7. Tổng quan tài liệu nghiên cứu
2.2.4. Phương pháp xử lý dữ liệ u
a. Phân tích mô tả mẫu nghiên cứu
49
những đánh giá sơ bộ thông tin về đối tượng điều tra như: Thông tin về độ tuổi, giới tính, thu nhập, công việc.
b. Kiểm tra độ tin cậy của thang đo bằng hệ số tin cậy Cronbach’s Alpha
Đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha. Phương pháp Cronbach’s Alpha cho phép người phân tích loại bỏ các biến
không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu và đánh giá
độ tin cậy thang đo. Hệ số Cronbach’s Alpha có giá trị biến thiên từ 0 đến 1. Về lý thuyết, Cronbach’s Alpha càng lớn thì thang đo có độ tin cậy càng cao. Tuy nhiên, điều này không thực sự vậy. Hệ số Cronbach’s Alpha quá lớn (>0.95) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau, nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu. Hiện tượng này được gọi là trùng lắp trong đo lường.
Tuy nhiên, hệ số này chỉ cho biết các đo lường có liên kết với nhau hay không, nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, hệ số tương quan biến – tổng sẽ giúp loại ra những biến quan sát không đóng góp nhiều cho sự mô tả cần đo.
Theo (Nunnally 1987, Peterson 1994, Slater 1995) đề nghị hệ số
Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được. Theo Hoàng Trọng
và Chu Nguyễn Mộng Ngọc (2008), khi hệ số Cronbach’s Alpha có giá trị từ
0.8 đến gần 1.0 là thang đo tốt, từ 0.7 đến gần 0.8 là sử dụng được. Để xác định biến nào nên loại bỏ thì bên cạnh việc hệ số ”Cronbach’s Alpha if Item Deleted” lớn hơn hệ số Cronbach’s Alpha tổng, còn sử dụng hệ số tương quan biến tổng (item –total correlation ) và những biến nào có tương quan biến tổng <0.3 sẽ bị loại bỏ.
Trong quá trình phân tích này. Thang đo có hệ số Cronbach Alpha từ 0.6
50
> 0.3 và hệ số Cronbach’s Alpha nếu loại biến (Cronbach’s Alpha if Item Deleted) lớn hơn hệ số Cronbach’s Alpha tổng sẽ bị loại.
c. Phân tích nhân tố khám phá EFA ( Exploratory Facror Analysis)
Trong phân tích EFA, đại lượng Bartlett là đại lượng thống kê dùng để
xem xét giả thiết các biến không có tương quan trong tổng thể. Điều kiện cần
để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau (Các
biến đo lường phản ánh những khía cạnh khác nhau của cùng một yếu tố
chung). Do đó nếu kiểm định cho thấy không có ý nghĩa thống kê thì không
nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett’s có giá trị Sig < 0.05.
Trị số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố và trị số KMO lớn (Giữa 0.5 và 1) là phân tích nhân tố là thích hợp, còn nếu giá trị này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu nên loại dần và sau đó phân tích lại.
Ngoài ra, phân tích nhân tố còn dựa vào chỉ số Eigenvalue (Đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (Tổng
phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và
bao nhiêu % bị thất thoát) để xác định số lượng nhân tố. Theo Gerbing và
Anderson (1988), các nhân tố có Eingenvalue < 1 sẽ không có tác dụng tóm
tắt thông tin tốt hơn biến gốc (Biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉđược rút trích tại Eingenvalue > 1 và được chấp nhận khi tổng phương sai trích >= 50%. Tuy nhiên, trị số Eingenvalue và
phương sai là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay
nhân tố.
Một phần quan trọng trong kết quả phân tích nhân tố là sử dụng phương
pháp Principal Components với phép xoay Varimax để tạo ra ma trận nhân tố
51
diễn tương quan giữa các nhân tố và các biến. Hệ số này lớn (> 0.5) cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) thì mặc dù ma trận nhân tố ban đầu cho thấy mối quan hệ giữa các nhân tố và từng biến nhưng nó ít khi tạo ra các nhân tố có thể giải thích một cách dễ dàng. Thông qua việc xoay các nhân tố, ma trận nhân tố sẽ trở nên đơn giản hơn và dễ giải thích hơn. Trong nghiên cứu này, tác giả sử dụng phép xoay Varimax nhằm tối đa hoá phương sai của bình phương trọng số của nhân tố đối với tất cả các biến số trong ma trận yếu tố. Điều này giúp tách các biến số ban đầu bằng các nhân tố được tìm thấy.
d. Phân tích hồi quy
Bước đầu tiên khi phân tích hồi quy tuyến tính ta sẽ xem xét các mối quan hệ tương quan tuyến tính giữa biến phụ thuộc và từng biến độc lập, cũng như giữa các biến độc lập với nhau. Nếu hệ số tương quan giữa biến phụ thuộc và biến độc lập lớn chứng tỏ giữa chúng có mối quan hệ với nhau và phân tích hồi quy là có thể phù hợp. Bên cạnh đó, nếu các biến độc lập cũng có hệ tương quan với nhau lớn thì có thể xảy ra hiện tượng đa cộng tuyến.
Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng tuyến là cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Hiệu ứng khác của sự tương quan khá chặt giữa các biến độc lập là nó làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm trị thống kê t của kiểm định ý nghĩa của chúng nên các hệ số có khuynh hướng kém ý nghĩa hơn khi không đa cộng tuyến. Để kiểm định hiện tượng đa cộng tuyến, tác giả sử dụng hệ số phóng đại phương sai (VIF). Nếu giá trị hệ số này < 2 thì quan hệđa cộng tuyến giữa các biến độc lập là không đáng kể.
Phân tích hồi quy sẽ xác định mối quan hệ nhân quả giữa biến phụ thuộc với các biến độc lập. Mô hình hồi quy sẽ mô tả hình thức các mối quan hệ để
52
giúp ta dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập. Để xác định, đo lường và đánh giá mức độ ảnh hưởng của các nhân tố đến SHL của khách hàng, tác giả sử dụng phương pháp hồi quy tuyến tính bội giữa các nhân tố ảnh hưởng thu được từ phương pháp Cronbach Alpha và phân tích EFA ở trên với biến phụ thuộc là sự hài lòng.
Để đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội, tác giả sử dụng hệ số xác định R2. Hệ số R2 cho biết % sự biến động của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Nếu giá trị R2 = 1 thì
đường hồi quy phù hợp hoàn hảo. Nếu R2 = 0 thì X và Y không có quan hệ
với nhau. Sử dụng hệ số xác định R2 có nhược điểm là giá trị R2 tăng khi số biến độc lập đưa vào mô hình tăng mặc dù biến đưa vào không có ý nghĩa. Vì vậy, tác giả sử dụng R2 điều chỉnh để quyết định việc đưa thêm biến vào mô hình. Ngoài ra, trị số thống kê Durbin-Watson là một thống kê kiểm định được sử dụng để kiểm tra xem có hiện tượng tự tương quan hay không trong phần dư của một phép phân tích hồi quy. Giá trị thống kê d của Durbin-
Watson = 4 thì có tự tương quan hoàn hảo âm. Giá trị d= 2 thì không có tự
tương quan, d= 0 thì tự tương quan hoàn hảo dương.
Để kiểm định độ phù hợp của mô hình, tác giả sử dụng kiểm định F. Đây là phép kiểm định giả thiết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể nhằm xem xét biến phụ thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập không.
e. Phân tích phương sai (Anova)
Mục đích nhằm kiểm định có hay không sự khác biệt về mức độ tác
động của các nhóm thông tin khách hàng lên biến phụ thuộc giữa các nhóm
nghiên cứu khác nhau. Phương pháp sử dụng là phân tích phương sai
ANOVA (One-Way Anova). Quá trình này thực hiện theo 2 bước: Kiểm định
53
với sig > 0.05 để có thể kết luận sự khác biệt về những đặc điểm các nhân không ảnh hưởng đến mức độ hài lòng khách hàng.
KẾT LUẬN CHƯƠNG 2
Chương 2 trình bày một mô hình nghiên cứu cùng 5 giả thiết. Sử dụng phương pháp nghiên cứu định tính để phát triển thang đo 5 nhân tố ảnh hưởng
đến sự hài lòng của khách hàng. Phương pháp nghiên cứu định lượng cũng
được trình bày trong chương này. Xây dựng thang đo và bảng câu hỏi, phương pháp xử lý dữ liệu bằng phần mềm SPSS.
54
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU