3.5.1. Thƣơng hiệu nghiên cứu
Trong nghiên cứu này, tác giả chọn thƣơng hiệu để tiến hành khảo sát đó là Heineken, Tiger, Sapporo, Saigon Special, . Các thƣơng hiệu đƣợc chọn trong nghiên cứu này dựa vào nguyên tắc là chúng phải phổ biến trên thị trƣờng. Vì vậy, kết quả lựa chọn trên dựa vào các khảo sát của ngƣời thực hiện tại các nhà hàng, quán nhậu, cửa hàng tạp hóa và đại lý bia tại địa bàn thành phố Hồ Chí Minh cùng với kết quả của nghiên cứu định tính.
Thƣơng hiệu đƣợc phỏng vấn không theo nguyên tắc sử dụng, nghĩa là phỏng vấn viên xác định thƣơng hiệu mình phỏng vấn trƣớc khi tiếp cận với ngƣời tiêu dùng. Vì vậy, ngƣời tiêu dùng đƣợc phỏng vấn về một thƣơng hiệu không nhất thiết phải là thƣơng hiệu họ đang sử dụng. Nếu sự trùng hợp xảy ra thì do hoàn toàn ngẫu nhiên.
3.5.2. Cỡ mẫu
Phƣơng pháp xác định cỡ mẫu trong nghiên cứu định lƣợng đƣợc xác định theo nguyên tắc kinh nghiệm. Theo Hair ctg 998 , để có thể phân tích nhân tố khám phá (EFA) cần thu thập bộ dữ liệu với ít nhất năm mẫu trên một biến quan sát, N ≥ x trong đó N là cỡ mẫu, x là tổng số biến quan sát)
Ngoài ra, để tiến hành phân tích hồi qui một cách tốt nhất, Tabachnick & Fidell (1996) cho r ng kích thƣớc mẫu cần phải đƣợc đảm bảo theo công thức n >= 50 + 8p.
34
Trong đó: - n: cỡ mẫu
- p: số biến độc lập của mô hình
Cỡ mẫu trong nghiên cứu này s áp dụng theo công thức N ≥ x. Theo đó, với 35 biến quan sát thì cỡ mẫu tối thiểu trong nghiên cứu này là 35 x 5 = 175 mẫu. Nh m giảm sai số do chọn mẫu, tiêu chí khi thực hiện khảo sát này là trong điều kiện cho phép thì việc thu thập càng nhiều dữ liệu nghiên cứu càng tốt. Vì vậy, trong nghiên cứu này chọn kích thƣớc mẫu là n = 350.
Trong nghiên cứu này, năm thƣơng hiệu khảo sát bao gồm: Heineken, Tiger, Sapporo, Saigon Special, 333. Việc lấy mẫu đƣợc thực hiện theo phƣơng pháp thuận tiện (phi xác suất) b ng phƣơng pháp phỏng vấn trực tiếp khách hàng thông qua bảng câu hỏi. Để đạt n = 350 mẫu đề ra, dự kiến 370 bảng câu hỏi s đƣợc phát ra, m i thƣơng hiệu s có từ đến 80 bảng câu hỏi. Bảng câu hỏi đƣợc thiết cho từng thƣơng hiệu khác nhau và ngƣời phỏng vấn s quyết định trƣớc thƣơng hiệu cần phỏng vấn. Địa bàn khảo sát bao gồm các quận, huyện tại Thành phố Hồ Chí Minh.
3.5.3. Xử lý và phân tích dữ liệu
Dữ liệu sau khi đƣợc thu thập s đƣợc mã hóa và thực hiện quá trình phân tích nhƣ sau:
3.5.3.1. Phân tích mô tả
Phân tích mô tả dùng để phân tích các thuộc tính của mẫu nghiên cứu nhƣ: độ tuổi, trình độ, thu nhập hàng tháng, nghề nghiệp…
3.5.3.2. Kiểm ịnh v ánh giá th ng o
Một đo lƣờng đƣợc coi là có giá trị khi nó đo lƣờng đƣợc đ ng cái cần đo lƣờng Campell iske 9 9 . Hay nói cách khác, đo lƣờng đó vắng mặt cả hai loại sai số, hệ thống và ngẫu nhiên. Để đánh giá thang đo và các khái niệm trong nghiên cứu cần kiểm tra độ tin cậy và độ giá trị của thang đo. ự trên hệ số độ tin cậy Cronbach’s
35
Alpha), hệ số tƣơng quan biến - tổng (Item-to-total correlation) giúp loại ra những biến quan sát không đóng góp vào việc mô tả khái niệm cần đo, hệ số Cronbach’s Alpha if Item deleted để gi p đánh giá loại bỏ biến quan sát nh m nâng cao hệ số tin cậy Cronbach’s Alpha cho khái niệm cần đo và phƣơng pháp phân tích nhân tố khám phá (EFA) nh m kiểm tra độ giá trị của thang đo các khái niệm nghiên cứu.
Phân t h Cron h’s ph
Sử dụng phƣơng pháp hệ số tin cậy Cronbach’ Alpha trƣớc khi phân tích nhân tố (EFA) nh m loại bỏ các biến không phù hợp vì các biến này có thể tạo ra các yếu tố giả (Nguyễn và Nguyễn, 2007),
Các tiêu chí đƣợc sử dụng khi thực hiện đánh giá độ tin cậy thang đo
Loại các biến quan sát có hệ số tƣơng quan biến – tổng nhỏ hơn .3. Nunnall & Burnstein (1994) cho r ng các biến có hệ số tƣơng quan biến - tổng nhỏ hơn . đƣợc coi là biến rác và s loại ra khỏi mô hình. Theo Nunally &Burnstein (1994); Nguyễn và Nguyễn (2007) thì Alpha càng lớn thì độ nhất quán nội tại càng cao, tiêu chu n chọn thang đo khi có độ tin cậy Cronbach Alpha > 0.6
Phân tích nhân tố khám phá (EFA)
Sau khi lọai bỏ các biến không đảm bảo độ tin cậy thông qua phân tích Cronbach’s Alpha, phƣơng pháp phân tích nhân tố E A đƣợc sử dụng để xác định độ giá trị hội tụ convergent validity , độ giá trị phân biệt (discriminant validity) và đồng thời thu gọn các tham số ƣớc lƣợng theo từng nhóm biến.
Trong thực tiễn nghiên cứu, để thang đo đạt giá trị hội tụ thì hệ số tƣơng quan đơn giữa các biến và các nhân tố (factor loading) phải lớn hơn hoặc b ng 0.5 trong một nhân tố (0. ≤ factor loading < . đƣợc xem là quan trọng; factor loading > 0. đƣợc xem là có ý nghĩa thực tiễn . Để đạt độ giá trị phân biệt, khác biệt giữa các nhân tố phải lớn hơn hoặc b ng . λiA – λi ≥ .3). Tuy nhiên, chúng ta cần xem xét giá trị nội
36
dung của nó trƣớc khi ra quyết định loại bỏ hay không loại bỏ một biến đo lƣờng (Nguyễn Đình Thọ, 2011).
Số lƣợng nhân tố đƣợc xác định dựa trên chỉ số Eigenvalue – đại điện cho phần biến thiên đƣợc giải thích b i m i nhân tố. Số lƣợng nhân tố đƣợc xác định nhân tố (dừng nhân tố) có Eigenvalue tối thiểu b ng ≥ và những nhân tố có Eigenvalue nhỏ hơn s bị loại ra khỏi mô hình. (Nguyễn Đình Thọ, 2011)
Tiêu chu n phƣơng sai trích Variance explained criteria : tổng phƣơng sai trích phải đạt từ 50% tr lên, nghĩa là phần chung phải lớn hơn phần riêng và sai số (từ 60% tr lên đƣợc coi là tốt) (Nguyễn Đình Thọ, 2011).
Để xác định sự phù hợp khi sử dụng EFA thì ngƣời ta thƣờng tiến hành dùng
kiểm định Barlett và KMO:
- Kiểm định artlett: dùng để xem xét ma trận tƣơng quan có phải là ma trận đơn vị (I) hay không. Kiểm định Barlett có nghĩa thống kê khi Sig < . . Điều này chứng tỏ các biến quan sát có tƣơng quan với nhau trong tổng thể.
- Kiểm định KMO: KMO là chỉ số dùng để so sánh độ lớn của hệ số tƣơng quan giữa các biến đo lƣờng với độ lớn của hệ số tƣơng quan riêng phần của chúng (Nguyễn Đình Thọ, 2011, trích từ Norusis, 1994). Hệ số KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn (Nguyễn Đình Thọ, 2011). Hệ số KMO phải đạt giá trị từ 0.5 tr lên KMO ≥ . thể hiện phân tích là phù hợp. Hệ số KMO < 0.5 thì không thể chấp nhận đƣợc (Nguyễn Đình Thọ, 2011, trích từ Kaiser, 1974).
Tuy nhiên, theo Nguyễn Đình Thọ (2011, trang 397) thì trong thực tế, với sự h trợ của các phần mềm xử lý thống kê SPSS và chúng ta có thể nhìn vào kết quả trọng số nhân tố và phƣơng sai trích đạt yêu cầu thì vấn đề kiểm định Bartlett, KMO không còn ý nghĩa nữa vì ch ng luôn luôn đạt yêu cầu.
37
Trong nghiên cứu này, tác giả sử dụng phƣơng pháp trích nhân tố Principal Components với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues lớn hơn hoặc b ng 1.
3.5.3.3. Phân tích hồi qui bội
Sau khi hoàn tất việc phân tích đánh giá độ tin cậy thang đo Sử dụng hệ số tin cậy Cronbach’s Alpha và kiểm định giá trị khái niệm của thang đo phân tích nhân tố khám phá EFA), các biến không đảm bảo độ giá trị hội tụ tiếp tục bị loại khỏi mô hình cho đến khi các tham số đƣợc nhóm theo các nhóm biến. Việc xác định mối quan hệ giữa các nhóm biến này cũng nhƣ quan hệ giữa các biến độc lập (yếu tố thành phần) và nhóm biến phụ thuộc xu hƣớng sử dụng) trong mô hình nghiên cứu đƣợc thực hiện b ng phƣơng pháp phân tích hồi qui bội.
Giá trị của biến mới trong mô hình nghiên cứu là giá trị trung bình của các biến quan sát thành phần của biến đó, giá trị của các thành phần đƣợc phần mềm SPSS tính một cách tự động từ giá trị trung bình có trọng số của các biến quan sát đã đƣợc chu n hóa. Tuy nhiên trƣớc khi tiến hành phân tích hồi qui, một phân tích quan trọng cần đƣợc thực hiện đầu tiên là phân tích tƣơng quan nh m kiểm định mối tƣơng quan tuyến tính giữa các biến trong mô hình.
Mô hình hồi qui ban đầu có dạng nhƣ sau: Y = β0 + ∑ iXi +
Trong đó:
Y: xu hƣớng tiêu dùng thƣơng hiệu bia (BI)
Xi: biến độc lập thứ i đƣợc giả thuyết có ảnh hƣ ng đến biến số phụ thuộc Y.
X1: Nhận biết thƣơng hiệu (AW)
X2: Chất lƣợng cảm nhận (PQ)
X3: Hình ảnh thƣơng hiệu (IMB)
X4: Lòng trung thành thƣơng hiệu (LY)
38
X6: Độ bao phủ thƣơng hiệu (DC)
β0: Hệ số gốc.
βi: hệ số ƣớc lƣợng của biến số độc lập thứ i.
ε: sai số.
Phân t h tƣơng qu n
Kiểm định mối tƣơng quan tuyến tính giữa các biến trong mô hình, giữa biến phụ thuộc với từng biến độc lập và giữa các biến độc lập với nhau. Sử dụng hệ số tƣơng quan Pearson để lƣợng hóa mức độ chặt ch mối quan hệ tuyến tính giữa 2 biến định lƣợng. Giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai biến này có mối tƣơng quan tuyến tính càng chặt ch (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Trong mô hình nghiên cứu, kỳ vọng có mối tƣơng quan tuyến tính chặt ch giữa biến phụ thuộc và các biến độc lập.
+ Sig < 0.05: các biến đều tƣơng quan với nhau và có nghĩa thống kê.
+ Xem hệ số tƣơng quan của 2 biến nào là lớn nhất: 2 biến này có mối liên hệ khá chặt ch thƣờng là biến trung gian và biến phụ thuộc).
+ R < : tƣơng quan nghịch, R > : tƣơng quan thuận. + |R| → : tƣơng quan càng chặt ch .
Phân tích hồi qui bội
Nghiên cứu thực hiện hồi qui bội theo phƣơng pháp Enter: tất cả các biến đƣợc đƣa vào lần và xem xét kết quả thống kê liên quan đến các biến đƣợc đƣa vào trong mô hình.
Kiểm ịnh các giả thuy t, sử dụng phần m m SPSS
Đánh giá độ phù hợp của mô hình hồi qui bội: R2, R2 có hiệu chỉnh. Kiểm định giả thuyết về độ phù hợp của mô hình.
39
Xác định mức độ ảnh hƣ ng của các yếu tố tác động đến xu hƣớng tiêu dùng các thƣơng hiệu bia.Yếu tố có hệ số β lớn hơn thì có thể nhận xét r ng yếu tố đó có mức độ ảnh hƣ ng cao hơn các yếu tố khác trong mô hình nghiên cứu.
+ R2: t lệ biến đổi của biến phụ thuộc đƣợc giải thích b ng tất cả các biến độc lập. R2 >= . : tƣơng quan khá chặt ch .
+ R2 hiệu chỉnh: các biến độc lập giải thích đƣợc khoảng bao nhiêu phƣơng sai của biến phụ thuộc.
+ Giá trị Sig < 0.05: cho thấy các biến đƣa vào đều có nghĩa về mặt thống kê với mức nghĩa => các biến độc lập trong mô hình có quan hệ với biến phụ thuộc.
+ Kiểm tra hiện tƣợng đa cộng tuyến: nếu VIF của biến độc lập nào đó > thì biến này hầu nhƣ không có giá trị giải thích biến thiên của Y trong mô hình hồi qui bội (Hair & Ctg 2006). Tuy nhiên trong thực tế nếu VIF >2 thì cần c n trọng trong giải thích các trọng số hồi qui.
3.5.3.4. Biểu ồ nhận thức
Công cụ đo lƣờng đa hƣớng đƣợc sử dụng để phân tích vị trí của các thƣơng hiệu theo một số thuộc tính. Mục đích của phƣơng pháp này là chuyển những ý kiến đánh giá của con ngƣời về sự giống nhau, khác nhau hoặc s thích về các đối tƣợng thành những khoảng cách trong không gian đa hƣớng.
Các đại lƣợng quan trọng trong đo lƣờng đa hƣớng là: đại lƣợng thứ nhất là RSQ dùng để đo mức độ phù hợp. Đó là bình phƣơng của hệ số tƣơng quan cho biết phần phƣơng sai của dữ liệu đƣợc giải thích b i các dữ liệu đo lƣờng, tức là phần phƣơng sai giải thích đƣợc của đo lƣờng đa hƣớng. RSQ càng lớn thì càng tốt, RSQ ≥ 0.6 thì chấp nhận đƣợc. Đại lƣợng thứ hai Stress. Stress thể hiện chất lƣợng của phƣơng án đo lƣờng đa hƣớng. Trong khi RSQ dùng để đo mức độ phù hợp thì Stress dùng để đo mức độ không phù hợp, nghĩa là giá trị của đại lƣợng Stress càng cao thì phƣơng án đo lƣờng đa hƣớng càng ít phù hợp. Stress chính là phần phƣơng sai do các
40
yếu tố khác gây ra, không phải là mô hình giải thích đƣợc. Đại lƣợng Stress thƣờng đƣợc sử dụng nhiều nhất là công thức Kruskal Stress:
Trong đó:
¯d là khoảng cách trung bình (Σ dij /n) trong bản đồ không gian dij là khoảng cách theo dữ liệu thực tế
d^ij là khoảng cách đƣợc chọn trong không gian đa hƣớng
Nguồn: Kruskal, J. B, 1964. Multidimensional scaling by optimizinggoodness of fit
to a nonmetric hypothesis. Psychometrika, 29: 1-27
Theo Kruskal (1964), công thức Kruskal đƣợc đánh giá: . tƣơng đối phù hợp; 0.05 là phù hợp; 0.025 là rất phù hợp; = 0 là hoàn hảo. (Huỳnh Thiên Quy, 2010, Trang 46-47).
Tóm t t
Chƣơng III này đã trình bày về phƣơng pháp nghiên cứu đƣợc thực hiện để đánh giá thang đo trong mô hình nghiên cứu. Để đánh giá các yếu tố tác động đến xu hƣớng tiêu dùng các thƣơng hiệu bia tại Thành phố Hồ Chí Minh thì đƣợc thực hiện thông qua hai bƣớc đó là nghiên cứu sơ bộ b ng phƣơng pháp thảo luận nhóm tập trung và nghiên cứu chính thức b ng phƣơng pháp phỏng vấn trực tiếp. Chƣơng này cũng mô tả thông tin mẫu của nghiên cứu chính thức.
Chƣơng tiếp theo s trình bày thông tin mẫu đã thu thập, kết quả nghiên cứu, bao gồm việc kiểm định Cronbach Alpha, phân tích nhân tố (EFA), hồi qui tuyến tính và biểu đồ nhận thức (MDS).
41
CHƢƠNG IV
KẾT QUẢ NGHIÊN CỨU
Giới thiệu
Trong chƣơng III đã trình bày về phƣơng pháp nghiên cứu dùng để kiểm định thang đo và các giả thuyết trong mô hình nghiên cứu. Chƣơng IV s trình bày kết quả kiểm định thang đo, mô hình nghiên cứu và các giả thuyết đƣa ra của mô hình. Nội dung chƣơng này bao gồm các phần sau:
- Đặc điểm của mẫu nghiên cứu - Kiểm định hệ số Cronbach Alpha - Phân tích nhân tố khám phá EFA - Mô hình hồi qui tuyến tính - Định vị thƣơng hiệu b ng MDS
Nghiên cứu này sử dụng phần mềm SPSS . để xử lý và phân tích dữ liệu.
4.1. Đặ iểm của mẫu nghiên cứu 4.1.1. Phƣơng pháp v dữ liệu thu thập
Nhƣ đã trình bày phần trƣớc, phƣơng pháp lấy mẫu thuận tiện đƣợc chọn cho
nghiên cứu này. Kích thƣớc mẫu là 350. Dữ liệu đƣợc thu thập thông qua hình thức
phỏng vấn trực tiếp, ngƣời phỏng vấn s đƣợc chỉ định phỏng vấn cho một thƣơng hiệu
bia cho trƣớc. Đối tƣợng nghiên cứu trong nghiên cứu này là nam giới có độ tuổi từ 18
đến 52, hiện đang sinh sống tại khu vực Thành phố Hồ Chí Minh.
Để đạt đƣợc kích thƣớc mẫu là n = 350, 370 bảng câu hỏi đã đƣợc phỏng vấn. Sau khi thu thập kết quả và kiểm tra, có 23 bảng câu hỏi bị loại do nhiều ô bỏ trống. Cuối cùng, 347 bảng câu hỏi đạt đƣợc yêu cầu của nghiên cứu đƣợc sử dụng. Dữ liệu s đƣợc nhập và làm sạch thông qua phần mềm SPSS phiên bản 16.0.
42
4.1.2. Mô tả thông tin mẫu
Dữ liệu đƣợc nhập vào SPSS để xử lý và kết quả có đƣợc cho phần thông tin thống kê về mẫu nhƣ sau:
Về thƣơng hiệu khảo sát, có 7 ngƣời đƣợc phỏng vấn về thƣơng hiệu bia Heineken (chiếm 9. , có 7 ngƣời đƣợc phỏng vấn về thƣơng hiệu Tiger (chiếm . , có 8 ngƣời đƣợc phỏng vấn về thƣơng hiệu bia Sapporo (chiếm 23.6%), có ngƣời đƣợc phỏng vấn về thƣơng hiệu bia Saigon Special (chiếm 17.3%), có 64
