Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Các nhân tố ảnh hưởng đến ý định tiếp tục sử dụng dịch vụ ngân hàng số của khách hàng cá nhân tại Ngân hàng Nông Nghiệp Và Phát Triển Nông Thôn Việt Nam – Chi nhánh 4 – Thành Phố Hồ Chí Minh dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

3.1 Quy trình nghiên cứu

• Luận văn được tiến hành theo các bước sau:

3.2 Mô hình đề xuất

• Hình 3.1. Quy trình nghiên cứu

Qua việc kế thừa mô hình của (Bùi Văn Thụy & cộng sự, 2024) kết hợp với việc vận dụng một số lý thuyết nền tảng như: mô hình UTAUT2 do Venkatesh, Thong & Xu (2012) phát triển; lý thuyết kỳ vọng – xác nhận (ECM) của Bhattacherjee (2001) được vận dụng để giải thích cách thức người tiêu dùng hình thành ý định mua lặp lại và lý thuyết TCT nhằm hỗ trợ phân tích các yếu tố chi phối ý định tiếp tục sử dụng công nghệ. Đồng thời, mô hình (Bap & cộng sự, 2023) làm rõ các yếu tố tác động đến sự hài lòng tạo nên ảnh hưởng ý định sử dụng DVNHS; công trình của Bhatnagr, P., & Rajesh, A. (2024) và (Bùi Văn Thụy & cộng sự, 2024) được tham khảo để phân tích mối quan hệ giữa lòng trung thành với DVNHS. Mô hình nghiên cứu đề xuất, được minh họa tại hình 3.2.

• Hình 3.2 Mô hình nghiên cứu tác giả đề xuất

Mô hình sẽ được dùng để kiểm định nhóm giả thuyết từ H1 đến H12

• Giả thuyết H1: Nhân tố THI tác động cùng chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H2: Nhân tố TDSD tác động cùng chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H3: Nhân tố CP tác động ngược chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H4: Nhân tố RR tác động ngược chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H5: SHL khi sử dụng DVNHS tác động cùng chiều đến YDTTSD DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H6: Nhân tố THI tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H7: Nhân tố TK tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H8: Nhân tố UD tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H9: Nhân tố TQ tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H10: Nhân tố SDB tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H11: LTT khi sử dụng DVNHS tác động cùng chiều đến YDTTSD DVNHS tại Agribank – Chi nhánh 4.
• Giả thuyết H12: Nhân tố UD tác động cùng chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

3.3 Các giả thuyết Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

3.3.1 Tính hữu ích (THI)

Dựa trên thuyết kỳ vọng – xác nhận của Bhattacherjee (2001) và mô hình TCT của Liao & cộng sự (2009), tính hữu ích vừa có ảnh hưởng trực tiếp tới sự hài lòng, vừa gián tiếp củng cố lòng trung thành của khách hàng. Như vậy, khi DVNHS được đánh giá hữu ích, khách hàng sẽ hài lòng với trải nghiệm và duy trì sự gắn bó trung thành với ngân hàng, người dùng sẽ sẽ thỏa mãn và gắn bó với lựa chọn DVNHS nếu họ cảm thấy DVNHS mang lại nhiều tiện ích tích cực, hiệu suất công việc được nâng cao.

Giả thuyết H1: Nhân tố THI tác động cùng chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

Giả thuyết H6: Nhân tố tính hữu ích tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

3.3.2 Tính dễ sử dụng (TDSD)

Khi DVNHS được thiết kế thân thiện và dễ thao tác, khách hàng sẽ có trải nghiệm tích cực hơn, nâng cao SHL (Liao và cộng sự 2009). Nhờ vậy làm vững chắc thêm niềm tin và thái độ tích cực của khách hàng đối với dịch vụ. Vậy, tính dễ sử dụng không chỉ tối ưu trải nghiệm sự hài lòng mà còn xây dựng cơ sở cho ý định tiếp tục sử dụng NHS trong dài hạn.

Giả thuyết H2: Nhân tố TDSD tác động cùng chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

3.3.3 Chi phí (CP) Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Khi khách hàng nhận thấy chi phí chuyển đổi cao, bao gồm cả chi phí kinh tế và phi kinh tế, họ có xu hướng tiếp tục gắn bó với dịch vụ hiện tại thay vì tìm kiếm lựa chọn thay thế. Điều này giúp củng cố sự hài lòng, bởi việc duy trì dịch vụ quen thuộc mang lại cảm giác đảm bảo tính bảo mật và giảm thiểu nguy cơ đối với khách hàng (Bùi Văn Thụy & cộng sự, 2024). Như vậy, chi phí chuyển đổi đóng vai trò như một rào cản hành vi, góp phần duy trì sự hài lòng và duy trì mối quan hệ dài hạn giữa khách hàng và DVNHS.

Giả thuyết H3: Nhân tố CP tác động ngược chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

3.3.4 Rủi ro (RR)

Trong trường hợp người tiêu dùng đánh giá rủi ro cao thì lo lắng, thiếu tin tưởng và dễ dẫn tới chưa thỏa mãn với DVNHS. Đối lập laị, nếu yếu tố rủi ro được kiểm soát và giảm thiểu, niềm tin được củng cố, dẫn đến sự hài lòng gia tăng. Theo đó, có thể thấy rủi ro nhận thức tác động ngược chiều đến SHL, và quản trị rủi ro hiệu quả giữ vai trò quan trọng trong việc nâng tầm trải nghiệm khách hàng (Bauer, 1960).

Giả thuyết H4: Nhân tố RR tác động ngược chiều đến SHL khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

3.3.5 Sự hài lòng (SHL)

Trạng thái hài lòng này đóng vai trò quan trọng trong việc củng cố xu hướng hông ngừng gắn bó với DVNHS lâu dài. Khi cảm nhận sự hài lòng, người dùng có nhiều khả năng tiếp tục gắn bó và hạn chế tìm kiếm lựa chọn thay thế. Như vậy, không chỉ phản ánh kết quả từ trải nghiệm, SHL còn là nhân tố quan trọng quyết định đến ý định tiếp tục sử dụng DVNHS của người dùng (Bhattacherjee, 2001).

Giả thuyết H5: SHL khi sử dụng DVNHS tác động cùng chiều đến YDTTSD DVNHS tại Agribank Chi nhánh 4.

3.3.6 Thiết kế (TK) Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Khi khách hàng cảm thấy giao diện thuận tiện và thoải mái trong quá trình sử dụng, họ có xu hướng gắn bó lâu dài hơn với dịch vụ. Thiết kế còn góp phần củng cố hình ảnh thương hiệu, tạo sự tín nhiệm và tăng cường SHL của người dùng. Bùi Văn Thụy & cộng sự (2024) cho rằng thiết kế tác động cùng chiều với lòng trung thành trong việc dùng DVNHS.

Giả thuyết H7: Nhân tố TK tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank Chi nhánh 4.

3.3.7 Ưu đãi (UD)

Khi được hưởng các lợi ích tài chính như: giảm phí, ưu đãi lãi suất hay hoàn tiền, khách hàng cảm thấy giá trị dịch vụ được gia tăng, từ đó làm tăng sự thỏa mãn trong trải nghiệm dịch vụ. Nhiều ưu đãi còn tạo động lực để khách hàng duy trì thói quen gắn bó lâu dài với ngân hàng. Theo Bùi Văn Thụy & cộng sự (2024), ưu đãi tác động cùng chiều đến SHL và LTT của khách hàng trong khi dùng DVNHS.

Giả thuyết H8: Nhân tố UD tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank Chi nhánh 4

Giả thuyết H12: Nhân tố UD tác động cùng chiều đến SHL sử dụng DVNHS tại Agribank chi nhánh 4.

3.3.8 Thói quen (TQ) Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Thói quen được hình thành từ việc lặp lại hành vi trong một khoảng thời gian và dần trở thành phản xạ tự nhiên (Venkatesh, Thong & Xu, 2012). Khi việc sử dụng dịch vụ NHS trở thành thói quen, khách hàng sẽ có xu hướng tiếp tục gắn bó mà không cần cân nhắc nhiều lựa chọn thay thế. Điều này giúp giảm khả năng chuyển đổi sang nhà cung cấp khác, qua đó duy trì sự ổn định trong hành vi sử dụng. Như vậy, thói quen nhân tố cốt lõi trong việc củng cố lòng trung thành khách hàng liên quan đến DVNHS.

Giả thuyết H9: Nhân tố TQ tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

3.3.9 Sự đảm bảo (SDB)

Sự đảm bảo được xem là nhân tố quan trọng giúp củng cố niềm tin khi sử dụng DVNHS. Khi khách hàng cảm nhận được tính an toàn, độ chính xác và sự cam kết từ phía ngân hàng, họ có xu hướng duy trì hành vi gắn bó lâu dài. Theo Bùi Văn Thụy & cộng sự (2024), SDB là một trong tám nhân tố tác động cùng chiều đến lòng trung thành. Điều này cho thấy rằng sự đảm bảo không chỉ nâng cao sự tin tưởng mà còn cố LTT.

Giả thuyết H10: Nhân tố SDB tác động cùng chiều đến LTT của khách hàng khi sử dụng DVNHS tại Agribank – Chi nhánh 4.

3.3.10 Lòng trung thành (LTT)

SHL được xem là nền tảng quan trọng thúc đẩy ý định tiếp tục sử dụng DVNHS. Trong trường hợp khách hàng có cảm nhận tích cực về trải nghiệm thông thường sẽ duy trì và gắn bó lâu dài. Theo Bùi Văn Thụy & cộng sự (2024), sự hài lòng đồng thời tạo ra tác động trực tiếp và gián tiếp thông qua việc củng cố lòng trung thành, thúc đẩy ý định tiếp tục sử dụng. Như vậy, SHL đóng vai trò quyết định trong việc duy trì và mở rộng hành vi sử dụng DVNHS.

Giả thuyết H11: LTT khi sử dụng DVNHS tác động cùng chiều đến YDTTSD DVNHS tại Agribank – Chi nhánh 4.

3.4 Phương pháp nghiên cứu Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

3.4.1 Nghiên cứu định tính

Tác giả tiến hành tổng hợp các nghiên cứu trước, đồng thời triển khai thảo luận nhóm với các cán bộ quản lý có kinh nghiệm trong lĩnh vực ngân hàng số nhằm hỗ trợ việc xây dựng và điều chỉnh thang đo. Các thang đo được tham khảo từ những công trình và sự phù hợp của các nghiên cứu trước đó được thẩm định lại nhờ ý kiến từ chuyên gia. Quá trình hiệu chỉnh được lặp lại nhiều lần cho đến khi đạt được sự thống nhất và không còn xuất hiện khác biệt đáng kể giữa các phản hồi. Kết quả thu được từ các buổi thảo luận sẽ giúp xác định liệu cần hiệu chỉnh các mục của thang đo và bảng điều tra được hoàn thiện để phục vụ cho giai đoạn nghiên cứu chuyên sâu tiếp theo.

3.4.2 Nghiên cứu định lượng

Các dữ liệu sau khi thu thập và trải qua bước sàng lọc, loại bỏ những giá trị không đạt, sau đó đưa vào SPSS nhằm thực hiện phân tích và kiểm định.

• Phương pháp kiểm định độ tin cậy của thang đo

Việc xác định độ tin cậy của thang đo được thực hiện bằng kiểm định Cronbach’s Alpha, phương pháp này xác định tính nhất quán bên trong hoặc độ tin cậy của các biến. Sử dụng thống kê này để giúp xác dịnh xem một tập hợp các mục có đo lường cùng một đặc điểm hay không.

Các giá trị của Cronbach alpha cao cho thấy rằng các giá trị phản hồi cho mỗi người tham gia trong một bộ câu hỏi là nhất quán. Tính nhất quán này chứng minh rằng các phép đo có độ tin cậy cao và các biến có thể đo cùng một đặc tính. Ngược lại, các giá trị thấp cho biết tập hợp các mục không đo lường cùng một cấu trúc một cách đáng tin cậy.

Cronbach’s Alpha định lượng mức độ đồng ý trên thang điểm từ 0 – 1 được chuẩn hóa. Thang đo sẽ có độ tin cậy cao hơn khi giá trị Cronbach’s Alpha đạt mức lớn. Tuy vậy, khi hệ số này đạt mức quá cao (thường từ 0.95 trở lên), có thể xảy ra tình trạng dư thừa thông tin giữa các biến quan sát, cho thấy nhiều mục trong thang đo không có sự khác biệt rõ ràng (Nguyễn Đình Thọ, 2011). Một số tiêu chuẩn thường được sử dụng để kiểm tra độ tin cậy của thang đo bao gồm:

Biến quan sát được chấp nhận nếu có hệ số tương quan biến tổng đạt mức tối thiểu là 0.3 theo (Nunnally, 1978).

Theo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005) phân tích dữ liệu nghiên cứu với SPSS, mức độ đánh giá của hệ số tin cậy theo các mức độ như sau: Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Nếu hệ số nằm trong khoảng từ 0,8 đến gần 1 thì thang đo được đánh giá là rất tốt; khi giá trị từ 0,7 đến dưới 0,8 thì thang đo được xem là đạt yêu cầu tốt; còn khi lớn hơn hoặc bằng 0,6, thang đo vẫn được coi là chấp nhận được

• Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA)

Phân tích nhân tố khám phá cố gắng xác định các biến cơ bản hoặc các thành phần làm rõ mô hình tương quan giữa các biến quan sát. EFA là tiêu chí quan trọng để kiểm định độ hội tụ và các giá trị phân biệt của thang đo. Các chỉ số:

Chỉ số KMO (Kaiser-Meyer-Olkin) mục đích của nó là kiểm tra mức độ dữ liệu phù hợp với phân tích nhân tố, dựa trên các mức phân loại cụ thể như sau:

• Trường hợp 0.5 ≤ KMO ≤ 1 là điều kiện đủ để phân tích nhân tố là phù hợp.
• Trường hợp KMO < 0.5 cho thấy việc phân tích nhân tố không phù hợp với dữ liệu thu thập được (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).

Kiểm định Bartlett nhằm đánh giá độ tương quan các biến trong phân tích nhân tố.

• Nếu Sig > 5% cho thấy rằng việc thực hiện phân tích nhân tố đối với các biến đang xét là không phù hợp, do kiểm định không đạt ngưỡng ý nghĩa thống kê mong muốn.
• Nếu Sig < 5%) thì những biến quan sát trong thang đo nhân tố tồn tại sự tương quan lẫn nhau.

Trị số Eigenvalue: Được dùng để làm rõ số lượng nhân tố trong mô hình nghiên cứu. Theo Gerbing & Anderson (1988) cho rằng các yếu tố có giá trị Eigenvalue từ 1 trở lên được xem là đủ tiêu chuẩn để nhân tố được đưa vào phân tích trong mô hình.

Mức độ phù hợp của mô hình nhân tố được đánh giá thông qua giá trị tổng phương sai trích, phản ánh tỷ lệ phần trăm thông tin được giải thích từ các biến quan sát. Khi tổng phương sai trích vượt ngưỡng 50%, mô hình EFA được xem là đạt yêu cầu về khả năng giải thích dữ liệu (Gerbing & Anderson, 1988). Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Nhằm kiểm định mối quan hệ giữa các thành phần trong thang đo, hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố được tác giả sử dụng trong bài nghiên cứu. Theo Hair và cộng sự (2010), (Multivariate Data Analysis) hệ số tải từ 0.5 là biến quan sát đạt chất lượng tốt, tối thiểu nên là 0.3.

• Phân tích khẳng định nhân tố – Confirmatory Factor Analysis (CFA)

Bước tiếp theo của luận văn, sau khi hoàn tất EFA, là thực hiện CFA. nhằm kiểm nghiệm và điều chỉnh mô hình đo lường một cách độc lập. CFA là một thủ tục thống kê đa biến được triển khai để kiểm định xem những biến đo được đại diện cho số lượng cấu trúc tốt như thế nào. Trong phân tích CFA, các nhà nghiên cứu có thể chỉ định số lượng các yếu tố cần có trong dữ liệu và biến đo lường nào có liên quan đến biến tiềm ẩn nào. Mặt khác, không cần nhiều thủ tục như các phương pháp truyền thống khác, vẫn có thể nhận diện tính hội tụ và tính phân biệt thuộc thang đo một cách đơn giản, trực quan. phần mềm AMOS được sử dụng để tính các chỉ số này.

Theo Hair và cộng sự (2019), đối với CFA việc đánh giá độ giá trị của thang đo được thực hiện thông qua chỉ số thống kê:

• Chi-square có P-value <0,05; Chi-square/ df=<3;
• Hệ số GFI, TLI, CFI >=0,9

Khi chỉ số RMSEA nhỏ hơn hoặc bằng 0,08 mô hình được đánh giá là thích hợp với dữ liệu thu thập. Ngoài ra, hệ số tin cậy tổng hợp và tổng phương sai trích cần lớn hơn 0,5 nhằm bảo đảm tính tin cậy và giá trị hội tụ của thang đo. Trọng số chuẩn hóa (của các biến quan sát cũng cần lớn hơn 0,5 và có ý nghĩa thống kê với mức p < 0,05. Để đánh giá giá trị phân biệt giữa các khái niệm, cần xem xét hệ số tương quan của các yếu tố, đảm bảo rằng chúng thực sự khác biệt đáng kể so với giá trị 1.

• Phân tích dữ liệu bằng mô hình cấu trúc tuyến tính-Structural Equation Modeling (SEM)

Mô hình cấu trúc tuyến tính hay còn gọi là SEM là một kỹ thuận phân tích thống kê thế hệ thứ hai được phát triển để phân tích mối quan hệ đa chiều giữa nhiều biến trong một mô hình (Haenlein & Kaplan, 2004).

Hair và các cộng sự (2019) cho rằng, việc đánh giá mức độ phù hợp của mô hình với dữ liệu thực nghiệm thường dựa trên các chỉ tiêu thống kê đặc trưng, phản ánh khả năng mô hình giải thích thông tin thị trường một cách hiệu quả.

• Chi-square (CMIN);
• Chi-square điều chình theo bậc tự do (CMIN/df);
• Chỉ số GFI (Good of Fitness Index)
• Chỉ số CFI (Comparative Fit Index)
• Chỉ số TLI (TuckerandLewis Index)
• Chỉ số RMSEA (Root Mean Square Error Approximation).

Theo quan điểm của Hair và cộng sự (2019), mô hình được xem là tương thích với dữ liệu thu tập được nếu có P-value trong kiểm định Chi – square lớn hơn 0,05; CMIN/df không vượt quá 3; các chỉ số GFI, TLI, CFI đạt từ 0,9 trở lên; và chỉ số RMSEA nhỏ hơn hoặc bằng 0,08. Doll và cộng sự (1994) cho thấy trong một số trường hợp, chỉ số GFI đạt mức từ 0,8 đến dưới 0,9 vẫn được đánh giá là phù hợp. Trong trường hợp hệ số tải chuẩn hóa đều lớn hơn 0,5, thang đo được đánh giá là thỏa mãn giá trị hội tụ. Bên cạnh đó, việc đảm bảo giá trị phân biệt cũng là yêu cầu cần thiết, được thể hiện qua độ tương đồng giữa các khái niệm hoặc giữa các yếu tố của một khái niệm không quá gần với giá trị 1.

3.4.3 Diễn đạt và mã hóa thang đo Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Thang đo được kế thừa nền tảng lý thuyết Davis & cộng sự (1989), Liao và cộng sự (2009), Barre (2023), Nguyễn Quang Tâm (2020), (Bùi Văn Thụy & cộng sự, 2024). Tác giả đã tổng hợp và xây dựng bảng hỏi thích hợp trên cơ sở đó thang đo Likert 5 do Rennis Likert (1932), đưa ra 5 mức độ phổ biến để tìm hiểu mức độ đánh giá của người trả lời:

• Mức 1 – Hoàn toàn không đồng ý
• Mức 2 – Không đồng ý
• Mức 3 – Bình thường
• Mức 4 – Đồng ý
• Mức 5 – Hoàn toàn đồng ý

Thang đo được khảo sát lấy ý kiến các khách hàng đã và đang giao dịch DVNHS tại ngân hàng Agribank – chi nhánh 4.

Bảng 3.1 Mã hóa thang đo

• Thiết kế bảng hỏi

Phiếu khảo sát được xây dựng với cấu trúc gồm hai phần chủ yếu: phần mở đầu và phần nội dung chính chứa các câu hỏi khảo sát.

Phần mở đầu: Tác giả giới thiệu mục đích khảo sát, đối tượng tham gia và cam kết bảo mật thông tin của tác giả

Nội dung khảo sát: Phần thứ nhất gồm thông tin đối tượng khảo sát: một số câu hỏi về thông tin cá nhân như: giới tính, độ tuổi, thu nhập, trình độ học vấn nhằm mục đích thống kê phân loại. Phần thứ 2 gồm các phát biểu yêu cầu đối tượng đánh giá 5 mức độ theo thang đo Likert, nội dung khảo sát gồm 42 biến quan sát.

• Mẫu khảo sát và Phương pháp khảo sát dữ liệu Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Dữ liệu trong nghiên cứu được thu thập từ các khách hàng đang hoặc đã từng dùng DVNHS tại Agribank – Chi nhánh 4 với việc phát phiếu khảo sát có cấu trúc rõ ràng. Quy mô mẫu được xác định dựa trên yêu cầu của phân tích EFA, SEM. Căn cứ theo hướng dẫn của Hair & cộng sự (1998) để đảm bảo độ tin cậy trong phân tích EFA, kích thước mẫu tối thiểu cần đạt ít nhất gấp 5 lần số lượng biến quan sát. Do đó, với tổng số 42 biến quan sát trong mô hình nghiên cứu, số lượng mẫu cần thiết được tính toán tương ứng.kích thước mẫu tối thiểu là 210 mẫu. Mặt khác, kích thước mẫu cần phải được xem xét trong sự tương quan với số lượng các thông số ước lượng và nếu sử dụng phương pháp ước lượng ML (Maximum Likelihood) thì kích thước mẫu tối thiểu phải từ 100 đến 150 và cỡ mẫu là 250 hoặc lớn hơn để đảm bảo cho tính ổn định và nhất quán của các chỉ số như: TLI, CFI (Hair, Anderson, Babin, & Black, 2010). Đối với phân tích SEM, các cỡ mẫu trong phạm vi từ 100 đến 400 là hợp lý (Hair và cộng sự, 2019). Vì có thể xảy ra trường hợp một số bảng khảo sát không hợp lệ, nên quá trình thu thập số liệu với quy là 300 người dùng để đảm bảo đủ số lượng quan sát cần thiết. Tổng số phiếu điều tra là 300 và thực hiện nghiên cứu chính thức là 240 sau khi đã trừ phiếu không hợp lệ được mã hóa bằng SPSS 30.0 và AMOS 28.0 dùng để phân tích số liệu.

Trong khoảng thời gian 4 tháng (11/2024 – 02/2025) tác giả đã tiến hành thu thập thông tin thông qua bảng hỏi trực tuyến từ 300 KHCN đã từng hoặc đang dùng DVNHS. Nguồn dữ liệu sơ cấp: Khảo sát đối với tất cả KHCN đã và đang dùng DVNHS tại Agribank – Chi nhánh 4 – TPHCM.

3.5 Quy trình ước lượng

Thông qua kết quả khảo sát KHCN dùng DVNHS tại Ngân hàng Agribank – Chi nhánh 4 – TP. HCM nhận về 240 mẫu khảo sát hợp lệ đủ điều kiện đáp ứng kích thước mẫu. Sau bước này, phương pháp định lượng được sử dụng, dữ liệu được mã hóa bằng SPSS để đánh giá mức độ và hướng tác động của các yếu tố đối với YDTTSD DVNHS của KHCN tại Chi nhánh 4.

Bước 1: Thống kê tần số và thống kê mô tả: Dùng để đếm số lần xuất hiện của các giá trị để đánh giá, cung cấp cái nhìn tổng quan về đặc điểm của mẫu và đồng thời thống kê mô tả được dùng để nêu lên điểm nổi bật của dữ liệu, qua đó chỉ ra sự khác nhau của các biến quan sát trong mô hình nghiên cứu. Thông qua số liệu khảo sát đánh giá chung về mẫu khảo sát đối với các chỉ tiêu: giới tính, độ tuổi, thu nhập, trình độ học vấn. Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Bước 2: Đánh giá độ tin cậy thang đo: Thông qua trị số Cronbach’s Alpha, mối quan hệ giữa các biến trong cùng nhân tố được kiểm tra. Cronbach’s Alpha từ 0.8 đến gần 1 thang đo lường rất tốt; từ 0.7 đến gần bằng 0.8 thang đo lường sử dụng tốt; từ 0.6 trở lên thang đo lường đủ điều kiện theo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Từ số liệu thu thập được đưa ra nhận xét về mức độ tác động của từng nhân tố, trên cơ cở đó xem xét loại biến.

Bước 3: Phân tích nhân tố khám phá: Sau khi đảm bảo các thang đo có độ tin cậy phù hợp, công cụ phân tích nhân tố khám phá EFA được sử dụng để đánh giá mối quan hệ giữa các biến ở tất cả các nhân tố khác nhau nhằm phát hiện những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu. Các tham số thống kê cần kiểm định của EFA:

Hệ số KMO: Chỉ số này được sử dụng nhằm đánh giá mức độ phù hợp của phân tích nhân tố. Khi trị số KMO nằm trong khoảng từ 0,5 đến 1, điều đó cho thấy điều kiện đủ để tiến hành phân tích nhân tố là thỏa mãn. Ngược lại, nếu giá trị KMO nhỏ hơn 0,5 thì khả năng cao việc phân tích nhân tố sẽ không thích hợp với tập dữ liệu. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).

Kiểm định Bartlett: Đây là trị số dùng để kiểm định sự tương quan giữa các biến quan sát trong cùng một nhân tố. Kiểm định Bartlett có ý nghĩa thống kê trong trường hợp sig Bartlett’s Test < 0,05 điều này có nghĩa là các biến quan sát có tương quan với nhau trong nhân tố (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).

Trị số Eigenvalue: Dùng để xác định số lượng nhân tố trong phân tích EFA. Theo đó, chỉ có những nhân tố có trị số Eigenvalue ≥ 1 mới được giữ lại trong mô hình.

Tổng phương sai trích: Phản ánh tỷ lệ phần trăm phương sai của các biến quan sát được các nhân tố rút trích giải thích cũng như phần còn lại bị thất thoát. Để EFA được coi là phù hợp, giá trị tổng phương sai trích cần đạt từ 50% trở lên.

Hệ số tải nhân tố: Thể hiện mối quan hệ gắn kết giữa biến quan sát với các yếu tố. Hệ số tải nhân tố càng lớn thì sự liên hệ giữa biến quan sát đó và các yếu tố càng cao, ngược lại thì thấp hơn. Với hệ số tải từ 0,5 trở lên, biến quan sát được đánh giá là tốt, trong khi mức thấp nhất cần đạt là 0,3 theo Hair và cộng sự (2010).

Từ số liệu phân tích xem xét mức ý nghĩa thống kê của toàn bộ biến quan sát từ đó đưa qua quyết định có cần hiệu chỉnh thang đo trước khi đi vào phân tích nhân tố khám phá CFA không.

Bước 4: Phân tích CFA: là một thủ tục thống kê đa biến được sử dụng để kiểm tra xem các biến đo được đại diện cho số lượng cấu trúc tốt như thế nào. Theo Hair và cộng sự (2019) sử dụng các chỉ số sau:

Chỉ số Chi-Square: Dùng để kiểm định sự khác biệt giữa ma trận hiệp phương sai quan sát và lý thuyết. Chỉ số Chi-Square có P-value < 0,05 thuộc ngưỡng chấp nhận được. Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

Tỷ số Chi-Square/df: dùng để đánh giá mức độ phù hợp của mô hình lý thuyết so với dữ liệu thực tế. Chi-square/ df=<3 thược ngưỡng chấp nhận được.

Hệ số GFI, TLI, CFI: hệ số GFI thể hiện mức độ phù hợp tổng quát của mô hình; TLI là chỉ số cải thiện mô hình dùng để kiểm định mô hình lý thuyết có phù hợp với dữ liệu khảo sát hay không; CFI dùng để so sánh mô hình lý thuyết với mô hình độc lập. GFI, TLI, CFI >=0,9.

RMSEA: thể hiện độ sai số xấp xỉ trong tổng thể, RMSEA =<0,08 mô hình phù hợp với số liệu thống kê.

Hệ số tin cậy tổng hợp: dùng để đánh giá độ tin cậy của các biến quan sát trong cùng một nhân tố, tổng bình phương sai trích từ 0.5 trở lên.

Trọng số chuẩn hóa: Nếu hệ số tải chuẩn hóa của các biến trong thang đo vượt ngưỡng 0,5 và đồng thời có ý nghĩa thống kê với p < 0,05, thì thang đo được xác nhận về độ tin cậy. Để đo lường sự khác biệt các khái niệm thì xem xét sự tác động giữa các yếu tố của khái niệm hoặc giữa các khái niệm thực sự khác biệt so với 1.

Dựa vào mức tin cậy và hệ số hồi quy xem xét ý nghĩa thống kê của 42 biến quan sát và đưa ra nhận xét.

Bước 5: Phân tích dữ liệu bằng mô hình cấu trúc tuyến tính SEM: Mô hình được xem là thích hợp với dữ liệu nếu Chi-square có P-value >0,05; CMIN/df =<3; GFI, TLI, CFI >= 0,9; và RMSEA =< 0,08 (Hair & cộng sự, 2019). Doll và cộng sự (1994) thì chỉ ra Chỉ số GFI dưới 0,9 vẫn được đánh giá là đạt mức có thể chấp nhận nhưng phải lớn hơn 0,8. Thang đo đạt được giá trị hội tụ khi trọng số chuẩn hóa đều > 0,5 và có ý nghĩa thống kê. Ngoài ra, tính phân biệt cũng cần kiểm định, tính phân biệt được coi là đạt yêu cầu khi mức độ tương quan giữa các thành phần của khái niệm, hoặc giữa hai khái niệm, thật sự khác biệt rõ ràng so với 1.

Thông qua mô hình SEM thu được đánh giá độ phù hợp của mô hình với dữ liệu thực nghiệm và kiểm định các giả thuyết về mối quan hệ nhân quả của 42 biến quan sát, kiểm tra đồng thời các ảnh hưởng trực tiếp và gián tiếp giữa các biến và đồng thời tính đến sai số đo lường.

• Kết luận chương 3

Chương 3 tập trung giới thiệu mô hình nghiên cứu đề xuất, làm rõ các yếu tố tác động đến ý định tiếp tục sử dụng DVNHS của khách hàng cá nhân tại Agribank – Chi nhánh 4.

Nội dung của chương tập trung mô tả cụ thể quy trình, phương pháp thực hiện; cách thức thu thập và phân tích dữ liệu; cùng các bước ước lượng mô hình. Tác giả vận dụng SPSS và AMOS, kết hợp những kỹ thuật như EFA, CFA và SEM để đánh giá ảnh hưởng của từng nhân tố. Đưa ra quy trình ước lượng. Từ đó kết quả phân tích sẽ được trình bày cụ thể ở chương 4. Luận văn: PPNC tiếp tục sử dụng dịch vụ NH số của khách hàng.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC tiếp tục sử dụng dịch vụ NH số của khách hàng