M của Nội dung:
b. tương quan sẽ càng cao hơn h
với dịch vụ thẻ ATM của ngân
ng BIDV chi nhánh Nghệ An.
Để quá trình so sánh các mối quan hệ này không bị phức tạp hóa (do mỗi thang đo có rất nhiều biến số), ta tiến hành tính trung bình cộng của các biến quan sát trong mỗi thang đo. (Sử dụg
ng cụ Compute Variable) .
Từ đó ta còn có thể sử dụng công cụ CrossTabs – một công cụ để nghiên cứu mối liên hệ giữa hai cấp độ của biến – để xem xét mối quan hệ chéo giữa 5 thang đo đã được lựa chọn với 3 yếu tố cơ bản về đặc tính khách hàng: G
i tính, độ tuổi, học vấn.
4.3.2 Phân tích nhân tố:
a. Sử dụng hệ số Cronbach’s Alpha để loi
ác biến số không phù hợp :
Hệ số Cronbach’s alpha là một phép kiểm định thống kê để đo lường về mức độ chặt chẽ, tương quan giữa các biến quan sát trong thang đo. Hay là liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến, với điểm số toàn bộ cá
biến của mỗi người trả lời.
Sử dụng hệ số này cho phép chúng ta loại bỏ những biến không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu. Theo đó, “những biến có Hệ số tương quan biến tổng (Corrected Item-Total Correlation) lớn hơn 0.3, và có Hệ số Alpha lớn hơn 0.6 thì được xem là chấp nhận được, và thích hợp để đưa vào phân tích”. (Nunnally, 1978, Peterson, 1994, Slater, 1995). Thông thường, thang đo mà hệ số Cronbach’s alpha từ 0,7 đến 0,8 là sử dụng được. Nếu Cronbach’s alpha đạt từ 0,8 trở lên đến gần 1 thì thang đo lường là tốt và mức
b. tương quan sẽ càng cao hơn.h h
tích nhân tố khám phá EFA .
Phân tích nhân tố khám phá là một kỹ thuật phân tích nhằm thu nhỏ, tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét dưới dạng một số các nhân tố cơ bản, trong đó mỗi một
biến quan sát sẽ ược tính một tỷ số, gọi là Hệ số tải nhân tố (factor loading). Hệ số này sẽ cho chúng ta biết mỗi biến đo lường sẽ
huộc về” những nhân tố nào.
Trong phân tích nhân tố, yêu cầu cần thiết là hệ số KMO (Kaiser-Meyer – Olkin) phải có giá trị lớn hơn 0.5 (0,5 <KMO<1)để thể hiệnphântích nhân tố là thích hợ p. C ũn nếu hệ số KMO <0,5 thì phân tích nhân tố có khả năng không thích hợp. Ngoài ra, “hệ số tải nhân tố (Factor Loading) của từng biến quan sát phải có giá trị lớn hơn 0,5” (Hair, 1998), và “tổng phương sai dựng để giải thích bởi từng nhân tố lớn hơn 50% mới thỏa yê cầu của phân tích nhân tố EFA
(Gerbing & Anderson, 1988).
Để tiến hành phân tích nhân tố , ta sẽ sử dụng phươg pháp rút trích các thành phầ n chính (Principal Components), cùng với phép xoay Varimax và phương pháp tính nhân
ố la phương pháp Regression.
4.3.3 Kiểm định kết quả bằng hệ số tương quan Pe
son và phân tích hồi quy bội.
Trong khi phân tích nhân tố EFA, trong hộp thoại Factor Analysis, chọn Scores và Regressin để lưu lại các nhân tố sau phân tích một cách tự động. Nhân số tính theo cách này sẽ được chuẩn hóa (không có đơn vị), do vậy thích hợp để phân tích hồi quy nhằm kiểm định mối quan hệ ảnh hưởng của các bi
độc lập đến biến phụ thuộc.
Ở đây, sau phân tích nhn tố và lưu lại các nhân tố mớ i, ta sẽ tiến hành hồi quy kiểm định mối quan hệ giữa biến phụ thuộc đó là sự thỏa mãn của khách hàng với chất lượng dịch vụ thẻ, và các bi
độc lập là các nhân tố mới. Hệ số tương quan Pearson:
H ệ số tương quan Pearson được sử dụng để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nếu tương quan giữa 2 biến lớn hơn 0.3 thì 2 biến được coi là có quan hệ chặt chẽ. Nếu giữa 2 biến có sự tương quan chặt chẽ thì chúng ta phải chú ý đến vấn đề đa cộn
Hiện tượng cộng tuyến trong hồi quy khiến việc tách hời ảnh hưởng của từng biến đến một biến phụ thuộc rất khó tách rời, do chúng chung cấp cho mô hình những thông tin rất giống nhau. Trong quá trình phân tích hồi quy bội, vấn đề đa cộng tuyến được SPSS chuẩn đoán bằng