3.2.1. Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach Alpha
Công cụ phân tích đầu tiên mà tác giả sử dụng là hệ số Cronbach Alpha để loại bỏ các biến có độ tin cậy của thang đo thấp vì những biến này có thể tạo ra các nhân tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009). Các tiêu chí thống kê được sử dụng trong phân tích này bao gồm: loại các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0,3 và giá trị Cronbach’s Alpha nhỏ hơn 0,6. Cụ thể: Cronbach Alpha > 0,8 thì độ tin cậy của thang đo là tốt, từ 0,7 đến 0,8 thì độ tin cậy của thang đo là sử dụng được, từ 0,6 đến 0,7 thì có thể sử dụng được trong các nghiên cứu mới.
Trong nghiên cứu này, luận văn sử dụng tiêu chuẩn hệ số Cronbach Alpha bằng hoặc lớn hơn 0,7 và các biến quan sát có hệ số tương quan biến tổng lớn hơn 0,3.
3.2.2. Phân tích nhân tố khám phá
Phân tích nhân tố khám phá sẽ trả lời câu hỏi liệu các biến quan sát dùng để xem xét sự tác động của các yếu tố thành phần đến ý định sử dụng TPCN có độ kết dính cao hay không và chúng có thể rút gọn lại thành một số yếu tố ít hơn để xem xét hay không. Các tham số thống kê trong phân tích EFA như sau:
Đánh giá chỉ số Kaiser-Mayer (KMO) để xem xét sự thích hợp của phân tích nhân tố khám phá. Nếu KMO nằm trong khoảng từ 0,5 – 1 thì phân tích nhân tố khám phá sẽ phù hợp.
Kiểm định Bartlett xem xét giả thuyết H0: độ tương quan giữa các biến số quan sát bằng 0. Nếu kiểm định này có ý nghĩa thống kê (sig <0,05) thì các biến có tương quan với nhau trong tổng thể.
Các hệ số tải nhân tố (factor loading) nhỏ hơn 0,5 trong EFA sẽ tiếp tục bị loại bỏ để đảm bảo sự hội tụ giữa các biến. Phương pháp trích hệ số sử dụng là Principal Components và điểm dừng khi trích các yếu tố có eigenvalue lớn hơn 1, tổng phương sai trích bằng hoặc lớn hơn 50%.
Trong nghiên cứu này, tác giả quyết định sử dụng các tiêu chuẩn sau để thực hiện phân tích nhân tố khám phá EFA:
- KMO nằm trong khoảng từ 0,5 đến 1.
- Kiểm định Bartlett có ý nghĩa thống kê (sig < 0,05).
- Loại bỏ các biến có hệ số tải nhân tố (factor loading) < 0,5 và điểm dừng khi trích các yếu tố có eigenvalue lớn hơn 1, tổng phương sai trích bằng hoặc lớn hơn 50%.
- Chênh lệch giữa các trọng số nhân tố của một biến quan sát phải ≥ 0,3 để tạo giá trị phân biệt giữa các nhân tố (Nguyễn Đình Thọ, 2011).
3.2.3. Phân tích hệ số tương quan và phân tích hồi quy tuyến tính.
Phân tích hồi quy tuyến tính được sử dụng để kiểm định mối tương quan tuyến tính giữa các biến trong mô hình, giữa các biến độc lập với nhau và giữa biến phụ thuộc và biến độc lập. Có hai phương án để đánh giá mức độ tương quan trong phân tích hồi quy tuyến tính là qua đồ thị phân tán hoặc hệ số tương quan Pearson. Trong đó, hệ số tương quan Pearson càng tiến đến 1 thì hai biến có mối tương quan càng chặt chẽ (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Ngoài ra, tác giả cũng xem xét mối tương quan giữa các biến độc lập với nhau để đảm bảo đa cộng tuyến không xảy ra và đảm bảo mô hình hồi quy tuyến tính sử dụng được. Hệ số đa cộng tuyến có thể được kiểm định thông qua hệ số phóng đại phương sai (VIF), VIF > 10 thì sẽ xảy ra hiện tượng đa cộng tuyến (Nguyễn Đình Thọ, 2011).
Sau khi phân tích tương quan giữa các biến sử dụng, tác giả sẽ thực hiện các kỹ thuật hồi quy dựa trên ước lượng trung bình nhỏ nhất (OLS) với điều kiện là phân phối chuẩn được đảm bảo. Kết quả của hồi quy tuyến tính sẽ giúp kiểm định các giả thuyết đã nêu ra trong chương 2. Bên cạnh đó, hệ số góc thu được trong phương trình hồi quy tuyến tính sẽ đại diện cho mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc. Trong trường hợp các biến sử dụng cùng một thang đo định danh có giá trị từ 1 đến 5, thì hệ số góc càng lớn thì biến độc lập càng có ảnh hưởng mạnh đến biến phụ thuộc hơn so với các biến độc lập khác.
Trong nghiên cứu này, tác giả quyết định sử dụng các tiêu chuẩn sau trong phân tích hệ số tương quan và phân tích hồi quy tuyến tính:
- Hệ số R2 điều chỉnh là hệ số thể hiện phần biến thiên của ý định mua TPCN được giải thích bằng các biến quan sát.
- Kiểm định F để xem xét mức độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
- Đánh giá mức độ tác động giữa các biến độc lập đến biến phụ thuộc thông qua hệ số Beta.
- Cuối cùng, nhằm đánh giá kết quả phân tích hồi quy là phù hợp, các dò tìm vi phạm của giả định cần thiết trong hồi quy tuyến tính được thực hiện. Các giả định được kiểm định bao gồm giả định về liên hệ tuyến tính giữa các biến độc lập, tính độc lập của phần dư và hiện tượng đa công tuyến.
3.2.4. Phân tích sự khác biệt về xu hướng sử dụng theo các đặc điểm về nhân chủng học bằng kiểm định T-Test và ANOVA.
Sau khi có kết quả phân tích hồi quy tuyến tính, tác giả sẽ tiến hành phân tích sự khác biệt về ý định mua TPCN của người dân ở TP.HCM theo các thông tin về nhân chủng học bao gồm: giới tính, độ tuổi, trình độ học vấn, nghề nghiệp và thu nhập. Mục đích của phân tích này nhằm cung cấp các thông tin cần thiết cho những nhà phân phối hay những nhà sản xuất TPCN có chiến lược marketing toàn diện hơn đến người tiêu dùng ở TP.HCM.
Tóm tắt chương 3
Chương 3 trình bày phương pháp nghiên cứu, phương pháp chọn mẫu và quy trình nghiên cứu. Theo đó, bảng khảo sát sơ bộ được xây dựng từ cơ sở lý thuyết và được điều chỉnh thông qua khảo sát sơ bộ. Nghiên cứu sơ bộ được thực hiện bằng định tính và định lượng để điều chỉnh mô hình cho phù hợp. Nghiên cứu chính thực được thực hiện hoàn toàn bằng định lượng. Dữ liệu thu thập được phân tích bằng phần mềm SPSS theo quy trình: phân tích độ tin cậy, phân tích nhân tố và phân tích hồi quy.
Chương 4: KẾT QUẢ NGHIÊN CỨU
Từ kết quả khảo sát được thu thập, chương 4 sẽ tiến hành phân tích dữ liệu được khảo sát bằng phần mềm SPSS 16.0. Các phân tích dữ liệu trong chương này gồm có: phân tích thống kê mô tả mẫu, phân tích độ tin cậy, phân tích nhân tố, phân tích hồi quy và kiểm định mô hình lý thuyết và cuối cùng là kiểm định ANOVA để xem sự khác biệt về ý định mua TPCN khác nhau như thế nào trong các nhóm độ tuổi, giới tính, trình độ học vấn, nghề nghiệp và thu nhập.