6. Kết cấu của luận văn
2.1.2. Nghiên cứu định tính
Nghiên cứu định tính đƣợc thực hiện thông qua kỹ thuật thảo luận nhóm tập trung. Mục tiêu của giai đoạn nghiên cứu nhằm khám phá, hiệu chỉnh, và xây dựng các thang đo về thái độ đối với nhận biết thƣơng hiệu, cảm nhận chất ƣợng, thích thú thƣơng hiệu, xu hƣớng tiêu dùng, òng trung thành thƣơng hiệu và bổ sung thang đo thái độ ngƣời tiêu dùng ấn tƣợng thƣơng hiệu từ các thang đo có trên thế giới và Việt Nam.
Các thang đo ƣờng thái độ trong việc nhận biết thƣơng hiệu, chất ƣợng cảm nhậm và òng đam mê thƣơng hiệu đã đƣợc Nguyễn Đình Thọ (2002) xây dựng và đo ƣờng tại thị trƣờng Việt Nam nên tác giả chọn thang đo này để hiệu chỉnh và bổ sung cho thang đo ƣờng trong nghiên cứu này, đồng thời khám phá và xây dựng thang đo ấn tƣợng thƣơng hiệu cho phù hợp với nghiên cứu.
Churchill (1979) và Stewart & Shamdasani (1990) cho rằng thảo luận nhóm tập trung là một trong các công cụ thích hợp để hiệu chỉnh và bổ sung thang đo ƣờng trong thị trƣờng hàng tiêu dùng. Do vậy, nghiên cứu này thực hiện thảo luận nhóm tập trung, kết hợp ý kiến của các nhà ãnh đạo, các chuyên gia chuyên môn, các nhà quản lý trong ngành.
Có hai nhóm ngƣời tiêu dùng đƣợc nghiên cứu, một nhóm ngƣời tiêu dùng trẻ tuổi từ 18 đến 35 và nhóm trung niên tuổi từ 36 đến 52. Mỗi nhóm gồm 10 ngƣời là những ngƣời tiêu d ng và thƣờng xuyên mua bột giặt cho gia đình của họ. Nghiên cứu này đƣợc thực hiện tại địa điểm do tác giả bố trí và tác giả điều khiển chƣơng trình thảo luận. Nghiên cứu này sử dụng phƣơng pháp kết hợp là thảo luận vừa để khám phá và vừa để khẳng định. Đầu tiên, tác giả thảo luận với ngƣời tiêu dùng bằng một số câu hỏi mở có tính chất khám phá để xem họ đánh giá thái độ của họ đối với những yếu tố tác động đến giá trị thƣơng hiệu. Sau đó, tác giả cho họ đánh giá lại các tiêu chí trong các thang đo mà tác giả đã đề nghị. Cuối cùng, tác giả cho họ thảo luận hết tất cả các tiêu chí mà họ lựa chọn để kết luận xem tiêu chí nào là quan trọng, tiêu chí nào cần hiệu chỉnh, tiêu chí nào cần bổ sung.
Kết quả thảo luận nhóm cho thấy ngoài những biến quan sát từ mô hình nghiên cứu các thành phần giá trị thƣơng hiệu của Nguyễn Đình Thọ (2002) thì ngƣời tiêu dùng còn bày tỏ thái độ đối với tác động của ấn tƣợng thƣơng hiệu tới giá trị thƣơng hiệu thì gồm các biến quan sát sau:
1. Tôi rất ấn tƣợng với sức mạnh đánh sạch vết bẩn của Omo 2. Tôi rất ấn tƣợng với khả năng giữ bền vải của Omo
3. Tôi rất ấn tƣợng với m i hƣơng của Omo
4. Tôi rất ấn tƣợng với kiểu dáng và bao gói của Omo 5. Tôi rất ấn tƣợng với khả năng bảo vệ da tay của Omo
6. Tôi rất ấn tƣợng với khả năng oại bỏ đƣợc nhiều loại vết bẩn của Omo 7. Tôi rất ấn tƣơng với sự đa dạng các tính năng của bột giặt Omo
2.1.3. Nghiên cứu định lƣợng
2.1.3.1. Thương hiệu nghiên cứu
Thƣơng hiệu đƣợc chọn cho nghiên cứu này là thƣơng hiệu bột giặt Omo. Đây là thƣơng hiệu đƣợc sử dụng rộng rãi và khá nổi tiếng trên thị trƣờng Việt Nam nói chung và thị trƣờng TP Vinh nói riêng.
Thƣơng hiệu đƣợc phỏng vấn không theo nguyên tắc sử dụng, nghĩa à ngƣời đƣợc phỏng vấn không nhất thiết phải đang sử dụng thƣơng hiệu họ đƣợc phỏng vấn. Nếu có sự trùng hợp xảy ra là do hoàn toàn ngẫu nhiên.
2.1.3.2. Xác định mẫu nghiên cứu
Đối tƣợng nghiên cứu là những ngƣời tiêu dùng bột giặt tại địa bàn TP Vinh. Thông thƣờng trong nghiên cứu với cỡ mẫu đủ lớn sẽ cho độ tin cậy của kết quả nghiên cứu cao. Tuy nhiên, kích thƣớc mẫu lớn bao nhiêu à đủ thì hiện nay chƣa đƣợc xác định r ràng. Hơn nữa, kích thƣớc mẫu còn phụ thuộc vào phƣơng pháp sử dụng. Có nhà nghiên cứu cho rằng nếu sử dụng phƣơng pháp ƣớc ƣợng ML thì kích thƣớc mẫu tối thiểu là phải từ 100 đến 150 (Bo en, 1989), cũng có nhà nghiên cứu cho rằng kích thƣớc mẫu tối thiểu à 200 (Hoe ter, 1983). Theo Hair và Ctg (1998), để có thể phân tích nhân tố khám phá (EFA) cần thu thập dữ liệu với kích thƣớc mẫu là ít nhất 5 mẫu trên 1 biến quan sát. Tuy nhiên, Tabachnick và Fidell (1996) cho rằng để tiến hành phân tích hồi quy một cách tốt nhất thì kích thƣớc mẫu cần phải đảm bảo theo công thức.
n ≥ 8m + 50
Trong đó: - n: cỡ mẫu
Sau khi nghiên cứu định tính, nghiên cứu này gồm có sáu thành phần (bao gồm 36 biến quan sát) đƣợc đƣa vào nghiên cứu định ƣợng chính thức. Trên cơ sở đó, tác giả tiến hành thu thập dữ liệu với 520 bảng câu hỏi đƣợc phát ra.
Các câu hỏi đƣợc đánh giá theo thang đo Likert, 05 mức độ:
1 2 3 4 5
Rất không đồng ý Không đồng ý Không có ý kiến Đồng Rất đồng ý
2.1.3.3. Phương pháp phân tích dữ liệu
Sau khi thu thập xong dữ liệu từng ngƣời tiêu dùng, các bảng phỏng vấn đƣợc xem xét và loại đi những bảng không đạt yêu cầu, mã hóa, nhập liệu và làm sạch bằng phần mềm SPSS 18.0 .
Tiếp theo là thực hiện phân tích dữ liệu bằng các công cụ nhƣ thống kê mô tả, bảng tần số, kiểm định độ tin cậy cronbach alpha của các thang đo, phân tích các nhân tố khám (EFA), phân tích hồi qui, phân tích ANOVA.
* Phương pháp thống kê mô tả
Khái niệm: 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 ƣợng 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.
- Minimum, maximum: Giá trị nhỏ nhất, giá trị lớn nhất. - DF: Bậc tự do.
- Std error: Sai số chuẩn.
- Median: Là ƣợng biến của tiêu thức của đơn vị đứng ở vị trí giữa trong dãy số ƣợng biến, chia số ƣợng 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 à ƣợng biến có tần số lớn nhất.
* Phương pháp phân tích độ tin cậy của thang đo (Cronbach’s Alpha)
Những mục hỏi đo ƣờng 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’s 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 (Corrected item-total correlation) nhỏ hơn 0.3 sẽ bị loại. 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. Thông thƣờng, thang đo có Cronbach a pha từ 0.7 đến 0.8 là sử dụng đƣợc (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s A pha từ 0.6 trở lên là có thể sử dụng đƣợc vì hệ số Cronbach’s Alpha chỉ là giới hạn dƣới của độ tin cậy của thang đo và còn nhiều đại ƣợng đo ƣờng độ tin cậy, độ giá trị của thang đo, nên ở giai đoạn đầu khi xây dựng bảng câu hỏi, hệ số này nằm trong phạm vi từ 0,6 đến 0,8 là chấp nhận đƣợc (Nguyễn Đình Thọ, 2011).
Khái niệm: Phân tích nhân tố khám phá là một phƣơng pháp phân tích thống kê để rút gọn một tập gồm nhiều biến quan sát thành một nhóm để chúng có nghĩa hơn nhƣng vẫn chứa đựng hầu hết các nội dung thông tin của biến ban đầu,sau khi đã 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. Trong nghiên cứu, chúng ta có thể thu thập đƣợc một số ƣợng biến khá lớn, hầu hết các biến này có liên hệ với nhau và số ƣợng của chúng phải đƣợc giảm bớt xuống đến một số ƣợng mà chúng ta có thể sử dụng đƣợc. Liên hệ giữa các nhóm biến có quan 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.
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 à 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:
Trong đó:
Fi: Ƣớc ƣợng 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 ƣợng sao cho các quyền số của chúng, không giống nhƣ các giá trị của các biến gốc, à 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…
Các tham số trong phân tích nhân tố:
- Barlett' test of sphericity: Đại ƣợng Bartlett là một đại ƣợng thống kê d ng 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 ƣợng 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 ƣợng eigenva ue đại diện cho ƣợng 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 (Hệ số tải nhân tố): 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.
- Percentage of variance: Phần trăm phƣơng sai toàn bộ đƣợc giải thích bởi từng nhân tố. Nghĩa à coi biến thiên là 100% thì giá trị trị này cho biết phân tích nhân tố cô đọng đƣợc bao nhiêu phần trăm.
Theo Hair & ctg (1998, 111), Multivariate Data Analysis, Prentice - Hall International, trong phân tích EFA, chỉ số Factor Loading có giá trị lớn hơn 0,5 đƣợc xem à có nghĩa thực tế. KMO (Kaiser-Meyer-Olkin) là chỉ số thể hiện mức độ phù hợp của phƣơng pháp EFA, hệ số KMO lớn hơn 0,5 và nhỏ hơn 1 thì phân tích nhân tố đƣợc coi là phù hợp. Theo Trọng & Ngọc (2005, 262), kiểm định Bart ett (Bart ett’s test) xem xét giả thiết H0 độ tƣơng quan giữa các biến quan sát bằng 0 trong tổng thể. Nếu nhƣ kiểm định này có nghĩa thống kê, tức là Sig < 0,05 thì các quan sát có tƣơng quan với nhau trong tổng thể.
* Phân tích hồi quy
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 tƣởng cơ bản à ƣớc ƣợng hay dự đoán giá trị trung bình của biến phụ thuộc trên cơ sở đã biết của biến độc lập.
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 4: Không xảy ra hiện tƣợng đa cộng tuyến. - Giả thiết 5: Giả thiết về phân phối chuẩn của phần dƣ.
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 à 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 R2 ta đánh giá độ phù hợp của mô hình xem mô hình trên giải thích bao nhiêu % sự biến thiên của biến phụ thuộc.