Luận văn: PPNC thương hiệu đến lòng trung thành thương hiệu

Tác động của trải nghiệm thương hiệu đến lòng trung thành thương hiệu – Nghiên cứu tại Ngân hàng Thương Mại Cổ Phần  Công Thương Việt Nam khu vực Thành phố Hồ Chí Minh

3.1 Quy trình nghiên cứu

Dựa trên những nghiên cứu trước đây, nghiên cứu này cũng xây dựng trên cơ sở qua hai bước nghiên cứu chính là nghiên cứu định tính và định lượng.

Nghiên cứu định tính: Dựa vào các mô hình và lý thuyết đã trình bày ở chương 2, tác giả nghiên cứu định tính dựa trên phương pháp phỏng vấn sâu chuyên gia và thảo luận nhóm để điều chỉnh mô hình và thành lập thang đo. Quá trình nghiên cứu định tính, tác giả tiến hành phỏng vấn sâu chuyên gia với 5 chuyên gia là những thành viên hiểu rõ được lý thuyết và thực tiễn về lĩnh vực nghiên cứu thương hiệu nhằm xác định các nhân tố và xây dựng thang đo. Sau đó tác giả tiến hành thảo luận nhóm 10 khách hàng đã hoặc đang sử dụng các sản phẩm hoặc dịch vụ của ngân hàng VietinBank. Nghiên cứu trên nhằm tìm hiểu những quan điểm của khách hàng và chuyên gia về mô hình và các biến quan sát của tác giả đã phù hợp với đề tài nghiên cứu và tình hình thực tiễn trong năm 2022.

Nghiên cứu định lượng: Được thực hiện thông qua phỏng vấn 400 khách hàng đã và đang sử dụng dịch vụ và sản phẩm của ngân hàng VietinBank, thực hiện đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha, phân tích nhân tố khám phá EFA, kiểm định mô hình bằng CFA và SEM và Kiểm định T-test và Anova.

3.2 Thang đo lường các khái niệm nghiên cứu

Nghiên cứu các thang đo được kế thừa từ nhiều nguồn tác giả. Đồng thời, thang đo chi tiết của từng thành phần cũng được tham khảo của nhiều chuyên gia thảo luận góp ý điều chỉnh cho dễ hiểu và phù hợp với thực tế sản phẩm của thương hiệu nghiên cứu hơn. Tác giả đưa ra 05 yếu tố thông qua trải nghiệm có liên quan ảnh hưởng đến niềm tin khách hàng và lòng trung thành thương hiệu; cũng như ảnh hưởng của niềm tin khách hàng đến lòng trung thành thương hiệu VietinBank, gồm: Trải nghiệm giác quan, trải nghiệm tình cảm, trải nghiệm tri thức, trải nghiệm hành vi, trải nghiệm liên kết, niềm tin thương hiệu, lòng trung thành thương hiệu.

Các thang đo và các biến quan sát sử dụng thang đo Likert (5 mức độ) và được mô tả chi tiết nhằm xác định yếu tố ảnh hưởng đến lòng trung thành của khách hàng. Thang đo Likert (Likert R.A., 1932)

• Mức 1: Hoàn toàn không đồng ý
• Mức 2: Không đồng ý
• Mức 3: Trung lập
• Mức 4: Đồng ý
• Mức 5: Hoàn toàn đồng ý

Bảng 3. 1: Thang đo tham khảo

(Nguồn: tác giả tổng hợp)

Kết quả phỏng vấn sâu từ 5 chuyên gia thì các chuyên gia đều đồng ý với mô hình gồm 03 yếu tố: Trải nghiệm thương hiệu, Niềm tin thương hiệu và lòng trung thành thương hiệu với 34 biến quan sát. Chi tiết kết quả khảo sát định tính được trình bày tại mục phụ lục 1.

Sau khi cuộc thảo luận nhóm kết thúc, tác giả đánh giá và tổng hợp lại các ý kiến. Đa số các thành viên tham gia thảo luận nhóm đều đồng ý rằng: Nội dung thảo luận rõ ràng và dễ hiểu, các biến quan sát được đề xuất để đo lường các thang đo tương đối phù hợp với mô hình. Chi tiết kết quả thảo luận nhóm được trình bày tại phụ lục 3.

3.3 Phương pháp chọn mẫu

Phương pháp chọn mẫu theo phương pháp lấy mẫu phi xác suất kiểu thuận tiện, bảng câu hỏi được gửi trực tiếp cho người được phỏng vấn theo hình thức kết hợp khảo sát trực tiếp và biểu mẫu Google.

Nghiên cứu sử dụng phương pháp phân tích cấu trúc tuyến tính (SEM). Theo (Hair J. F., 2014) đưa ra các đề xuất cỡ mẫu tối thiểu dựa trên độ phức tạp của mô hình và các đặc điểm cơ bản của mô hình đo lường như sau:

Cỡ mẫu tối thiểu 100: các mô hình có từ 5 khái niệm trở xuống với mỗi khái niệm được mô tả bởi ít nhất 3 biến đo lường và có communalities cao (từ 0.60 trở lên).

Cỡ mẫu tối thiểu 150: các mô hình có từ 7 khái niệm trở xuống, giá trị tối thiểu của các communalities là 0.50 và không có các khái niệm được xác định dưới mức (underidentified constructs).

Cỡ mẫu tối thiểu 300: các mô hình có từ 7 khái niệm trở xuống, có các communalities thấp (nhỏ hơn 0.45) và tồn tại (ít hơn 3) khái niệm được xác định dưới mức.

Cỡ mẫu tối thiểu 500: các mô hình với số khái niệm nhiều hơn, một vài giá trị communalities thấp và có khoảng 3 biến đo lường cho mỗi khái niệm.

Công thức lấy mẫu theo hồi quy Green (1991), với kích thước mẫu tối thiểu cho phân tích hồi quy là: N = 50 + 8*số biến độc lập tham gia = 50 + 8*6 = 98 mẫu

Theo Comrey (1973) , cỡ mẫu tối thiểu là: N= 5*biến quan sát = 5*34 = 170 mẫu (tối thiểu)

Do vậy trong đề tài này, dựa trên cỡ mẫu tối thiểu là 170 mẫu tác giả đề xuất quy mô mẫu khảo sát là 300 đến 350 mẫu.

3.4 Phương pháp xử lý dữ liệu

Thống kê mô tả: lập bảng tần số, để thống kê các đặc điểm của mẫu thu thập theo giới tính, nhóm tuổi, mức thu nhập/tháng, trình độ, tình trạng hôn nhân, thâm niên công tác.

Đánh giá thang đo: kiểm định độ tin cậy của các thang đo thông qua kiểm định hệ số tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá (EFA). Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Với phương pháp này, người phân tích có thể loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu. Các biến có hệ số tương quan biến-tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại và tiêu chuẩn chọn thang đo khi nó có độ tin cậy Cronbach Alpha từ 0,6 trở lên (Nunnally & Bernstein, 1994).

Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008): “Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0,8 trở lên đến gần 1 thì thang đo đo lường là tốt, từ gần 0,7 đến gần 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu”. Trong nghiên cứu này, Cronbach’s Alpha từ 0,6 trở lên là sử dụng được. Phân tích nhân tố khám phá (EFA) là kỹ thuật được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu sau khi đã đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy. Phương pháp này phát huy tính hữu ích trong việc xác định các tập biến cho vấn đề nghiên cứu cũng như được sử dụng để tìm kiếm mối liên hệ giữa các biến với nhau. Khi phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:

Thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0,5 với mức ý nghĩa Bartlett ≤0,05. KM là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5 ≤ KMO ≤1 thì phân tích nhân tố là thích hợp. Kaiser (1974) đề nghị KMO ≥ 0,90 là rất tốt; KMO ≥ 0,80: tốt; KMO ≥ 0,70: được; KMO ≥ 0,60: tạm được; KMO ≥ 0,50: xấu; KMO < 0,50: không thể chấp nhận được (Nguyễn Đình Thọ, 2011).

Thứ hai: hệ số tải nhân tố (factor loading) ≥ 0,5. Theo Hair và cộng sự (2006), hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0,3 được xem là đạt được mức tối thiểu; > 0,4 được xem là quan trọng; ≥ 0,5 được xem là có ý nghĩa thực tiễn.

Thứ ba: thang đo được chấp nhận khi tổng phương sai trích ≥ 50% và hệ số eigenvalue > 1 (Gerbing và Anderson, 1988).

Thứ tư: khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,5 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và Al_Tamimi, 2003).

Sau khi phân tích EFA, các thang đo được chấp nhận sẽ tiếp tục được kiểm định mô hình bằng CFA và SEM nên cần quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra có thể tương quan lẫn nhau, và cũng cần quan tâm đến sự phân biệt rõ ràng giữa các nhân tố. Vì vậy nghiên cứu này sẽ sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax trong phân tích EFA khi phân tích định lượng chính thức. Theo Gerbing và Anderson (1988), phương pháp trích Principal Axis Factoring với phép xoay Promax (blique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (orthogonal methods). Đối với thang đo đa hướng, sử dụng phương pháp trích yếu tố là Principal Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố Eigenvalues lớn hơn hoặc bằng 1. Phương pháp này được cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng phương pháp trích Principal Components với phép quay Varimax.

Kiểm định thang đo bằng phân tích nhân tố khẳng định CFA: Phân tích nhân tố khẳng định (Confirmatory Factor Analysis) là một trong các kỹ thuật thống kê của mô hình cấu trúc tuyến tính (SEM). CFA cho chúng ta kiểm định các biến quan sát đại diện cho các nhân tố tốt đến mức nào. CFA là bước tiếp theo của EFA vì CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc tiềm ẩn cơ sở, trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê.

Đánh giá độ tin cậy của thang đo thông qua: (a) Hệ số tin cậy tổng hợp (composite reliability) (Joreskog, 1971), (b) tổng phương sai trích (Fornell & Larcker, 1981) và (c) hệ số tin cậy Cronbach’s Alpha. Theo Hair (1998): “phương sai trích (Variance Extracted) của mỗi khái niệm nên vượt quá giá trị 0,5”; và phương sai trích cũng là một chỉ tiêu đo lường độ tin cậy. Nó phản ánh biến thiên chung của các biến quan sát được tính toán bởi biến tiềm ẩn. Schumacher và Lomax (2010) cho rằng trong CFA, một vấn đề quan trọng cần phải quan tâm khác là độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); hệ số tin cậy Cronbach’s Alpha vẫn thường được sử dụng. Nó đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời (Nguyễn Đình Thọ, 2011).

Tính đơn hướng/ đơn nguyên (unidimensionality): Theo Steenkamp & Van Trijp (1991), mức độ phù hợp của mô hình với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng, trừ trường hợp các sai số của các biến quan sát có tương quan với nhau.

Giá trị hội tụ (Convergent validity): Gerbing và Anderson (1988) cho rằng thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hóa của thang đo đều cao (>0,5); và có ý nghĩa thống kê (P < 0,05).

Giá trị phân biệt (Discriminant validity): Có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn (saturated model) mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau). Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thể giữa các khái niệm có thực sự khác biệt so với 1 hay không. Nếu nó thực sự có khác biệt thì các thang đo đạt được giá trị phân biệt.

Giá trị liên hệ lý thuyết (Nomological validity): Các vấn đề từ (1) đến (4) được đánh giá thông qua mô hình đo lường. Riêng giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết (Anderson và Gerbing, 1988). Khi các vấn đề trên thỏa mãn thì mô hình đo lường là tốt. Tuy nhiên rất hiếm mô hình đo lường nào đạt được tất cả các vấn đề trên. Ví dụ, mô hình đo lường vẫn có thể được sử dụng khi thang đo không đạt được tính đơn hướng (Nguyễn Đình Thọ, 2011).

Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, thường sử dụng Chi-square (CMIN); Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI_ Comparative Fit Index). Chỉ số Tucker & Lewis (TLI_ Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation).

Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chisquare có P-value < 0,1. Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥ 0,9 (Bentler & Bonett, 1980); CMIN/df ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0,08, RMSEA ≤ 0,05 được xem là rất tốt (Steiger, 1990); thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường. Bên cạnh đó, gần đây theo quan điểm của Hair & cộng sự (2010) và một số nhà nghiên cứu, khi chỉ số CFI nhỏ hơn 0.9 thì vẫn có thể chấp nhận được.

Kiểm định mô hình bằng phân tích cấu trúc tuyến tính SEM: Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình cấu trúc tuyến tính SEM cho phép chúng ta kết hợp được các khái niệm tiềm ẩn với những đo lường của chúng ta và có thể xem xét đo các trường hợp độc lập hay kết hợp chung với mô hình lý thuyết cùng một lúc. Chính vì vậy, phương pháp phân tích SEM được sử dụng rất phổ biến trong các ngành khoa học xã hội trong những năm gần đây và thường được gọi là phương pháp phân tích dữ liệu thế hệ thứ hai (Nguyễn Đình Thọ, 2011). Phương pháp phân tích cấu trúc tuyến tính được sử dụng để kiểm định mô hình nghiên cứu. Phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số trong các mô hình. Lý do là khi kiểm định phân phối của các biến quan sát thì phân phối này lệch một ít so với phân phối chuẩn đa biến, tuy nhiên hầu hết các Kurtosis và Skewness đều nằm trong khoảng [-1; +1] nên ML vẫn là phương pháp ước lượng thích hợp (Muthen & Kaplan, 1985). Phương pháp Bootstrap sẽ được sử dụng để ước lượng lại các tham số mô hình để kiểm tra độ tin cậy của các ước lượng. Kết quả ước lượng ML sẽ được sử dụng để kiểm định lại các giả thuyết.

Kiểm tra độ tin cậy các ước lượng trong mô hình nghiên cứu bằng phương pháp Bootstrap: Phương pháp Bootstrap là tập hợp một số kỹ thuật phân tích dựa vào nguyên lý chọn mẫu có hoàn lại để ước tính các thông số mà thống kê thông thường không giải được. Phương pháp Bootstrap có thể cung cấp nhiều thông tin chi tiết hơn về phân bố của số trung bình, khoảng tin cậy cũng như xác suất của số trung bình dựa trên một mẫu duy nhất. Để đánh giá độ tin cậy của các ước lượng, trong các phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải chia mẫu ra làm hai mẫu con. Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò là đám đông (Nguyễn Đình Thọ, 2011). Đánh giá trị tuyệt đối CR (<2, CR = trung bình ước lượng Bootstrap chia cho sai lệch chuẩn của độ chệch), CR càng nhỏ càng không có ý nghĩa thống kế ở độ tin cậy 95% thì kết luận là các ước lượng trong mô hình có thể tin cậy được.

Tóm tắt chương 3

Trong chương 3 tác giả xây dựng thang đo gồm 34 biến quan sát và tiến hành nghiên cứu định tính để điều chỉnh thang đo phù hợp với bối cảnh năm 2022. Thông qua kết quả nghiên cứu định tính tác giả đã đưa ra mô hình và thang đo để nghiên cứu chính thức. Bên cạnh đó tác giả đã trình bày các phương pháp nghiên cứu để phân tích dữ liệu gồm: Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha; phân tích nhân tố khám phá EFA;Phân tích nhân tố khẳng định CFA, kiểm định mô hình cấu trúc tuyến tính SEM; Kiểm định độ tin cậy các tham số bằng phương pháp bootstrap.

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website:  https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com