TIỂU LUẬN MÔN TRANH TÀI GIẢI PHÁP PBL KHOA QTKD phân tích nhân tố khám phá EFA để loại các biến quan sát không phù hợp trong một nhân tố. ➢ Các tiêu chuẩn trong kiểm định Cronbach’s Alpha Hệ số tin cậy Cronbach’s Alpha là hệ số cho phép đánh giá mức độ phù hợp khi đưa các biến quan sát nào đó thuộc về một biến nghiên cứu. Tuy nhiên hệ số tin cậy chỉ cho biết các đo lường có liên kết với nhau hay không; để biết được biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo để loại bỏ đi và biến quan sát nào cần giữ lại chúng ta sẽ dựa vào hệ số tương quan biến tổng (Corrected Item - Total Correlation). Cụ thể các tiêu chí trong kiểm định hệ số tin cậy như sau: Hệ số tin cậy Cronbach’s Alpha: • α >= 0.9: Thang đo nhân tố rất tốt • 0.8: Thang đo nhân tố tốt • 0.7: Thang đo nhân tố chấp nhận được • 0.6: Thang đo nhân tố chấp nhận được với các nghiên cứu mới • 0.5: Thang đo nhân tố là không phù hợp • 0.5 > α: Thang đo nhân tố là không phù hợp Hệ số tương quan biến tổng (Corrected Item - Total Correlation): cho biến mức độ tương quan giữa một biến quan sát trong nhân tố với các biến còn lại.
Hệ số tương quan biến tổng phản ánh mức độ đóng góp của một biến quan sát cụ thể vào giá trị của nhân tố. Tiêu chuẩn hệ số tương quan biến tổng để đánh giá biến quan sát có đóng góp vào giá trị của nhân tố là ở mức >= 0.3 coi như không có đóng góp và cần loại bỏ biến quan sát đó ra khỏi nhân tố đánh giá. Hệ số Cronbach’s Alpha nếu bị loại biến (Cronbach’s Alpha if Item Deleted): nếu giá trị Cronbach’s Alpha If Item Deleted > Cronbach’s Alpha thì biến đó sẽ bị loại khỏi nhân tố đánh giá. KHẢO SÁT NHU CẦU SỬ DỤNG THẺ VÀ SỰ HÀI LÒNG CỦA KHÁCH HÀNG TẠI NH VIETCOMBANK 41 TIỂU LUẬN MÔN TRANH TÀI GIẢI PHÁP PBL KHOA QTKD 2.
Phân tích nhân tố khám phá EFA ➢ Phân tích nhân tố khám phá EFA là gì? Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến rất lớn, và trong số đó, có rất nhiều biến quan sát có sự liên hệ tương quan với nhau. Chẳng hạn như: Chúng ta có một đối tượng gồm có 20 đặc điểm cần nghiên cứu. Thay vì đi nghiên cứu từng đặc điểm một, chúng ta sẽ gộp chúng thành 4 đặc điểm lớn, bên trong 4 đặc điểm lớn bao gồm 5 đặc điểm nhỏ có sự tương quan lẫn nhau. Cách làm này sẽ giúp tiết kiệm thời gian và kinh phí cho nghiên cứu đồng thời vẫn không làm thay đổi kết quả.
Từ đó, sự ra đời của một phương pháp định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lần nhau thành một tập các nhân tố (các biến) có ý nghĩa hơn. Được gọi là phân tích nhân tố khám phá - (Exploratory Factor Analysis), gọi tắt là EFA. ➢ Ứng dụng phân tích nhân tố EFA Phân tích nhân tố khám phá EFA thường được sử dụng nhiều trong các lĩnh vực về kinh tế, quản trị, xã hội học, tâm lý… Trong nghiên cứu xã hội, phân tích EFA thường được dùng trong quá trình xây dựng thang đo (scale) nhằm kiểm tra tính đơn khía cạnh của thang đo và đo lường các khía cạnh khác nhau của khái niệm nghiên cứu. Trong kinh tế, phân tích nhân tố khám phá có ứng dụng rất rộng rãi, trong nhiều trường hợp và phổ biến nhất là: • Sử dụng trong phân khúc thị trường để phát hiện ra các nhân tố quan trọng dùng để phân nhóm người tiêu dùng.
Ví dụ như: Những người mua xe có thể được chia thành 4 nhóm theo sự chú trọng tượng đối về tính năng, tiện nghi, kinh tế và sự sang trọng. Từ đó đưa ra 4 phân khúc về sản phẩm cho người mua xe: những người tiêu dùng tìm kiếm tính kinh tế, người tiêu dùng tìm kiếm tiện nghi, người tiêu dùng tìm kiếm tính năng và người tiêu dùng tìm kiếm sự sang trọng. • Trong nghiên cứu định giá, ta có thể sử dụng phân tích EFA để nhận ra các đặc trưng của những người nhạy cảm với giá. Ví dụ những người tiêu dùng nhạy cảm với giá KHẢO SÁT NHU CẦU SỬ DỤNG THẺ VÀ SỰ HÀI LÒNG CỦA KHÁCH HÀNG TẠI NH VIETCOMBANK 42 TIỂU LUẬN MÔN TRANH TÀI GIẢI PHÁP PBL KHOA QTKD có thể là những người có suy nghĩ tiết kiệm, có tính ngăn nắp và không thích ra ngoài.
• Trong nghiên cứu sản phẩm, ta có thể sử dụng phân tích nhân tố để xác định các thuộc tính nhãn hiệu có ảnh hưởng đến sự lựa chọn của người tiêu dùng, Ví dụ như các nhãn hiệu kem chống nắng có thể được đánh giá theo khả năng như chỉ số chống tia UV, thời gian chống nắng tối đa và giá cả. • Trong nghiên cứu quảng cáo, phân tích nhân tố có thể dùng để tìm hiểu thói quen sử dụng phương tiện truyền thông (tv, báo giấy, internet, quảng cáo ngoài trời.) của thị trường mục tiêu. Từ đó đưa ra cách tiếp cận hiệu quả. ➢ Các tiêu chí trong phân tích nhân tố khám phá EFA Hệ số Factor Loading: Được định nghĩa là là trọng số nhân tố hay hệ số tải nhân tố.
Là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA.4 được xem là biến quan sát có ý nghĩa thống kê đạt được mức tối thiểu • Nếu Factor loading >= 0.5 được xem là biến quan sát có ý nghĩa thực tiễn • Nếu Factor loading >= 0.7: Biến quan sát có ý nghĩa thống kê rất tốt Hệ số KMO (Kaiser – Meyer - Olkin): Là chỉ số dùng để đánh giá sự thích hợp của phân tích nhân tố, cụ thể là so sánh độ lớn của hệ số tương quan giữa 2 biến với hệ số tương quan riêng phần của chúng. Trị số của KMO được đánh giá như sau: • KMO <0.90 >= KMO: Rất tốt => Để sử dụng EFA, thì KMO phải lớn hơn 0. KHẢO SÁT NHU CẦU SỬ DỤNG THẺ VÀ SỰ HÀI LÒNG CỦA KHÁCH HÀNG TẠI NH VIETCOMBANK 43 TIỂU LUẬN MÔN TRANH TÀI GIẢI PHÁP PBL KHOA QTKD Kiểm định Bartlett (Bartlett’s test of sphericity): Dùng để xem xét sự tương quan giữa các biến quan sát trong nhân tố. Nếu phép kiểm định Bartlett có ý nghĩa thống kê Sig Bartlett’s Test < 0.05 (p<5%), chứng tỏ các biến quan sát có tương quan với nhau.
Chúng ta có thể từ chối giả thuyết Ho (ma trận tương quan là ma trận đơn vị). Trị số Eigenvalue: Tiêu chí để xác định tổng số lượng nhân tố trong EFA. Chỉ những nhân tố nào có trị số Eigenvalue >= 1 mới được giữ lại trong mô hình phân tích nhân tố khám phá. Total Variance Explained: Trị số này thể hiện các nhân tố cô đọng được bao nhiêu phần trăm và thất thoát bao nhiêu phần trăm biến quan sát dựa trên mức đánh giá 100%.
Trị số này nên ở mức >= 50% thì mô hình EFA là phù hợp. Trên này là 4 tiêu chí quan trọng cần nắm và hiểu rõ để có thể đọc kết quả EFA trong SPSS. Tiếp theo, chúng ta sẽ đi vào tìm hiểu cách phân tích EFA trong SPSS chi tiết.7 Phân tích hồi quy tuyến tính bội trong SPSS ➢ Các tiêu chí trong phân tích hồi quy đa biến • Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square) Giá trị R2 và R2 hiệu chỉnh phản ánh mức độ giải thích biến phụ thuộc của các biến độc lập trong mô hình hồi quy. R2 hiệu chỉnh phản ánh sát hơn so với R2.
Mức dao động của 2 giá trị này là từ 0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là gần như không tưởng dù mô hình đó tốt đến nhường nào. Giá trị này thường nằm trong bảng Model Summary. Cần chú ý, không có tiêu chuẩn chính xác R2 hiệu chỉnh ở mức bao nhiêu thì mô hình mới đạt yêu cầu, chỉ số này nếu càng tiến về 1 thì mô hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu. Thường chúng ta chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 đến 1 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt.
Tuy nhiên, tùy vào dạng nghiên cứu và dạng dữ liệu, không phải lúc nào cũng bắt buộc rằng mô hình hồi quy phải đạt giá trị R2 hiệu chỉnh lớn hơn 0. KHẢO SÁT NHU CẦU SỬ DỤNG THẺ VÀ SỰ HÀI LÒNG CỦA KHÁCH HÀNG TẠI NH VIETCOMBANK 44 TIỂU LUẬN MÔN TRANH TÀI GIẢI PHÁP PBL KHOA QTKD • Kiểm định F Giá trị sig của kiểm định F được sử dụng để kiểm định độ phù hợp của mô hình hồi quy. Nếu sig nhỏ hơn 0.05, ta kết luận mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử đụng được. Giá trị này thường nằm trong bảng ANOVA.
• Hệ số Durbin Watson Trị số Durbin – Watson (DW) dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất (kiểm định tương quan của các sai số kề nhau). DW có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2, nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch. Theo Field (2009), nếu DW nhỏ hơn 1 và lớn hơn 3, chúng ta cần thực sự lưu ý bởi khả năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất. Theo Yahua Qiao (2011), thường giá trị DW nằm trong khoảng 1.5 sẽ không xảy ra hiện tượng tự tương quan, đây cũng là mức giá trị tiêu chuẩn chúng ta sử dụng phổ biến hiện nay.
Để đảm bảo chính xác, chúng ta sẽ tra ở bảng thống kê Durbin-Watson (có thể tìm bảng thống kê DW trên Internet). Giá trị này thường nằm trong bảng Model Summary. Hệ số k’ là số biến độc lập đưa vào chạy hồi quy, N là kích thước mẫu. Nếu N của bạn là một con số lẻ như 175, 214, 256, 311….
mà bảng tra DW chỉ có các kích thước mẫu làm tròn dạng 150, 200, 250, 300, 350… thì bạn có thể làm tròn kích thước mẫu với giá trị gần nhất trong bảng tra. Ví dụ: 175 làm tròn thành 200; 214 làm tròn 200; 256 làm tròn 250, 311 làm tròn 300… • Kiểm định t Giá trị sig của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy.
