Tổng Hợp Về Kết Quả Cronbach Alpha Của Các Nhân Tố Vừa Được Rút Ra.

Với Cronbach Alpha=0.952 nghĩa là thang đo này có đảm bảo độ tin cậy, và chỉ số này lớn hơn tất cả các chỉ số của các biến quan sát. Một lần nữa chúng ta không phải loại bất cứ biến quan sát nào, tất cả đều phù hợp với mô hình nghiên cứu.

Ta có bảng tổng hợp về kết quả Cronbach Alpha của các nhân tố vừa được rút ra như sau: (Chi tiết xem ở Phụ Lục 1)

Bảng 3.3: Tổng hợp về kết quả Cronbach Alpha của các nhân tố vừa được rút ra.

STT

Nhân tố	Số biến quan sát	Hệ số Cronback Alpha
1	Chất lượng cảm nhận	5	0.842
2	Nhận biết thương hiệu	4	0.830
3	Liên tưởng thương hiệu	4	0.868
4	Trung thành thương hiệu	4	0.845
5	Giá trị thương hiệu	3	0.897

Có thể bạn quan tâm!

Xem toàn bộ 116 trang tài liệu này.

Kết quả kiềm định độ tin cậy Cronbach Alpha các nhân tố cho thấy thang đo đều đạt yêu cầu về độ tin cậy.

3.2. Phân tích kết quả khảo sát‌

3.2.1 Thông tin mô tả mẫu và các biến nghiên cứu:

3.2.1.1 Mô tả mẫu

Có 250 mẫu khảo sát được gởi cho các nhà thuốc trên địa bàn Thành Phố Hồ Chí Minh, và nhận được 192 mẫu phản hồi. Sau khi loại bỏ các bản khảo sát không đạt yêu cầu, số lượng còn lại cuối cùng là 163 mẫu đạt yêu cầu. Các mẫu này được đưa vào phân tích dữ liệu với phần mềm SPSS 15.0. Bảng phân tích mẫu khảo sát được trình bày ở Phụ Lục 2.

- Về giới tính: Nam có 33 người trả lời khảo sát (20.2%), Nữ có 130 người trả lời khảo sát (79.8%)

- Về độ tuổi: tuổi từ 18-24 có 21 người (12.9%), 25-34 có 45 người (27.6%), 35-44 có

50 người (30.7%), 45-54 có 34 người (20.9%), lớn hơn 55 tuổi có 13 người (8%).

- Về đối tượng được khảo sát: Chủ nhà thuốc 91 người (55.8%), Dược sĩ nhà thuốc 9 người (5.5%), Nhân viên nhà thuốc 60 người (36.8%), thành phần khác 3 người (1.8%).

- Về trình độ học vấn: Dược sĩ đại học 32 người (19.6%), Dược sĩ trung học 93 người (57.1%), Bác sĩ 4 người (2.5%), Dược tá 31 người (19%), học vị khác 3 người (1.8%).

3.2.1.2 Thống kê mô tả các biến nghiên cứu: Bảng 3.4: Thống kê mô tả các biến nghiên cứu

STT

Biến quan sát	Số lượng mẫu	Điểm thấp nhât	Điểm cao nhât	Điểm trung bình
1	Nghĩ đến đầu tiên.	163	2	5	4.16
2	Nhận ra so với thương hiệu khác.	163	2	5	4.17
3	Nghĩ đến các đặc điểm.	163	2	5	3.92
4	Thân thuộc với thương hiệu.	163	1	5	4.17
5	Cung cấp dịch vụ rất tốt.	163	2	5	4.01
6	Sản phẩm chất lượng cao.	163	2	5	4.19
7	Nhân viên chuyên nghiệp.	163	2	5	4.10
8	Dịch vụ hậu mãi tốt.	163	1	5	3.70
9	Tin tưởng chất lượng sản phẩm.	163	2	5	4.06
10	Hình ảnh độc đáo.	163	1	5	3.77
11	Thương hiệu phân phối cao cấp.	163	2	5	4.21
12	Phân phối cho các hãng lớn.	163	2	5	4.25
13	Yêu mến các hãng do ZPV phân phối.	163	2	5	3.98
14	Sẽ sử dụng nếu hài lòng.	163	2	5	4.20
15	Là sự lựa chọn đầu tiên.	163	1	5	3.88
16	Sẽ chờ mua nếu không có sẵn.	163	1	5	3.28
17	Trung thành với các sản phẩm.	163	1	5	3.57
18	Sản phẩm giống nhau - thích làm việc với ZPV hơn.	163	1	5	3.80
19	Chất lượng phân phối giống nhau - thích làm việc với ZPV hơn.	163	1	5	3.69
20	Không khác chút nào - làm việc với ZPV là khôn ngoan.	163	1	5	3.56

Dễ dàng nhận thấy các biến quan sát có điểm trung bình rất khác nhau. Cao nhất là biến “Phân phối cho các hãng lớn” với số điểm 4.25. Điều đó có nghĩa là đa số khách hàng đều đồng ý với biến quan sát này và cho điểm rất cao cho tiêu chí này. Bên cạnh đó cũng có một vài biến quan sát điểm khá thấp. Biến “Sẽ chờ mua nếu không có sẵn” thấp nhất với 3.28 điểm. Điều này có nghĩa là một khi sản phẩm của công ty hết hàng, thì khả năng thay thế mặt hàng khác của khách hàng là rất lớn.

3.2.2 Kiểm định các giả thuyết và phân tích‌

3.2.2.1 Kiểm định các giả định của mô hình hồi quy:

Phân tích hồi quy không chỉ là việc mô tả các dữ liệu quan sát. Từ các kết quả quan sát trong mẫu, ta phải suy rộng kết luận cho mối liên hệ giữa các biến trong tổng thể. Sự chấp nhận và diễn dịch kết quả hồi quy không thể tách rời các giả định cần thiết của mô hình hồi quy. Nếu các giả định bị vi phạm, thì các kết quả ước lượng không đáng tin cậy nữa (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Vì thế, để đảm bảo sự diễn dịch từ kết quả hồi quy của mẫu cho tổng thể có giá trị, trong phần này, ta tiến hành kiểm định các giả định của hàm hồi quy tuyến tính cổ điển bao gồm các giả định sau:

+ Không có hiện tượng đa cộng tuyến

+ Phương sai của phần dư không đổi

+ Các phần dư có phân phối chuẩn

+ Không có hiện tượng tự tương quan giữa các phần dư

i. Giả định không có hiện tượng đa cộng tuyến

Trong mô hình hồi quy bội, chúng ta giả định giữa các biến độc lập của mô hình không có hiện tượng đa cộng tuyến. Hiện tượng này sẽ dẫn đến những hậu quả nghiêm trọng trong phân tích hồi quy như kiểm định t không có ý nghĩa, dấu của các ước lượng hệ số hồi quy có thể sai(23)... Hiện tượng này có thể được phát hiện thông qua nhân tử phóng đại phương sai VIF (Variance inflation factor). Khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). SPSS có những công cụ khác để xem xét có hay không sự xuất hiện của hiện tượng này như chỉ số điều kiện(24)(condition index).

23 Đa cộng tuyến đề cập đến sự tồn tại của nhiều hơn một mối quan hệ tuyến tính chính xác. (Hoàng Ngọc Nhậm, 2004)

24 (**)24Chỉ số điều kiện (condition index) lớn hơn 15 là một dấu hiệu cho thấy có thể xảy ra hiện tượng đa cộng tuyến (Trợ giúp trong phần mềm SPSS 15.0)

Bảng 3.5: Kiểm định nhân tố phóng đại VIF

Mô hình (Model)

Hệ số chưa chuẩn hóa (Unstandardized Coefficients)		Hệ số chuẩn hóa (Standardized Coefficients)	t	Mức ý nghĩa (Sig.)	Thống kê đa cộng tuyến (Collinearity Statistics)
		B	Độ lệch chuẩn (Std. Error)	Beta			Hệ số Toleranc e	Nhân tử phóng đại phương sai VIF
1	(Constant)	-.457	.273		-1.674	.096
	Nhận biết thương hiệu	-.022	.093	-.018	-.241	.810	.411	2.435
	Chất lượng cảm nhận	.366	.110	.277	3.329	.001	.328	3.046
	Liên tưởng thương hiệu	.144	.094	.124	1.532	.128	.346	2.893
	Trung thành thương hiệu	.585	.088	.491	6.624	.000	.414	2.416

Ta thấy trong bảng trên, nhân tử phóng đại phương sai (VIF – Variance Inflation factor) đều có giá trị nhỏ hơn 10 chứng tỏ không có hiện tượng đa cộng tuyến.

ii. Giả định phương sai của phần dư không đổi

Chúng ta xem xét đồ thị của phần dư chuẩn hóa theo giá trị dự báo của biến phụ thuộc “Giá trị thương hiệu” cũng đã được chuẩn hoá để kiểm tra xem có hiện tượng phương sai thay đổi hay không?

Scatterplot

Dependent Variable: Gia tri thuong hieu

Regression Standardized Residual

-2

-4

-3 -2 -1 0 1 2

Regression Standardized Predicted Value

Hình 3.3: Đồ thị phân tán

Quan sát đồ thị phân tán ở biểu đồ trên, ta thấy phần dư phân tán ngẫu nhiên xung quanh đường đi qua tung độ 0 chứ không tạo nên hình dạng nào. Như vậy, giả định phương sai không đổi của mô hình hồi quy không bị vi phạm.

iii. Giả định về phân phối chuẩn của phần dư:

Phần dư có thể không tuân theo phân phối chuẩn vì nhiều lý do: sử dụng mô hình không đúng, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Vì vậy, ta sử dụng nhiều cách kiểm định khác nhau để đảm bảo tính xác đáng của kiểm định. Các kiểm định phân phối chuẩn của phần dư như biểu đồ tần số của phần dư chuẩn hóa, biểu đồ tần số Q-Q lần lượt được trình bày. Trước hết, xem xét tần số của phần dư chuẩn hóa ở biểu đồ 11 Histogram bên dưới, ta thấy giả thuyết phân phối chuẩn không bị vi phạm.

Histogram

Dependent Variable: Gia tri thuong hieu

Frequency

-4 -2 0 2

Mean =-5.25E-17 Std. Dev. =0.988

N =163

Regression Standardized Residual

Hình 3.4: Biểu đồ tần số của phần dư chuẩn hóa

Biểu đồ 12 tần số Q-Q cũng cho thấy kết luận tương tự, với các chấm phân tán sát với đường chéo.

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Gia tri thuong hieu

1.0

Expected Cum Prob

0.8

0.6

0.4

0.2

0.0

0.2

0.4

0.6

0.8

1.0

Observed Cum Prob

Hình 3.5 : Biểu đồ tần số Q-Q

iv. Giả định về tính độc lập của phần dư

Một giả thuyết quan trọng của mô hình hồi quy tuyến tính cổ điển là không có sự tự ương quan(25) giữa các phần dư ngẫu nhiên tức là các phần dư độc lập với nhau. Khi xảy ra hiện tượng tự tương quan, các ước lượng của mô hình hồi quy không đáng tin cậy. Phương pháp kiểm định có ý nghĩa nhất để phát hiện ra tự tương quan là kiểm định Dubin – Watson. Nếu 1<d<3 thì kết luận mô hình không có tự tương quan, nếu 0<d<1 thì kết luận mô hình có tự tương quan dương, nếu 3<d<4 thì kết luận mô hình có tự tương quan âm (Hoàng Ngọc Nhậm, 2004). Kiểm định Dubin – Watson (Bảng 13 bên

25 Tự tương quan có thể hiểu là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian hoặc không gian. Nói một cách khác, mô hình cổ điển giả định rằng phần dư ứng với quan sát nào đó không bị ảnh hưởng bởi phần dư ứng với một quan sát khác. (Hoàng Ngọc Nhậm, 2004)

dưới) cho ta kết quả giá trị d bằng 1.765 xấp xỉ gần bằng 2, nghĩa là có thể chấp nhận giả thuyết không có tự tương quan giữa các phần dư.

3.2.2.2 Kiểm định về độ phù hợp và ý nghĩa các hệ số hồi quy của mô hình hồi quy:

i. Sự phù hợp của mô hình hồi quy:

Một công việc quan trọng của bất kỳ thủ tục thống kê xây dựng mô hình dữ liệu nào cũng là chứng minh sự phù hợp của mô hình. Hầu như không có hàm hồi quy nào phù hợp hoàn toàn với tập dữ liệu, vẫn luôn có sai lệch giữa các giá trị dự báo và các giá trị thực tế (thể hiện qua phần dư). Thang đo thông thường dùng để xác định mức độ phù hợp của mô hình hồi quy tuyến tính đã xây dựng so với dữ liệu là hệ số xác định R2. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).

Bảng 3.6: Tóm tắt mô hình-hệ số xác định R2

Mô hình

Model

Hệ số

Hệ số R2

R2 hiệu chỉnh

(Adjusted R Square)

Sai sô chuẩn của ước lượng

(Std. Error of the Estimate)

Hệ số

Durbin-Watson

.800(a)

.641

.631

.53361

1.765

Biến phụ thuộc: Giá trị thương hiệu

Trên bảng trên, ta thấy giá trị hệ số R2hiệu chỉnh là 0.641, nghĩa là mô hình hồi quy tuyến tính đã xây dựng phù hợp với dữ liệu 64%, hay nói cách khác, hơn 64% sự khác biệt về giá trị thương hiệu có thể được giải thích bởi sự khác biệt của 4 yếu tố Chất lượng cảm nhận, Nhận biết thương hiệu, Liên tưởng thương hiệu và Trung thành thương hiệu.

Xem tất cả 116 trang.

Ngày đăng: 23/10/2023