CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU
3.3 Nghiên cứu định lượng
Nghiên cứu được thực hiện tại tỉnh Đồng Nai với phương pháp lấy mẫu thuận tiện phi xác suấ t.
Để chọn kích thước mẫu nghiên cứu phù hợp, theo các nhà nghiên cứu Hair et al.
(1998), Hoàng Trọng và Chu Nguyễn Mô ̣ng Ngọc (2008), đối với phân tích nhân tố khám phá (EFA) cỡ mẫu tối thiểu N ≥ 5*x (x: tổng số biến quan sát). Như vậy nghiên cứu này gồm 40 biến quan sát nên kích thước mẫu chấp nhận được là 200. (Cỡ mẫu N ≥ 5*40). Theo Nguyễn Đình Thọ (2013), trong một nghiên cứu thường dùng nhiều phương pháp xử lý khác nhau, chúng ta phải chọn kích thước mẫu càng lớn càng tốt.
Trong nghiên cứu này tác giả chọn kích thước mẫu đủ lớn để thỏa mãn điều kiện theo đề nghị của phương pháp nghiên cứu nhân tố EFA. Do đó kích thước mẫu trong bài nghiên cứu này tối thiểu là 200. Tuy nhiên để tăng tính đại diện cho tổng thể, tác giả đã tiến hành khảo sát thu về 414 bảng khảo sát, sau khi sàng lọc có 15 bảng khảo sát bị loại, còn lại 399 bảng khảo sát đưa vào phân tích.
3.3.2 Phương pháp thu thập thông tin
Phương pháp thu thập thông tin thứ cấp
Thông tin thứ cấp trong nghiên cứu được thu thập thông qua các tài liệu nghiên cứu về ý định mua trực tuyến sản phẩm thời trang nhanh của người tiêu dùng, các báo viết về thực trạng mua sản phẩm thời trang nhanh tại tỉnh Đồng Nai và ý định mua trực tuyến sản phẩm thời trang nhanh của người tiêu dùng để từ đó phân tích và chọn lọc đưa vào nghiên cứu của đề tài.
Phương pháp thu thập thông tin sơ cấp
Thông tin sơ cấ p được thu thập thông qua điều tra từ bảng câu hỏi khảo sát người tiêu dùng tại tỉnh Đồng Nai đang sử dụng internet và đang quan tâm đến mua trực tuyến sản phẩm thời trang nhanh.
3.3.3 Phương pháp xử lý thông tin
Phương pháp thống kê mô tả
Thực hiện thống kê mô tả nhằm mục đích thống kê được tần suất, phần trăm các thông tin cá nhân của người tiêu dùng trả lời khảo sát để đánh giá được đặc điểm người trả lời khảo sát và kiểm định sự khác biệt trong mức đô ̣ đánh giá của các nhóm.
Kiểm định độ tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là mô ̣t phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bô ̣ các biến của mỗi người trả lời. Phương pháp này cho phép người phân tích loại bỏ những biến không phù hợp và hạn chế các biến rác trong mô hình nghiên cứu vì nếu không chúng ta không thể biết được chính xác đô ̣ biến thiên cũng như đô ̣ lỗi của các biến.
Các nghiên cứu đề nghị rằng, hệ số Cronbach’s Alpha từ 0.6 trở lên là sử dụng được trong trường hợp khái niệm đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Hoàng Trọng & Chu Nguyễn Mô ̣ng Ngọc, 2005). Ngoài ra, hệ số tương quan biến – tổng dùng để kiểm tra mối tương quan chặt chẽ giữa các biến cùng đo lường mô ̣t khái niệm nghiên cứu. Nếu mô ̣t biến có hệ số tương quan biến - tổng ≥ 0.3 thì biến đó đạt yêu cầu (Nunnally et al., 1994). Do đó, căn cứ vào các tiêu chuẩn trên và đặc trưng của đối tượng nghiên cứu, tác giả kiểm định thang đo bằng phần mềm SPSS 22.0 chỉ giữ lại biến có hệ số Cronbach’s Alpha từ 0.6 và tương quan biến – tổng ≥ 0.3 được xem là chấp nhận và thích hợp đưa vào phân tích những bước tiếp theo.
Phân tích nhân tố EFA
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phân tích nhân tố được ứng dụng để tóm
khác nhau của các khái niệm nghiên cứu và tìm mối quan hệ giữa các biến với nhau.
Trong phân tích EFA, đại lượng Bartlett là đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau (các biến đo lường phản ánh những khía cạnh khác nhau của cùng mô ̣t yếu tố chung). Do đó nếu kiểm định cho thấ y không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Trị số KMO (KaiMeyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0.5 và 1) là điều kiện đủ để việc tiến hành phân tích nhân tố là thích hợp. Kiểm định Bartlett (Bartlett’s test) có ý nghĩa thống kê (sig < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể. Hệ số tải nhân tố (Factor Loading) là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA >= 0.5. Tổng phương sai trích (Total Varicance Explained) đạt giá trị từ 50%
trở lên, các nhân tố trích ra giải thích được bấy nhiêu phần trăm sự biến thiên của dữ liệu nghiên cứu (Anderson et al., 1988). Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) > 1 thì nhân tố rút ra có ý nghĩa tóm tắt thông tin tốt nhấ t.
Phân tích nhân tố khẳng định CFA
Trong kiểm định thang đo, phương pháp phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis), có nhiều ưu điểm hơn so với phương pháp truyền thống. Lý do là phương pháp CFA cho phép kiểm định cấu trúc lý thuyết của thang đo lường như mối quan hệ giữa mô ̣t khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường. Mặt khác, chúng ta có thể kiểm định giá trị hội tụ và giá trị phân biệt của thang đo mô ̣t cách rất đơn giản, trực quan, nhanh chóng mà không cần nhiều thủ tục như các phương pháp truyền thống khác.
Để đo lường mức đô ̣ phù hợp của mô hình với bô ̣ dữ liệu khảo sát, các nhà nghiên cứu sử dụng mô ̣t số chỉ số đánh giá như Chi-square/df; GFI; AGFI; CFI; RMSEA.
Nếu mô ̣t mô hình nhân được giá trị Chi-square/df < 3; GFI, AGFI, CFI từ 0.9 đến 1:
Một số đề tài do sự giới hạn về cỡ mẫu nên trị số GFI khó đạt được mức 0.9 bởi chỉ số này phụ thuô ̣c rất nhiều vào số thang đo, số biến quan sát và cỡ mẫu. Chính vì vậy, nếu giá trị GFI dưới 0.9 nhưng từ 0.8 trở lên thì vẫn được chấp nhận theo 2 công trình nghiên cứu của Baumgartner và Homburg (1995) và của Doll et al. (1994).
Phân tích nhân tố khẳng định (CFA) là bước phân tích tiếp theo của phân tích nhân tố khám phá EFA, bao gồm thiết kế để xác định, kiểm nghiệm và điều chỉnh các mô hình đo lường mô ̣t cách đô ̣c lập. Mục đích CFA là nhằm thiết lập các mô hình đo lường phù hợp tốt được dùng để kiểm định mô hình cấu trúc. Xác định đô ̣ phù hợp của mô hình dựa trên mô ̣t số chỉ số đánh giá như trên đã trình bày.
Kiểm định mô hình cấu trúc tuyến tính SEM
Mô hình cấ u trúc tuyến tính hay còn gọi là SEM (Structural Equation Modeling) là một kỹ thuật phân tích thống kê thế hệ thứ hai được phát triển để phân tích mối quan hệ đa chiều giữa nhiều biến trong mô ̣t mô hình (Haenlein et al. 2004). Đa quan hệ giữa các biến có thể được biểu diễn trong mô ̣t loạt các phương trình hồi quy đơn và bội. Kỹ thuật mô hình cấu trúc tuyến tính sử dụng kết hợp dữ liệu định lượng và các giả định tương quan (nguyên nhân - kết quả) vào mô hình. Với SEM, các nhà nghiên cứu có thể kiểm tra trực quan các mối quan hệ tồn tại giữa các biến quan tâm để ưu tiên các nguồn lực để phục vụ khách hàng tốt hơn. Thực tế là các biến tiềm ẩn khó đo lường có thể được sử dụng trong SEM làm cho nó lý tưởng để giải quyết các vấn đề nghiên cứu kinh doanh.
TÓM TẮT CHƯƠNG 3
Trong chương này, tác giả trình bày quy trình nghiên cứu, phương pháp lấ y mẫu, kích thước mẫu, phương pháp thu thập và phân tích dữ liệu. Tham vấn với giảng viên hướng dẫn và mô ̣t số người tiêu dùng để hoàn thiện các vấn đề nghiên cứu cùng với thang đo nghiên cứu. Thực hiện kiểm định thang đo nghiên cứu sơ bô ̣ với 20 mẫu.
Thông qua hai cách này giúp tác giả hiệu chỉnh thang đo và đưa ra bảng câu hỏi chính thức với tổng 40 thang đo. Thực hiện thông qua phương pháp định lượng với bảng khảo sát, lấy mẫu thuận tiện phi xác suất. Dữ liệu cho nghiên cứu chính thức thu thập từ bảng câu hỏi và được xử lý bằng phần mềm SPSS 22.0 và Amos 24.0.