3.3.2 Kết quả phân tích nhân tố khám phá EFA sơ bộ
Thực hiện phân tích EFA đối với 150 quan sát trong mẫu nghiên cứu sơ bộ, kết quả cho thấy với bộ dữ liệu trích xuất được 12 biến như luận án xây dựng.
Luận án thực hiện phân tích nhân tố khám phá EFA với phương pháp Principal Axis Factoring, phép xoay Promax và sử dụng mô hình Pattern Matrix để sử dụng cho phân tích nhân tố khẳng định CFA.
Kiểm định KMO cho giá trị 0,716 > 0,5 và kiểm định Bartlett’s cho giá trị Sig.
= 0,000 < 0,05 (Bảng 3.9) nên cho thấy đạt yêu cầu để thực hiện phân tích nhân tố khám phá.
Bảng 3.9: KMO and Bartlett's Test thang đo các biến
0,716 | ||
Kiểm định Bartlett | Giá trị Chi bình phương xấp xỉ | 6402,076 |
Giá trị bậc tự do df | 1711 | |
Giá trị Sig. | 0,000 |
Có thể bạn quan tâm!
-
Sự Khác Biệt Giữa Các Nhóm Nhân Viên Theo Đặc Điểm Nhân Khẩu Học -
Giai Đoạn 3: Nghiên Cứu Chính Thức Bước 10: Khảo Sát Chính Thức -
Đánh Giá Sơ Bộ Thang Đo Thông Qua Hệ Số Cronbach’S Alpha -
Kết Quả Thống Kê Mô Tả Thang Đo Kiến Thức Thương Hiệu -
Kết Quả Thống Kê Mô Tả Thang Đo Thương Hiệu Nội Bộ -
Kết Quả Đánh Giá Mức Độ Phù Hợp Mô Hình Nhân Tố Khẳng Định
Xem toàn bộ 320 trang tài liệu này.
Nguồn: Kết quả khảo sát, 2019 Kết quả rút trích được 12 nhân tố có Eigenvalue > 1 với 78,131% phương sai được rút trích (lớn hơn 0,5) được thể hiện qua Bảng 3.10. Như vậy, các nhóm nhân tố đã được rút gọn từ các biến quan sát và các nhân tố rút gọn đều phù hợp với thang
đo xây dựng.
Bảng 3.10: Kết quả phân tích phương sai nhân tố
Eigenvalue | % phương sai | Phương sai tích lũy (%) | |
1 | 7,490 | 12,695 | 12,695 |
2 | 6,342 | 10,750 | 23,444 |
3 | 4,981 | 8,442 | 31,886 |
4 | 4,348 | 7,370 | 39,256 |
5 | 3,848 | 6,523 | 45,778 |
6 | 3,515 | 5,957 | 51,735 |
7 | 3,275 | 5,552 | 57,287 |
8 | 3,017 | 5,113 | 62,400 |
9 | 2,661 | 4,510 | 66,911 |
10 | 2,561 | 4,341 | 71,252 |
11 | 2,455 | 4,161 | 75,413 |
12 | 1,604 | 2,718 | 78,131 |
Nguồn: Kết quả khảo sát, 2019
Kết quả phân tích nhân tố với hệ số tải cao chỉ trên một nhân tố nhất định và các biến đều có hệ số tải nhân tố > 0,5 (Bảng 3.11). Nói cách khác, không có biến quan sát nào bị loại sau khi thực hiện phân tích EFA, đủ điều kiện để sử dụng cho phân tích nhân tố khẳng định ở bước tiếp theo (Phụ lục 8B)
Bảng 3.11: Kết quả phân tích nhân tố khám phá
Component | ||||||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | |
CKTH15 | 0.950 | |||||||||||
CKTH19 | 0,885 | |||||||||||
CKTH20 | 0,858 | |||||||||||
CKTH14 | 0,845 | |||||||||||
CKTH18 | 0,842 | |||||||||||
CKTH17 | 0,822 | |||||||||||
CKTH16 | 0,821 | |||||||||||
VTRR13 | 0,882 | |||||||||||
VTRR7 | 0,882 | |||||||||||
VTRR8 | 0,868 | |||||||||||
VTRR12 | 0,855 | |||||||||||
VTRR10 | 0,846 | |||||||||||
VTRR11 | 0,846 | |||||||||||
VTRR9 | 0,773 | |||||||||||
KTTH5 | 0,892 | |||||||||||
KTTH4 | 0,874 | |||||||||||
KTTH2 | 0,874 | |||||||||||
KTTH3 | 0,851 | |||||||||||
KTTH6 | 0,848 | |||||||||||
KTTH1 | 0,814 | |||||||||||
PT38 | 0,936 | |||||||||||
PT35 | 0,900 | |||||||||||
PT34 | 0,892 | |||||||||||
PT36 | 0,877 | |||||||||||
PT37 | 0,868 | |||||||||||
TG30 | 0,910 | |||||||||||
TG29 | 0,876 | |||||||||||
TG33 | 0,873 | |||||||||||
TG31 | 0,840 | |||||||||||
TG32 | 0,835 | |||||||||||
HH52 | 0,871 | |||||||||||
HH53 | 0,857 | |||||||||||
HH54 | 0,855 | |||||||||||
HH55 | 0,844 | |||||||||||
HH51 | 0,825 | |||||||||||
CN27 | 0,916 | |||||||||||
CN28 | 0,898 | |||||||||||
Component | |||||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
CN26 | 0,883 | ||||||||||
CN25 | 0,875 | ||||||||||
DT47 | 0,912 | ||||||||||
DT45 | 0,895 | ||||||||||
DT44 | 0,895 | ||||||||||
DT46 | 0,884 | ||||||||||
LV22 | 0,940 | ||||||||||
LV24 | 0,922 | ||||||||||
LV21 | 0,903 | ||||||||||
LV23 | 0,774 | ||||||||||
GTTH57 | 0,892 | ||||||||||
GTTH59 | 0,890 | ||||||||||
GTTH58 | 0,871 | ||||||||||
GTTH56 | 0,851 | ||||||||||
DM40 | 0,863 | ||||||||||
DM41 | 0,830 | ||||||||||
DM39 | 0,824 | ||||||||||
DM43 | 0,775 | ||||||||||
DM42 | 0,752 | ||||||||||
DH50 | 0,751 | ||||||||||
DH49 | 0,700 | ||||||||||
DH48 | 0,665 | ||||||||||
Nguồn: Kết quả khảo sát 2019
3.4 PHƯƠNG PHÁP NGHIÊN CỨU ĐỊNH LƯỢNG CHÍNH THỨC
3.4.1 Xác định cỡ mẫu và phương pháp chọn mẫu
3.4.1.1 Xác định cỡ mẫu
Tổng thể của nghiên cứu là tập hợp tất cả các phần tử thuộc hiện tượng nghiên cứu cần được quan sát, thu thập và phân tích. Trong nghiên cứu về các nhân tố ảnh hưởng đến EBBE, tổng thể nghiên cứu là toàn bộ nhân viên các ngân hàng thương mại tại các NHTM Việt Nam. Nghiên cứu sử dụng thang đo Likert và xây dựng thang đo gồm thành phần thuộc các biến độc lập, biến phụ thuộc. Dựa trên thang đo được hoàn thiện, nghiên cứu tiến hành xác định cỡ mẫu phù hợp với nghiên cứu.
Kích thước mẫu nghiên cứu đóng vai trò quan trọng trong việc đảm bảo mức độ chính xác của kết quả nghiên cứu.
Để xác định kích cỡ mẫu nghiên cứu phù hợp với phương pháp phân tích EFA có nhiều quan điểm khác nhau. Theo Hair, Anderson, Tatham và Black (1998), kích
thước mẫu tối thiểu để sử dụng phương pháp phân tích EFA phải gấp 5 lần tổng số biến quan sát hay còn gọi là câu hỏi đo lường. Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005) cho rằng số lượng mẫu nên gấp 4 hoặc 5 số lượng câu hỏi đo lường. Với thang đo dự kiến 59 biến thì mẫu quan sát tối thiểu là 59*5= 295.
3.4.1.2 Phương pháp chọn mẫu
Số liệu sơ cấp thu thập để phục vụ cho việc xác định các nhân tố ảnh hưởng đến EBBE. Để đảm bảo dữ liệu có thể đại diện cho nhân viên tại các NHTM Việt Nam, đề tài xác định số lượng phiếu khảo sát phát ra là 700 phiếu. Đề tài tiến hành thực hiện khảo sát bằng hình thức gửi thư và trực tiếp đến các nhân viên làm việc tại NH tại 05 TP lớn trực thuộc TW. Mẫu nghiên cứu được lựa chọn theo phương pháp phân tầng để thuận tiện về mặt thời gian và chi phí cũng như đảm bảo được số lượng mẫu phục vụ nghiên cứu. Việc phân bổ mẫu nghiên cứu theo phương pháp phân tầng căn cứ vào số lượng nhân viên đang làm việc tại các NHTM ở một số thành phố trực thuộc trung ương như Hà Nội, Hải Phòng, Đà Nẵng, Hồ Chí Minh và Cần Thơ. Thông qua mối quan hệ công tác của tác giả trong lĩnh vực ngân hàng, tác giả đã tiến hành phân bổ số lượng mẫu khảo sát ở các địa phương này như được trình bày trong bảng 3.12.
Bảng 3.12: Bảng phân bổ mẫu khảo sát
Thành phố | Số lượng quan sát | |
1 | Tp. Hà Nội | 263 |
2 | Tp. Hải Phòng | 66 |
3 | Tp. Đà Nẵng | 37 |
4 | Tp. Hồ Chí Minh | 293 |
5 | Tp. Cần Thơ | 40 |
Tổng cộng | 700 |
Nguồn: Tính toán của tác giả Với 700 phiếu phát ra, chỉ thu về 603 phiếu, trong đó, chỉ có 574 phiếu hợp lệ, chiếm tỷ lệ 82% số phiếu phát ra và đạt các tiêu chuẩn về số lượng mẫu trong nghiên
cứu.
Số liệu nghiên cứu thứ cấp được dùng để đánh giá về GTTH của các NHTM, vị trí thương hiệu của các NHTM và hiệu quả hoạt động của các NHTM trong giai đoạn nghiên cứu 2006 – 2018. Số liệu thứ cấp được thu thập từ báo cáo thường niên
kiểm toán của các NHTM. Các nội dung về GTTH, vị thế thương hiệu trên thị trường được thu thập từ các bên đánh giá độc lập, khách quan, đáng tin cậy đo và bảng khảo sát.
Sau khi thu thập được mẫu số liệu đảm bảo được kích thước mẫu phù hợp, đề tài sẽ thực hiện kiểm định lại thang đo, mô hình nghiên cứu. Đề tài sử dụng SPSS để xử lý số liệu thu thập: Hệ số tin cậy Cronbach’s Alpha, phân tích EFA, phân tích CFA và hồi quy cấu trúc tuyến tính SEM được sử dụng để kiểm tra mối quan hệ giữa các biến đến EBBE của các NHTM Việt Nam.
3.4.2 Các phương pháp phân tích và xử lý dữ liệu
3.4.2.1 Thống kê mô tả
Luận án tiến hành thống kê mô tả và phân tích tần số của một số thuộc tính phân loại để kiểm tra tính đại diện của mẫu nghiên cứu so với tổng thể như: độ tuổi, thu nhập bình quân hàng tháng, trình độ, thâm niên…
Ngoài ra, đề tài sử dụng bảng tần suất để thống kê tần suất xuất hiện của các biến với các đại lượng thống kê mô tả thường dùng là trung bình cộng, tổng cộng, độ lệch chuẩn, giá trị nhỏ nhất, giá trị lớn nhất, sai số chuẩn.
3.4.2.2 Kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha
Trong nghiên cứu này, hệ số Cronbach’s Alpha sẽ được sử dụng để kiểm tra độ tin cậy thang đo trong từng nhóm yếu tố của mô hình đề xuất.
Các tiêu chí được đề ra nhằm đánh giá độ tin cậy của thang đo như sau:
- Đối với hệ số tương quan biến – tổng các hệ số này cần phải đạt ít nhất 0,3 để đạt mức độ tin cậy. Trong trường hợp những biến quan sát có hệ số tương quan biến nhỏ hơn 0,3 sẽ được xem là biến rác và bị loại ra khỏi mô hình;
- Hệ số Cronbach’s Alpha phải đạt từ 0,6 trở lên thì mới có thể chấp nhận độ tin cậy;
- Theo một số nhà nghiên cứu cho rằng, thang đo được thể hiện tốt khi có hệ số Cronbach’s Alpha từ 0,8 trở lên, thang đo đạt mức khá khi có hệ số nằm trong khoảng từ 0,7 đến gần 0,8. Bên cạnh đó, hệ số Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được (Nunnally, 1978; Peterson, 1994; Slater, 1995).
Tóm lại, luận án sẽ tiến hành nghiên cứu mức độ tin cậy của nghiên cứu. Những biến có hệ số tương quan biến nhỏ hơn 0,3 sẽ bị loại đồng thời hệ số Cronbach’s
Alpha phải đạt từ 0,6 trở lên mới được chấp nhận.
3.4.2.3 Phân tích nhân tố khám phá (EFA - Exploratory Factor Analysis)
Đây là phương pháp được sử dụng trong các nghiên cứu với bộ dữ liệu đa biến phụ thuộc lẫn nhau (interdependence techniques). Phân tích EFA được “sử dụng để rút gọn một tập biến gồm k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn để tóm tắt thông tin. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát” (Nguyễn Đình Thọ, 2011, Phương pháp nghiên cứu khoa học trong kinh doanh - Thiết kế và thực hiện, trang 50). Ba thuộc tính quan trọng được xem xét khi đánh giá thang đo trong phân tích EFA là:
(1) số lượng nhân tố trích được, (2) trọng số nhân tố và (3) tổng phương sai trích. Cụ thể theo Nguyễn Đình Thọ (2011):
- “Số lượng nhân tố trích được thực hiện kiểm tra kết quả thang đo xem số lượng nhân tố trích có phù hợp với giả thuyết ban đầu về số lượng thành phần của thang đo đối với thang đo đa hướng hoặc số lượng khái niệm đơn hướng. Dựa vào tiêu chí Eigen-value, số lượng nhân tố được xác định ở nhân tố dừng có Eigen-value tối thiểu bằng 1”. Trọng số nhân tố hay còn gọi là hệ số tải nhân tố (Factor loadings) là những hệ số tương quan đơn giữa các biến và các nhân tố.
- “Trọng số nhân tố của một biến trên nhân tố mà nó là một biến đo lường sau khi quay nhân tố phải cao và các trọng số trên nhân tố mà nó không đo lường phải thấp; có nghĩa là hệ số tải nhân tố phải cao ở mức độ mà phần chung phải lớn hơn hoặc bằng phần riêng và sai số. Hay nói cách khác trên 50% phương sai của biến đo lường được giải thích bởi nhân tố hay hệ số tải nhân tố > = 0.5 là đạt yêu cầu”.
- Tổng phương sai trích: thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường hay thể hiện thang đo giải thích được bao nhiêu phần trăm sự biến thiên của dữ liệu. Tổng phương sai trích phải lớn hơn hoặc bằng 50% trở lên, nghĩa là phần chung phải lớn hơn hoặc bằng phần riêng và sai số. Nếu tổng này đạt từ 60% trở lên thì được xem là tốt”.
Một điểm cần lưu ý là những giá trị trọng số nhân tố và tổng phương sai trích để thang đo được chấp nhận này là về mặt thống kê, trong nghiên cứu thống kê chỉ là công cụ chứ không phải là tất cả. Vấn đề loại bỏ biến có trọng số nhân tố thấp (theo tiêu chí thống kê) cần chú ý đến giá trị nội dung của biến đó đóng góp vào giá
trị nội dung của khái niệm nó đo lường (Nguyễn Đình Thọ, 2011).
- Hệ số Kaiser-Meyer-Lokin (KMO) quan tâm trong phương pháp này vì hệ số KMO dùng để xem xét sự thích hợp trong việc đưa các biến vào phân tích nhân tố. Hệ số KMO lớn khi đạt từ 0,5 đến 1,0 đây là điều kiện đủ để phân tích nhân tố thích hợp, khi hệ số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
3.4.2.4 Phân tích nhân tố khẳng định CFA
Phương pháp phân tích nhân tố khẳng định (Confirmatory Factor Analysis) được dùng để kiểm định thang đo một cách chính xác hơn. Đây là phương pháp nhằm xác định sự phù hợp của số liệu nghiên cứu với mô hình lý thuyết. Nếu phương pháp EFA giúp nhà nghiên cứu tìm ra một số yếu tố phù hợp đặc trưng cho số liệu thì phân tích CFA sử dụng khi nhà nghiên cứu có sẵn kiến thức về cấu trúc biến tiềm ẩn cơ sở. Nói cách khác, CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp các quan sát hay không (Nguyễn Trọng Hoài và ctg, 2009). Cụ thể phương pháp này giúp đánh giá thang đo ở năm khía cạnh: (1) tính đơn hướng, (2) độ tin cậy, (3) giá trị hội tụ, (4) giá trị phân biệt và (5) giá trị liên hệ lý thuyết.
Để đánh giá giá trị thang đo trong phân tích CFA, các nhà nghiên cứu thường dùng các chỉ số:
- Chi-square có P-value < 0.05, Chi-square/ df = < 3, (Bentler & Bonett, 1980).
- Hệ số GFI, TLI, CFI > = 0.9, và RMSEA = < 0.08 được xem là mô hình phù hợp với dữ liệu thị trường (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2008). Mức độ phù hợp của mô hình đo lường với dữ liệu thị trường cho chúng ta điều kiện cần và đủ cho tập biến quan sát đạt được tính đơn hướng (Steenkamp & van Trijp, 1991)
- Hệ số tin cậy tổng hợp, tổng phương sai trích lớn hơn 0.5 (đánh giá độ tin
cậy).
- Trọng số chuẩn hóa của các thang đo > 0.5 và có ý nghĩa thống kê (p < 0.05)
(Anderson and Gerbring, 1988) hoặc theo Steenkamp and van Trijp (1991) thì trọng số này phải lớn hơn 0.57 và có ý nghĩa thì thang đo đạt giá trị hội tụ .
- Để đo lường sự khác biệt các khái niệm thì xem xét sự tương quan giữa các thành phần của khái niệm hoặc giữa các khái niệm thực sự khác biệt so với 1 (Steenkamp and van Trijp, 1991).
3.4.2.5 Kiểm định mô hình lý thuyết bằng mô hình cấu trúc tuyến tính SEM
Mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) được xem là một phần mở rộng của kỹ thuật đa biến như phân tích hồi quy và phân tích đa yếu tố (Hair & ctg, 2010). Ưu điểm mô hình SEM là phối hợp được tất cả các kỹ thuật trong hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương để cho phép kiểm tra mối quan hệ phức hợp giữa các biến trong mô hình. Do đó, SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn, đo các mối quan hệ ổn định và không ổn định, đo các ảnh hưởng trực tiếp cũng như gián tiếp (Hair & ctg, 2010).
Theo Hair và cộng sự (2010), “để đo lường mức độ phù hợp với thông tin thị trường, người ta thường sử dụng: Chisquare (CMIN), Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp tốt (GFI Good of Fitness Index); chỉ số thích hợp so sánh (CFI- Comparative Fit Index); chỉ số Tucker và Lewis (TLI-Tucker và Lewis Index); chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu thị trường nếu kiểm định Chi-square có P-value
>0.05; CMIN/df =< 2, một số trường hợp CMIN/df có thể =< 3; GFI, TLI, CFI >= 0.9; và RMSEA =<0.08” (Nguyễn Thanh Trung, 2015). Tuy nhiên, theo quan điểm gần đây của các nhà nghiên cứu thì GFI vẫn có thể chấp nhận được khi nhỏ hơn 0.9 (Hair và cộng sự, 2010).
Để đánh giá độ tin cậy của thang đo sử dụng hệ số tin cậy tổng hợp, tổng phương sai trích và Cronbach’s alpha. Thang đo đạt được giá trị hội tụ khi trọng số chuẩn hóa của các thang đo đều >0.5 và có ý nghĩa thống kê (Anderson và Gebring, 1988). Ngoài ra, cần kiểm định giá trị phân biệt. Giá trị phân biệt đạt được khi: Tương quan giữa hai thành phần của khái niệm (within construct) hoặc hai khái niệm (across-construct) thực sự khác biệt so với 1 (Nguyễn Thanh Trung, 2015).