7. Kết cấu của luận văn
3.2.4. Nghiêncứu chính thức
Nghiên cứu chính thức đƣợc thực hiện bằng phƣơng pháp định lƣợng thông qua bảng câu hỏi, xử lý dữ liệu trên phần mềm SPSS.
Bƣớc nghiên cứu này nhằm đánh giá các thang đo, đo lƣờng mức độ hài lòng của du khách theo từng yếu tố liên quan, dự đoán cƣờng độ ảnh hƣởng của từng yếu tố trong mô hình. Đối tƣợng khảo sát trong nghiên cứu này là những du khách đến du lịch tại Cửa Lò từ tháng 6 đến tháng 9 năm 2013.
3.2.5. Mẫu nghiên cứu
Bảng câu hỏi do du khách tự trả lời đã đƣợc sử dụng để thu thập thông tin cần nghiên cứu trong đề tài này. Việc phát bảng câu hỏi đƣợc thực hiện bởi chính tác giả.
Xác định kích thƣớc mẫu là công việc khá phức tạp bởi hiện tại có quá nhiều quan điểm khác nhau. Nhiều nhà nghiên cứu đòi hỏi có kích thƣớc mẫu lớn vì nó dựa vào lý thuyết phân phối mẫu lớn (Raykov & Widaman, 1995). Tuy nhiên, kích thƣớc mẫu bao nhiêu là lớn thì hiện nay chƣa xác định rõ ràng. Hơn nữa, kích thƣớc mẫu còn tùy thuộc phƣơng pháp ƣớc lƣợng sử dụng. Nếu sử dụng phƣơng pháp ƣớc lƣợng
ML3 thì kích thƣớc mẫu tối thiểu phải từ 100 đến 150 mẫu (Hair & ctg, 1983), hay ít nhất là 200 mẫu (Hoelter). Bollen (1989) cho rằng kích thƣớc mẫu tối thiểu là 5 mẫu cho một tham số ƣớc lƣợng (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007) hay 15 mẫu cho một biến (Phạm Đức Kỳ và Bùi Nguyên Hùng, 2007). Tuy nhiên, số lƣợng mẫu cũng xác định trên số lƣợng tổng thể nghiên cứu (bằng 1/10 qui mô mẫu) (Nguyễn Viết Lâm, 2007).
Theo kinh nghiệm, nguyên tắc chọn mẫu là = số biến * 5 là số mẫu tối thiểu. Nhƣ vậy cỡ mẫu của nghiên cứu này là 205 (41 biến * 5). Tuy nhiên, vì tình hình thực tế của du lịch Cửa Lò, Nghệ An do số du khách đi nghỉ trong mùa cao điểm tƣơng đối lớn. Vì vậy, trong thời gian tháng 6 – tháng 9 năm 2013, tác giả đã phát ra 275 bảng câu hỏi, thu về 264 bảng câu hỏi nhƣng có 14 phiếu không hợp lệ do có nhiều ô trống. Nhƣ vậy, cuối cùng tác giả thu đƣợc 250 mẫu đạt yêu cầu đạt 90,9%.
3.2.6. Phương pháp thu thập số liệu
Phƣơng pháp chọn mẫu đƣợc áp dụng là phƣơng pháp chọn mẫu thuận tiện tức là tác giả sẽ chọn những phần tử mẫu có thể tiếp cận đƣợc. Bảng câu hỏi đƣợc phát trực tiếp cho các du khách tác giả giải thích rõ ràng các thông tin trên bảng câu hỏi rồi để họ trả lời và gửi lại cho tác giả sau vài tiếng. Ngƣời đƣợc hỏi không cần để lại danh tính trên bảng câu hỏi, đảm bảo rằng các câu trả lời là thẳng thắn, khách quan và có độ tin cậy cao.
3.2.7. Phương pháp phân tích số liệu
3.2.7.1. Phương pháp thống kê mô tả
Khái niệm thống kê mô tả
Thống kê mô tả đƣợc sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập đƣợc từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thƣớc đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lƣợng về số liệu. Bƣớc đầu tiên để mô tả và tìm hiểu về đặc tính phân phối của một bảng số liệu thô là lập bảng phân phối tần số. Sau đó, sử dụng một số hàm để làm rõ đặc tính của mẫu phân tích. Để hiểu đƣợc các hiện tƣợng và ra quyết định đúng đắn, cần nắm đƣợc các phƣơng pháp cơ bản của mô tả dữ liệu. Có rất nhiều kỹ thuật hay đƣợc sử dụng, có thể phân loại các kỹ thuật này nhƣ sau:
- Biểu diễn dữ liệu bằng đồ họa trong đó các đồ thị mô tả dữ liệu hoặc giúp so sánh dữ liệu;
- Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu;
- Thống kê tóm tắt (dƣới dạng các giá trị thống kê đơn nhất) mô tả dữ liệu. Các đại lượng thống kê mô tả
- Mean: Số trung bình cộng. - Sum: Tổng cộng.
- Std.deviation: Độ lệch chuẩn.
- Minimum, maximum: Giá trị nhỏ nhất, giá trị lớn nhất. - DF: Bậc tự do.
- Std error: Sai số chuẩn.
- Median: Là lƣợng biến của tiêu thức của đơn vị đứng ở vị trí giữa trong dãy số lƣợng biến, chia số lƣợng biến thành hai phần (phần trên và phần dƣới) mỗi phần có cùng một số đơn vị bằng nhau.
- Mode: Là biểu hiện của tiêu thức đƣợc gặp nhiều nhất trong tổng thể hay trong dãy phân phối. Trong dãy lƣợng biến, mode là lƣợng biến có tần số lớn nhất.
3.2.7.2. Phương pháp phân tích độ tin cậy của thang đo
Những mục hỏi đo lƣờng cùng một khái niệm tiềm ẩn thì phải có mối liên quan với những cái còn lại trong nhóm đó. Hệ số của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tƣơng quan với nhau. Công thức của hệ số Cronbach Alpha là: = N/[1 + (N – 1)]
Trong đó: là hệ số tƣơng quan trung bình giữa các mục hỏi.
Phƣơng pháp này cho phép ngƣời 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 bằng hệ số thông qua hệ số Cronbach alpha. Những biến có hệ số tƣơng quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thƣờng, thang đo có Cronbach alpha từ 0,7 đến 0,8 là sử dụng đƣợc. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lƣờng tốt.
3.2.7.3. Phương pháp phân tích nhân tố khám phá EFA a. Khái niệm
Phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu sau khi đã đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và
loại đi các biến không đảm bảo độ tin cậy. Trong nghiên cứu, chúng ta có thể thu thập đƣợc một số lƣợng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lƣợng của chúng phải đƣợc giảm bớt xuống đến một số lƣợng mà chúng ta có thể sử dụng đƣợc. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau đƣợc xem xét và trình bày dƣới dạng một số ít các nhân tố cơ bản. Vì vậy, phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
b. Mô hình phân tích nhân tố
Về mặt tính toán, phân tích nhân tố hơi giống phân tích hồi quy bội ở chỗ mỗi biến đƣợc biểu diễn nhƣ là một kết hợp tuyến tính của các nhân tố cơ bản. Lƣợng biến thiên của một biến đƣợc giải thích bởi những nhân tố chung trong phân tích gọi là communality. Biến thiên chung của các biến đƣợc mô tả bằng một số ít các nhân tố chung cộng với một nhân tố đặc trƣng cho mỗi biến. Những nhân tố này không bộc lộ rõ ràng.
Nếu các biến đƣợc chuẩn hóa thì mô hình nhân tố đƣợc thể hiện bằng phƣơng trình:
Xi = Ai1F1 + Ai2F2 + Ai3F3 + … + AimFm+ViUi
Trong đó:
Xi: biến thứ i đƣợc chuẩn hóa.
Aim: Hệ số hồi quy bội chuẩn hóa của nhân tố m đối với biến i. Fi: Nhân tố chung.
Vi: Các hệ số hồi quy chuẩn hóa của nhân tố đặc trƣng i đối với biến i. Ui : Nhân tố đặc trƣng của biến i.
m: Số nhân tố chung.
Các nhân tố đặc trƣng có tƣơng quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể diễn tả nhƣ những kết hợp tuyến tính của các biến quan sát:
Fi = Wi1X1+ Wi2X2+ Wi3X3+…+ WikXk
Trong đó:
Fi: Ƣớc lƣợng trị số của nhân tố thứ i. Wi : Quyền số hay trọng số nhân tố. k: Số biến.
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích đƣợc phần biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta chọn một tập hợp các quyền số thứ hai sao cho nhân tố thứ hai giải thích đƣợc phần lớn biến thiên còn lại và không có tƣơng quan với nhân tố thứ nhất.
Nguyên tắc này đƣợc áp dụng nhƣ vậy để tiếp tục chọn quyền số cho các nhân tố tiếp theo. Do vậy, các nhân tố đƣợc ƣớc lƣợng sao cho các quyền số của chúng, không giống nhƣ các giá trị của các biến gốc, là không tƣơng quan với nhau. Hơn nữa, nhân tố thứ nhất giải thích đƣợc nhiều nhất biến thiên của dữ liệu, nhân tố thứ hai giải thích đƣợc nhiều thứ nhì…
c. Các tham số trong phân tích nhân tố:
- Barlett' test of sphericity: Đại lƣợng Bartlett là một đại lƣợng thống kê dùng để xem xét giả thiết các biến không có tƣơng quan trong tổng thể. Nói cách khác, ma trận tƣơng quan tổng thể là một ma trận đồng nhất, mỗi biến tƣơng quan hoàn toàn với chính nó nhƣng không tƣơng quan với các biến khác.
- Correlation matrix: Cho biết hệ số tƣơng quan giữa tất cả các cặp biến trong phân tích.
- Communality: Là lƣợng biến thiên của một biến đƣợc giải thích chung với các biến khác đƣợc xem xét trong phân tích.
- Eigenvalue: Đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới đƣợc giữ lại trong mô hình. Đại lƣợng eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố .Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.
- Factorloading: Là những hệ số tƣơng quan đơn giữa các biến và các nhân tố.
- Factor matrix: Chứa các hệ số tải nhân tố của tất cả các biến đối với các nhân tố
đƣợc rút ra.
- Kaiser- Meyer-Olkin (KMO): Trong phân tích nhân tố, trị số KMO là chỉ số
dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 thì phân tích này mới thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
- Percentage of variance: phần trăm phƣơng sai toàn bộ đƣợc giải thích bởi từng nhân tố. Nghĩa là coi biến thiên là 100% thì giá trị trị này cho biết phân tích nhân tố cô đọng đƣợc bao nhiêu phần trăm.
3.2.7.4. Phân tích tương quan
Dữ liệu dùng trong phân tích hồi quy tƣơng quan đƣợc ngƣời nghiên cứu lựa chọn là dữ liệu chuẩn hóa (đƣợc xuất ra từ phần mềm SPSS sau quá trình phân tích nhân tố khám phá). Để xác định mối quan hệ nhân quả giữa các biến trong mô hình, bƣớc đầu tiên ta cần phân tích tƣơng quan giữa các biến xem thử có mối liên hệ tuyến tính giữa biến độc lập và biến phụ thuộc hay không. Kết quả của phần phân tích này dù không xác định đƣợc mối quan hệ nhân quả giữa biến phụ thuộc và biến độc lập nhƣng nó đóng vai trò làm cơ sở cho phân tích hồi qui. Các biến biến phụ thuộc và biến độc lập có tƣơng quan cao với nhau báo hiệu sự tồn tại của mối quan hệ tiềm ẩn giữa hai biến. Đồng thời, việc phân tích tƣơng quan còn làm cơ sở để dò tìm sự vi phạm giả định của phân tích hồi qui tuyến tính: các biến độc lập có tƣơng quan cao với nhau hay hiện tƣợng đa cộng tuyến.
Sử dụng hệ số tƣơng quan Pearson (ký hiệu r) để lƣợng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lƣợng, r có giá trị nằm trong đoạn [-1,1], giá trị tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính.
+ Nếu r >0 thì mối liên hệ là tuyến tính thuận + Nếu r <0 thì mối liên hệ là tuyến tính nghịch
+ Nếu r=0 thì 2 biến không có mối liên hệ tuyến tính, ta có 2 trƣờng hợp là không có mối liên hệ giữa 2 biến hoặc hai biến có mối liên hệ nhƣng không phải tuyến tính tức là phi tuyến (Trọng & Ngọc, 2005, 215).
3.2.7.5. Phân tích hồi quy a. Định nghĩa a. Định nghĩa
Phân tích hồi quy là nghiên cứu sự phụ thuộc của một biến (biến phụ thuộc hay biến đƣợc giải thích) vào một hay nhiều biến khác (biến độc lập hay biến giải thích) với ý tƣởng cơ bản là ƣớc lƣợng hay dự đoán giá trị trung bình của biến phụ thuộc trên cơ sở đã biết của biến độc lập.
b. Các giả định khi xây dựng mô hình hồi quy
Mô hình hồi quy có dạng:
Yi = B0+ B1 X1i+ B2 X2i+…+ Bn Xni + ei
Các giả định quan trọng khi phân tích hồi quy tuyến tính
- Giả thiết 1: Giả định liên hệ tuyến tính.
- Giả thiết 2: Phƣơng sai có điều kiện không đổi của các phần dƣ. - Giả thiết 3: Không có sự tƣơng quan giữa các phần dƣ.
- Giả thiết 5: Giả thiết về phân phối chuẩn của phần dƣ.
c. Xây dựng mô hình hồi quy
Các bƣớc xây dựng mô hình:
Bước 1: Xem xét ma trận hệ số tương quan
Để xem xét mối quan hệ giữa biến phụ thuộc và các biến độc lập thông qua xây dựng ma trận tƣơng quan. Đồng thời ma trận tƣơng quan là công cụ xem xét mối quan hệ giữa các biến độc lập với nhau nếu các biến này có tƣơng quan chặt thì nguy cơ xảy ra hiện tƣợng đa cộng tuyến cao dẫn đến việc vi phạm giả định của mô hình.
Bước 2: Đánh giá độ phù hợp của mô hình
Thông qua hệ số R2ta đánh giá độ phù hợp của mô hình xem mô hình trên giải thích bao nhiêu % sự biến thiên của biến phụ thuộc.
Bước 3: Kiểm định sự phù hợp của mô hình
Sử dụng kiểm định F để kiểm định với giả thiết Ho: B1 = B2 = Bn = 0
Nếu giả thiết này bị bác bỏ thì ta có thể kết luận mô hình ta xây dựng phù hợp với tập dữ liệu.
Bước 4: Xác định tầm quan trọng của các biến
Ý tƣởng đánh giá tầm quan trọng tƣơng đối của các biến độc lập trong mô hình thông qua xem xét mức độ tăng của R2 khi một biến giải thích đƣợc đƣa thêm vào mô hình. Nếu mức độ thay đổi này mà lớn thì chứng tỏ biến này cung cấp thông tin độc nhất về sự phụ thuộc mà các biến khác trong phƣơng trình không có đƣợc.
Bước 5: Lựa chọn biến cho mô hình
Đƣa nhiều biến độc lập vào mô hình hồi quy không phải lúc nào cũng tốt vì những lý do sau (trừ khi chúng có tƣơng quan chặt với biến phụ thuộc):
- Mức độ tăng R2 quan sát không hẳn phản ảnh mô hình hồi quy càng phù hợp hơn với tổng thể.
- Đƣa vào các biến không thích đáng sẽ làm tăng sai số chuẩn của tất cả các ƣớc lƣợng mà không cải thiện đƣợc khả năng dự đoán.
- Mô hình nhiều biến thì khó giải thích và khó hiểu hơn mô hình ít biến. Ta sử dụng SPSS để giải quyết vấn đề trên. Các thủ tục chọn biến trên SPSS: Phƣơng pháp đƣa vào dần, phƣơng pháp loại trừ dần, phƣơng pháp từng bƣớc (là sự kết hợp của hai phƣơng pháp loại trừ dần và đƣa vào dần).
Bước 6: Dò tìm sự vi phạm các giả các giả thiết (đã nêu ở trên bằng các xử lý của SPSS).
Ngoài ra, sử dụng phân tích chi bình phƣơng một mẫu để tìm ra quy luật phân phối của mẫu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach Alpha.
Dữ liệu đƣợc nhập và làm sạch thông qua phần mềm SPSS 16.
3.2.7.6. Phân tích ANOVA
Kỹ thuật phân tích phƣơng sai một yếu tố (One-Way ANOVA) đƣợc áp dụng trong nghiên cứu này để tìm ra ý nghĩa thống kê của những khác biệt trung bình giữa biến phụ thuộc là sự hài lòng chung. Trƣớc khi tiến hành phân tích ANOVA, tiêu chuẩn Levence đƣợc tiến hành để kiểm tra giả thuyết bằng nhau của phƣơng sai trong các nhóm với xác suất ý nghĩa Sig. (Significance) là 5%.
Trong phép kiểm định này, nếu xác suất ý nghĩa lớn hơn 5% thì chấp nhận tính bằng nhau của các phƣơng sai nhóm. Bên cạnh đó, để đảm bảo các kết luận rút ra trong nghiên cứu này, phép kiểm định phi tham số Kruskal - Wallis cũng đƣợc tiến hành nếu giả định tổng thể có phân phối chuẩn không đƣợc đáp ứng trong phân tích ANOVA.
3.3. Tóm lƣợc chƣơng 3
Trong chƣơng này, tác giả đã trình bày quy trình nghiên cứu của đề tài thông qua đó làm rõ đƣợc các bƣợc của đề tài. Mặt khác tác giả cũng đã trình bày đƣợc cách xây dựng thang đo chất lƣợng dịch vụ du lịch Cửa Lò bao gồm 41 biến quan sát, đo lƣờng 6 thành phần chất lƣợng dịch vụ du lịch Cửa Lò, nhƣ sau:Thành phần tài nguyên du lịch cửa lò gồm 5 biến quan sát, Thành phần phong cách thái độ phục gồm 4 biến quan sát, Thành phần cơ sở lƣu trú gồm 6 biến quan sát, Thành phần cơ sở hạ tầng kỹ thuật gồm 7 biến quan sát, Thành phần khả năng đáp ứng các dịch vụ gồm 7 biến quan sát, Giá cả cảm nhận gồm 6 biến quan sát, Sự hài lòng của du khách về dịch vụ du lịch gốm 6 biến quan sát.