để đo lường hiện tượng đa cộng tuyến. Nếu như các giả định không bị vi phạm thì mô hình hồi quy tuyến tính bội được xây dựng. Để đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội thì chúng ta sẽ xem xét hệ số xác định R2, với R2 có khuynh hướng là ước lượng lạc quan của thước đo sự phù hợp của mô hình trong trường hợp có nhiều hơn một biến giải thích. Nhưng trong trường hợp này, R2 hiệu chỉnh (Adjusted R Square) từ R2 được sử dụng để phản ảnh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính bội, cho biết mô hình hồi quy được xây dựng đến cỡ nào. Kết quả nghiên cứu từ bảng phân tích hồi quy ANOVA sẽ được đề cập để xem xét các yếu tố ảnh hưởng và các mức độ ảnh hưởng của các nhân tố đến quyết đinh mua của khách hàng. Mức ý nghĩa được sử dụng α = 0.05.