Phương Pháp Chọn Mẫu, Xác Định Quy Mô Mẫu

4.2. Phương pháp chọn mẫu, xác định quy mô mẫu

4.2.1. Phương pháp chọn mẫu4.2.2. Phương pháp xác định quy mô mẫu

4.2.1. Phương pháp chọn mẫu

+ Đề tài sử dụng phương pháp chọn mẫu thuận tiện: Khảo sát tất cả các đối tượng thỏa mãn hai điều kiện: (1) khách hàng nội địa; (2) khách hàng hiện đang sử dụng dịch vụ xe du lịch của công ty TNHH Nhi Na.

+ Sử dụng phương pháp phỏng vấn cá nhân trực tiếp: Đề tài tiến hành phỏng vấn và khảo sát các khách hàng đang sử dụng dịch vụ trên xe du lịch của công ty và các khách hàng đã sử dụng dịch vụ xe du lịch của Công ty TNHH Nhi Na trong giai đoạn 2018-2019 kết quả thu được 120 bảng hỏi hợp lệ.

4.2.2. Phương pháp xác định quy mô mẫu

Đề tài sử dụng một số công thức tính kích thước mẫu như sau:

+ Theo Hair và các cộng sự (1998): kích thước mẫu tối thiểu để đảm bảo tính đại

diện cho tổng thể theo nguyên tắc cỡ mẫu được chọn gấp 5 lần số biến độc lập. Mô

Có thể bạn quan tâm!

Xem toàn bộ 153 trang tài liệu này.

hình đo lường dự kiến có 24 biến quan sát, như vậy kích thước mẫu cần thiết là 24*5=120.

+ Ngoài ra, theo Tabachnick và Fidell (1991), để phân tích hồi quy đạt kết quả tốt nhất thì kích thước mẫu phải thỏa mãn công thức n >= 8m + 50. Trong đó n là kích thước mẫu và m là số biến độc lập của mô hình. Như vậy, với số biến độc lập của mô hình là m = 5 thì cỡ mẫu sẽ là 8*5 + 50 = 90. Từ việc xác định kích thước mẫu thỏa mãn công thức n = 120 > 90 phù hợp để phân tích hồi quy, đề tài này xác định kích thước mẫu cần điều tra là 120 khách hàng.

4.3. Phương pháp phân tích, xử lý số liệu

Từ những thông tin, số liệu sau khi thực hiện thu thập dữ liệu thứ cấp và sơ cấp để tiến hành phân tích, xử lý dữ liệu một cách khách quan, toàn diện (thông qua phần mềm xử lý dữ liệu SPSS) để đưa ra những đánh giá, nhận xét chính xác nhất về chất lượng dịch vụ xe du lịch của công ty.

Trường Đại học Kinh tế Huế

+ Số liệu thứ cấp: Các số liệu thứ cấp sau khi được thu thập từ công ty sẽ được tóm tắt và trình bày dữ liệu thông qua các công cụ như bảng biểu, đồ thị, đại lượng thống kê mô tả như tần số, giá trị trung bình.

+ Số liệu sơ cấp: Các số liệu sơ cấp sau khi được thu thập thông qua bảng hỏi sẽ được hiệu chỉnh, mã hóa, nhập dữ liệu, làm sạch và được xử lý, phân tích trên phần mềm hệ thống IBM SPSS Statistics 20. Bằng phần mềm SPSS, đề tài sử dụng các phương pháp phân tích, xử lý dữ liệu dưới đây:

4.3.1. Phân tích thống kê mô tả4.3.2. Kiểm định độ tin cậy của thang đo4.3.3. Phân tích nhân tố khám phá EFA4.3.4. Phân tích hồi quy tương quan

4.3.1. Phân tích thống kê mô tả

Sử dụng các công cụ tính toán, thống kê, sử dụng các bảng tần suất và biểu đồ để đánh giá những đặc điểm cơ bản của mẫu điều tra từ đó để xử lý các dữ liệu và thông tin thu thập được nhằm đưa ra các kết luận có tính khoa học và độ tin cậy cao về vấn đề nghiên cứu. Nghiên cứu sử dụng thống kê và chỉ lấy giá trị Frequency (tần suất), Valid Percent (% phù hợp) và Mean (giá trị trung bình) trong bảng thống kê đó.

4.3.2. Kiểm định độ tin cậy của thang đo

Độ tin cậy của thang đo được kiểm định thông qua hệ số Cronbach’s Alpha. Sử dụng Cronbach’s Alpha để kiểm tra độ tin cậy các tham số ước lượng trong tập dữ liệu

theo từng nhóm yếu tố trong mô hình. Những biến không đảm bảo độ tin cậy sẽ bị loại

khỏi tập dữ liệu. Cụ thể:

+ 0,8  Cronbach’s Alpha  1,0: Thang đo lường tốt.

+ 0,7  Cronbach’s Alpha  0,8: Thang đo có thể sử dụng được.

+ 0,6  Cronbach’s Alpha  0,7: Có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu.

Theo Nunnally & Burnstein (1994) thì thang đo có hệ số Cronbach’s Alpha từ 0,6 trở lên cũng có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới. Vì vậy đối với nghiên cứu này thì hệ số Cronbach’s Alpha từ 0,6 trở lên là chấp nhận được.

4.3.3. Phân tích nhân tố khám phá EFA

Trường Đại học Kinh tế Huế

Phân tích nhân tố khám phá EFA này được sử dụng để rút gọn một tập nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn có ý nghĩa hơn nhưng chúng vẫn chứa đựng hầu hết các thông tin của tập biến ban đầu (theo Hair & cộng sự, 1998).

Ở đây, trị số KMO là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng 0,5 đến 1,0 và giá trị Sig. < 0,05 thì phân tích này mới thích hợp, còn nếu trị số KMO < 0,5 thì phân tích nhân tố khám phá EFA có khả năng không thích hợp với các dữ liệu.

Số lượng nhân tố: Được xác định dựa trên chỉ số Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser (Kaiser Criterion), các nhân tố kém quan trọng bị loại bỏ, chỉ giữ lại những nhân tố quan trọng bằng cách xem xét giá trị Eigenvalue.

Ma trận nhân tố (Component Matrix): ma trận nhân tố chứa các hệ số biểu diễn các tiêu chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Trong đó, hệ số tải nhân tố (Factor Loading) biểu thị mối quan hệ tương qua giữa các biến quan sát với các nhân tố, hệ số này cho biết các biến và các nhân tố có liên quan chặt chẽ với nhau hay không, từ đó kết luận có nên loại bỏ biến hay tiếp tục tiến hành các bước phân tích tiếp theo.

4.3.4. Phân tích hồi quy tương quan

Sau khi đã lập bảng hỏi chính thức và tiến hành khảo sát sơ bộ, đề tài sẽ rút ra các biến định tính phù hợp để điều tra và lập mô hình hồi quy với các biến độc lập và biến phụ thuộc.

Sau khi rút trích các nhân tố từ phân tích nhân tố EFA, xem xét các giả định cần thiết trong mô hình hồi quy như kiểm tra phần dư chuẩn hóa, kiểm tra hệ số phóng đại phương sai VIF, kiểm tra giá trị Durbin – Watson. Nếu các giả định ở trên không bị vi phạm, mô hình hồi quy được xây dựng. Hệ số R Square cho thấy các biến độc lập đưa vào mô hình giải thích bao nhiêu phần trăm sự biến thiên của biến phụ thuộc.

Mô hình hồi quy có dạng: