2.3.1 Thiết kế mẫu
Đối tượng mẫu nghiên cứu mà tác giả hướng tới là các khách hàng sử dụng dịch
vụ bảo hiểm cơ giới của Công ty Bảo hiểm BIDV Bắc Trung Bộ. Bảng câu hỏi được hiệu
chỉnh và được tác giả tiến hành điều tra với số phiếu phát ra là 220 phiếu. Mô hình nghiên cứu gồm 27 biến quan sát. Theo (Hair 1998) mẫu nghiên cứu tốt nhất ít nhất là 05 mẫu trên một biến quan sát thì mới có thể phân tích phám phá (EFA) tốt. Do đó số mẫu
tính toán tối thiểu là là: 27 mẫu X 5 = 135 mẫu.
Để tiến hành phân tích hồi quy một cách tốt nhất, Tabachnick & Pidell (1996) cho
rằng kích thước mẫu cần đảm bảo N > 8m + 50 (N= cỡ mẫu, m= số biến độc lập của mô
hình), thay số liệu trên vào công thức ta có: N > 8 x 7 + 50, N> 90, so sánh với số mẫu
Trên cơ sở đó tác giả tiến hành thu thập dữ liệu với 220 bảng câu hỏi được phát
ra, tổ điều tra tiến hành phát câu hỏi đến đối tượng phỏng vấn và thu về được 200 bảng
hợp lệ.
2.3.2 Thu thập dữ liệu
Trước khi đi vào nghiên cứu sơ bộ và nghiên cứu chính thức tác giả tiến hành thu nhập thông tin. Các thông tin cần thu thập là các thông tin thứ cấp và thông tin sơ cấp.
Thông tin thứ cấp được tác giả thu thập trên các phương tiện thông tin đại chúng, tại các đơn vị thống kê, tại các ngành chủ quản, tại doanh nghiệp và trên các tạp chí ấn phẩm,
các nghiên cứu tiêu biểu trước đó… Thông tin sơ cấp do tác giả tiến hành điều tra khảo
sát ý kiến đánh giá của khách hàng về chất lượng dịch vụ bảo hiểm xe cơ giới được công
ty bảo hiểm Công ty Bảo hiểm BIDV Bắc Trung Bộ triển khai trong thời gian qua. Mục đích của việc thu thập thông tin là cung cấp cho tác giả một cái nhìn sơ bộ về học thuật,
về đặc điểm, chất lượng dịch vụ trên từng phương diện. Phương pháp thu thập dữ liệu được sử dụng là phương pháp lấy mẫu thuận tiện (phi xác suất) trên toàn bộ khách hàng
đang sử dụng dịch vụ của Công ty Bảo hiểm BIDV Bắc Trung Bộ là các khách hàng đã tham gia bảo hiểm đồng thời đã sử dụng dịch vụ giám định bồi thường tại Công ty Bảo
hiểm BIDV Bắc Trung Bộ, không phân biệt các nhóm đối tượng để có được những thông
tin khách quan nhất.
2.4. Phương pháp phân tích dữ liệu2.4.1. Phương pháp thống kê mô tả 2.4.1. Phương pháp thống kê mô tả 2.4.1.1. Khái niệm
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập
được 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 thước đo. Cùng với phân tích đồ họa đơn giản, chúng tạo ra nền tảng của mọi phân tích định lượng về số liệu. Bước 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 được các hiện
tượng và ra quyết định đúng đắn, cần nắm được các phương pháp cơ bản của mô tả dữ
liệu. Có rất nhiều kỹ thuật hay được sử dụng, có thể phân loại các kỹ thuật này như 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 (dưới dạng các giá trị thống kê đơn nhất) mô tả dữ liệu.
2.4.1.2.Các đại lượng thống kê mô tả (adsbygoogle = window.adsbygoogle || []).push({});
- 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 lượng biến của tiêu thức của đơn vị đứng ở vị trí giữa trong dãy số lượng biến, chia số lượng biến thành hai phần (phần trên và phần dưới) mỗi phần có cùng một số đơn vị bằng nhau.
- Mode: Là biểu hiện của tiêu thức được gặp nhiều nhất trong tổng thể hay trong dãy phân phối. Trong dãy lượng biến, mode là lượng biến có tần số lớn nhất.
2.4.2. Phương pháp phân tích độ tin cậy của thang đo
Những mục hỏi đo lường 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 tương quan với nhau.
Công thức của hệ số Cronbach Alpha là: = N/[1 + (N – 1)]
Trong đó: là hệ số tương quan trung bình giữa các mục hỏi.
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 bằng hệ
số thông qua hệ số Cronbach alpha. Những biến có hệ số tương 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 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. 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.
2.4.3. Phương pháp phân tích nhân tố khám phá EFA 2.4.3.1. Khái niệm 2.4.3.1. Khái niệm
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 được một
số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng
phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Liên hệ
giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một
số ít các nhân tố cơ bản. Vì vậy, 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.
2.4.3.2. 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
được biểu diễn như là một kết hợp tuyến tính của các nhân tố cơ bản. Lượng biến thiên của một biến được giải thích bởi những nhân tố chung trong phân tích gọi là communality. Biến thiên chung của các biến được mô tả bằng một số ít các nhân tố
chung cộng với một nhân tố đặc trưng cho mỗi biến. Những nhân tố này không bộc lộ rõ ràng.
Nếu các biến được chuẩn hóa thì mô hình nhân tố được thể hiện bằng phương trình:
Xi = Ai1F1 + Ai2F2 + Ai3F3 + … + AimFm+ViUi (adsbygoogle = window.adsbygoogle || []).push({});
Trong đó:
Xi: biến thứ i được 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 trưng i đối với biến i. Ui : Nhân tố đặc trưng của biến i.
m: Số nhân tố chung.
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fi = Wi1X1+ Wi2X2+ Wi3X3+…+ WikXk
Trong đó:
Fi: Ước lượng 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 được 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 được phần lớn biến thiên còn lại và không có tương quan với nhân tố thứ nhất.
Nguyên tắc này được áp dụng như vậy để tiếp tục chọn quyền số cho các nhân tố
tiếp theo. Do vậy, các nhân tố được ước lượng sao cho các quyền số của chúng, không giống như các giá trị của các biến gốc, là không tương quan với nhau. Hơn nữa, nhân tố
thứ nhất giải thích được nhiều nhất biến thiên của dữ liệu, nhân tố thứ hai giải thích được nhiều thứ nhì…
2.4.3.3. Các tham số trong phân tích nhân tố:
- Barlett' test of sphericity: Đại lượng Bartlett là một đại lượng thống kê dùng để
xem xét giả thiết các biến không có tương quan trong tổng thể. Nói cách khác, ma trận
tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hoàn toàn với chính
nó nhưng không tương quan với các biến khác.
- Correlation matrix: Cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích.
- Communality: Là lượng biến thiên của một biến được giải thích chung với các biến khác được xem xét trong phân tích.
- Eigenvalue: Đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Chỉ
những nhân tố có eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình. Đại lượng eigenvalue đại diện cho lượng biến thiên được 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 tương 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 được 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 như 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 phương sai toàn bộ được 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
2.4.4. Phân tích tương quan
Dữ liệu dùng trong phân tích hồi quy tương quan được người nghiên cứu lựa chọn (adsbygoogle = window.adsbygoogle || []).push({});
là dữ liệu chuẩn hóa (được 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, bước đầu
tiên ta cần phân tích tương 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 được mối quan hệ nhân quả giữa biến phụ thuộc và biến độc lập nhưng nó đóng vai
trò làm cơ sở cho phân tích hồi qui. Các biến biến phụ thuộc và biến độc lập có tương
quan cao với nhau báo hiệu sự tồn tại của mối quan hệ tiềm ẩn giữa hai biến. Đồng thời,
việc phân tích tương 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 tương quan cao với nhau hay hiện tượng đa cộng
tuyến.
Sử dụng hệ số tương quan Pearson (ký hiệu r) để lượng hóa mức độ chặt chẽ của
mối liên hệ tuyến tính giữa hai biến định lượng, 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 trường hợp là không có mối liên hệ giữa 2 biến hoặc hai biến có mối liên hệ nhưng không phải tuyến tính tức
là phi tuyến (Trọng & Ngọc, 2005, 215).
2.4.5. Phân tích hồi quy 2.4.5.1. Định nghĩa 2.4.5.1. Định nghĩa
Phân tích hồi quSy là nghiên cứu sự phụ thuộc của một biến (biến phụ thuộc hay biến được giải thích) vào một hay nhiều biến khác (biến độc lập hay biến giải thích) với ý tưởng cơ bản là ước lượng hay dự đoán giá trị trung bình của biến phụ thuộc trên cơ sở đã biết của biến độc lập.
2.4.5.2. 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 2: Phương sai có điều kiện không đổi của các phần dư.
- Giả thiết 3: Không có sự tương quan giữa các phần dư.
- Giả thiết 4: Không xảy ra hiện tượng đa cộng tuyến. - Giả thiết 5: Giả thiết về phân phối chuẩn của phần dư.
2.4.5.3. Xây dựng mô hình hồi quy
Các bước 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 tương quan. Đồng thời ma trận tương quan là công cụ xem xét mối quan hệ
giữa các biến độc lập với nhau nếu các biến này có tương quan chặt thì nguy cơ xảy ra hiện tượng đa cộng tuyến cao dẫn đến việc vi phạm giả định của mô hình. (adsbygoogle = window.adsbygoogle || []).push({});
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 tưởng đánh giá tầm quan trọng tương đối của các biến độc lập trong mô hình thông qua xem xét mức độ tăng của R2 khi một biến giải thích được đưa 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 phương trình không có được.
Bước 5: Lựa chọn biến cho mô hình
Đưa nhiều biến độc lập vào mô hình hồi quy không phải lúc nào cũng tốt vì những lý do sau (trừ khi chúng có tương 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.
- Đưa vào các biến không thích đáng sẽ làm tăng sai số chuẩn của tất cả các ước
lượng mà không cải thiện được 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:
Phương pháp đưa vào dần, phương pháp loại trừ dần, phương pháp từng bước (là sự
kết hợp của hai phương pháp loại trừ dần và đưa 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 phương 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 được nhập và làm sạch thông qua phần mềm SPSS 16.
2.4.6. Phân tích ANOVA
Kỹ thuật phân tích phương sai một yếu tố (One-Way ANOVA) được 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. Trước khi tiến hành phân tích ANOVA, tiêu chuẩn Levence được tiến hành để kiểm tra giả thuyết bằng nhau của phương sai trong các nhóm