BỘ TÀI CHÍNH

TRƯỜNG ĐẠI HỌC TÀI CHÍNH – MARKETING

KHOA MARKETING

-----  -----

NHÓM: NGUYỄN THỊ HỒNG DIỄM

BÀI THI KẾT THÚC HỌC PHẦN

MÔN HỌC NGHIÊN CỨU MARKETING 2

Lớp học phần: 2021702049605

ĐỀ TÀI:

NGHIÊN CỨU TÁC ĐỘNG CỦA QUẢNG CÁO TRUYỀN HÌNH CÓ SỬ

DỤNG YẾU TỐ ĐỊNH KIẾN GIỚI TỚI THÁI ĐỘ VÀ HÀNH VI CỦA
NGƯỜI TIÊU DÙNG ĐẾN QUẢNG CÁO VÀ THƯƠNG HIỆU

Ngành: MARKETING

Chuyên ngành: QUẢN TRỊ MARKETING

Thành phố Hồ Chí Minh, 2021

 BỘ TÀI CHÍNH

TRƯỜNG ĐẠI HỌC TÀI CHÍNH – MARKETING

KHOA MARKETING

-----  -----

NHÓM: NGUYỄN THỊ HỒNG DIỄM

BÀI THI KẾT THÚC HỌC PHẦN

MÔN HỌC NGHIÊN CỨU MARKETING 2

Lớp học phần: 2021702049605

ĐỀ TÀI:

NGHIÊN CỨU TÁC ĐỘNG CỦA QUẢNG CÁO TRUYỀN HÌNH CÓ SỬ

DỤNG YẾU TỐ ĐỊNH KIẾN GIỚI TỚI THÁI ĐỘ VÀ HÀNH VI CỦA
NGƯỜI TIÊU DÙNG ĐẾN QUẢNG CÁO VÀ THƯƠNG HIỆU

Trưởng nhóm: Nguyễn Thị Hồng Diễm

ĐT: 0396010483

Email: ngth.hgd@gmail.com

Thành phố Hồ Chí Minh, 2021

2
 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc Lập – Tự Do – Hạnh Phúc

BIÊN BẢN HỌP ĐÁNH GIÁ MỨC ĐỘ HOÀN THÀNH CÔNG VIỆC

1. Thời gian: 24/06/2021

2. Hình thức: họp trực tuyến
3. Thành viên có mặt: 3
4. Thành viên vắng mặt/Lý do: 0
5. Chủ trì cuộc họp (Nhóm trưởng): Nguyễn Thị Hồng Diễm
6. Thư ký cuộc họp: Nguyễn Công Đức
7. Kết quả đánh giá được thống nhất và tổng hợp như sau:

Tỷ lệ tham gia
STT Họ và Tên MSSV SĐT làm bài nhóm Ký tên
(%)

1 Nguyễn Thị Hồng Diễm 1921005386 0396010483 100% Đã ký

2 Nguyễn Công Đức 1921005393 0906833248 100% Đã ký

3 Trần Khánh Quỳnh 1921005631 0703287176 40% Đã ký

 NHẬN XÉT CỦA GIẢNG VIÊN

………………………………………………………………………………………
………………………………………………………………………………………
………………………………………………………………………………………
………………………………………………………………………………………
………………………………………………………………………………………
………………………………………………………………………………………
………………………………………………………………………………………
………………………………

4
 DANH MỤC TỪ VIẾT TẮT

SL: Số lượng

HSSV: Học sinh sinh viên

NVVP: Nhân viên văn phòng

CC: Công chức

LĐTD: Lao động tự do

GV: Giáo viên

BĐ: Bộ đội

5
 DANH MỤC BẢNG

Bảng 2.1: Thống kê số lượng và % đáp viên theo giới tính và độ tuổi ...................... 7

Bảng 2.2: Thống kê mức thu nhập theo nghề nghiệp ................................................. 8

Bảng 2.3: Bảng kết quả trình độ học vấn ................................................................... 9

Bảng 2.4: Mức độ nhận biết các thương hiệu ........................................................... 12

Bảng 2.5: Mức độ phủ sóng của các thương hiệu trên truyền thông........................ 13

Bảng 2.6: Kênh mua hàng yêu thích nhất đối với từng thương hiệu ....................... 13

Bảng 2.7: Kết quả kiểm định Cronbach's Alpha lần 1 ............................................. 15

Bảng 2.8: Kết quả kiểm định Cronbach’s Alpha lần 2 đối với thang đo Nhận thức 16

Bảng 2.9: KMO and Bartlett’s Test .......................................................................... 19

Bảng 2.10: Total Variance Explained ...................................................................... 20

Bảng 2.11: Kết quả phân tích nhân tố khám phá EFA - Pattern Matrix .................. 21

Bảng 2.12: Ma trận hệ số tương quan Pearson ......................................................... 24

Bảng 2.13: Model Summaryb ................................................................................... 29

Bảng 2.14: Anova ..................................................................................................... 30

Bảng 2.15: Coefficientsa ........................................................................................... 30

Bảng 2.16: Correlations ............................................................................................ 34

Bảng 2.17: Thái độ đối với quảng cáo của Sunlight ................................................ 36

Bảng 2.18: Model Summaryb ................................................................................... 37

Bảng 2.19: Anova ..................................................................................................... 37

Bảng 2.20: Coefficientsa ........................................................................................... 38

Bảng 2.21: Correlations ............................................................................................ 42

Bảng 2.22: Thái độ đối với quảng cáo của Sunlight ................................................ 43

Bảng 2.23: Thái độ đối với sản phẩm và thương hiệu Sunlight ............................... 44

6
Bảng 2.24: Kết quả kiểm định mối liên hệ giữa thu nhập và nghề nghiệp .............. 47

Bảng 2.25: Kết quả kiểm định tần suất thương hiệu được nghĩ đến đầu tiên khi nhắc
về chất tẩy rửa chịu sự tác động của 2 nhóm giới tính ............................................. 49

Bảng 2.26: Kết quả kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa các
nhóm tuổi .................................................................................................................. 51

Bảng 2.27: Kết quả kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa các
trình độ học vấn ........................................................................................................ 52

Bảng 2.28: Kết quả kiểm định sự khác biệt giữa thu nhập đối với thái độ đối với
thương hiệu ............................................................................................................... 53

Bảng 2.29: Kết quả kiểm định sự khác biệt giữa các nhóm tuổi trong hành vi đối với
thương hiệu ............................................................................................................... 54

Bảng 2.30: Kết quả kiểm định sự khác biệt giữa nhóm tuổi trong nhận thức về định
kiến giới .................................................................................................................... 55

Bảng 2.31: Kết quả kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa 2
nhóm giới tính........................................................................................................... 56

Bảng 2.32: Sự khác biệt trong nhận thức về định kiến giới giữa 2 nhóm giới tính . 57

Bảng 2.33: Sự khác biệt giữa nhóm học sinh - sinh viên và nhóm không phải học
sinh - sinh viên trong nhận thức về định kiến giới ................................................... 58

Bảng 2.34: Kết quả kiểm định sự khác biệt trong đánh giá cặp biến nt2, nt3.......... 59

7
 DANH MỤC HÌNH

Hình 1.1: Mô hình nghiên cứu đề xuất ....................................................................... 5

Hình 2.1: Kết quả % trình độ học vấn.........................................................................9

Hình 2.2: Thương hiệu được nghĩ đến đầu tiên khi nhắc đến nước tẩy rửa ............. 10

Hình 2.3: Mô hình nghiên cứu hiệu chỉnh ................................................................ 25

Hình 2.4: Biểu đồ Histogram của phần dư ............................................................... 32

Hình 2.5: Biểu đồ phần dư chuẩn hóa Normal P-P Plot ........................................... 32

Hình 2.6: Biểu đồ phân tán Scatterplot .................................................................... 33

Hình 2.7: Kết quả Durbin-Watson trước khi điều chỉnh thứ tự các câu trả lời ........ 35

Hình 2.8: Kết quả Durbin-Watson thay đổi sau khi điều chỉnh thứ tự các câu trả lời
.................................................................................................................................. 35

Hình 2.9: Biểu đồ Histogram của phần dư ............................................................... 40

Hình 2.10: Biểu đồ phần dư chuẩn hóa Normal P-P Plot ......................................... 40

Hình 2.11: Biểu đồ phân tán Scatterplot .................................................................. 41

Hình 2.12: Mô hình nghiên cứu chính thức ............................................................. 45

8
 MỤC LỤC

CHƯƠNG 1: GIỚI THIỆU CHUNG VỀ NGHIÊN CỨU ................................... 1

1.1. Tên đề tài..................................................................................................................................1

1.2. Lý do chọn đề tài.................................................................................................. 1

1.3. Mục tiêu nghiên cứu............................................................................................. 2

1.4. Đối tượng nghiên cứu........................................................................................... 3

1.5. Phạm vi nghiên cứu.............................................................................................. 3

1.6. Phương pháp thu thập dữ liệu............................................................................... 3

1.7. Các giả thuyết nghiên cứu.................................................................................... 3

1.7.1. Lý thuyết xét đoán xã hội của Sherif và Hovland (1961) .......................... 3

1.7.2. Thái độ đối với thương hiệu và thái độ đối với quảng cáo sử dụng hình
ảnh hấp dẫn giới tính ........................................................................................... 4

1.7.3. Lý thuyết về hiệu ứng mồi của Jo & Berkowitz (1994) ............................ 4

1.8. Mô hình nghiên cứu đề xuất................................................................................. 5

CHƯƠNG 2: XỬ LÝ DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU......................... 6

2.1. Thống kê mô tả..................................................................................................... 6

2.1.1. Thông tin về mẫu ....................................................................................... 6

2.1.1.1 Độ tuổi theo giới tính ........................................................................... 6

2.1.1.2 Thu nhập theo ngành nghề ................................................................... 7

2.1.1.3 Thống kê số lượng và % đáp viên theo trình độ học vấn ..................... 9

2.1.2. Thông tin về hành vi ................................................................................ 10

2.1.2.1 Chỉ số Top of Mind ............................................................................ 10

2.1.2.2 Mức độ được nhận biết: ..................................................................... 11

2.1.2.3 Mức độ phủ sóng trên các phương tiện truyền thông: ....................... 12
 2.1.2.4 Kênh mua hàng yêu thích ................................................................... 13

2.2. Kiểm định độ tin cậy của thang đo bằng Cronbach’s Alpha.............................. 14

2.2.1. Ý nghĩa/mục đích của kiểm định Cronbach’s Alpha ............................... 14

2.2.2. Cách thực hiện ......................................................................................... 14

2.2.3. Kết quả và đánh giá ................................................................................. 15

2.3. Phân tích nhân tố khám phá EFA....................................................................... 17

2.3.1. Ý nghĩa/mục đích của phân tích nhân tố khám phá EFA ........................ 17

2.3.2. Cách thực hiện ......................................................................................... 18

2.3.3. Kết quả và đánh giá ................................................................................. 19

2.4. Phân tích tương quan và hồi quy........................................................................ 22

2.4.1. Phân tích hệ số tương quan Pearson ........................................................ 22

2.4.1.1. Ý nghĩa/mục đích của phân tích hệ số tương quan Pearson .............. 22

2.4.1.2. Cách thực hiện ................................................................................... 23

2.4.1.3. Kết quả và đánh giá ........................................................................... 23

2.4.2. Phân tích hồi quy ..................................................................................... 27

2.4.2.1. Ý nghĩa/mục đích của phân tích hồi quy ........................................... 27

2.4.2.2. Cách thực hiện ................................................................................... 27

2.4.2.2.1. Xây dựng phương trình của mô hình hồi quy tuyến tính từ dữ liệu
mẫu .............................................................................................................. 27

2.4.2.2.2. Tiến hành phân tích hồi quy ....................................................... 28

2.4.2.2.3. Kết quả và đánh giá..................................................................... 29

2.5. Mô hình nghiên cứu hiệu chỉnh chính thức........................................................ 44

2.6. Kiểm định mối liên hệ giữa các biến.................................................................. 45

2.6.1. Kiểm định Chi – Square........................................................................... 45

10
 2.6.1.1. Ý nghĩa/mục đích của kiểm định Chi – Square................................. 45

2.6.2.2. Cách thực hiện................................................................................... 46

2.6.2.3. Kết quả............................................................................................... 46

2.6.2. Kiểm định One-way ANOVA.................................................................. 49

2.6.2.1. Ý nghĩa/mục đích của kiểm định One-way ANOVA........................ 49

2.6.2.2. Cách thực hiện................................................................................... 49

2.6.2.3. Kết quả và đánh giá............................................................................ 50

2.6.3. Kiểm định Independent – Samples T-Test............................................... 55

2.6.3.1. Ý nghĩa/mục đích kiểm định Independent – Samples T-Test............ 55

2.6.3.2. Cách thực hiện...................................................................................55

2.6.3.3. Kết quả và đánh giá............................................................................ 56

2.6.4. Kiểm định Paired – Samples T-Test........................................................ 58

2.6.4.1. Ý nghĩa/mục đích kiểm định Paired – Samples T-Test..................... 58

CHƯƠNG 3: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH...................................... 60

3.1. Tóm tắt kết quả nghiên cứu................................................................................60

3.2. Hạn chế của đề tài............................................................................................... 61

3.3. Hướng nghiên cứu sắp tới................................................................................... 61

3.4. Một số hàm ý chính sách.................................................................................... 62

3.4.1. Nhân tố Thái độ đối với Quảng cáo (QC)................................................ 62

3.4.2. Nhân tố Thái độ đối với Thương hiệu (TH)............................................. 62

TÀI LIỆU THAM KHẢO...................................................................................... 64

PHỤ LỤC................................................................................................................. 65

11
 CHƯƠNG 1: GIỚI THIỆU CHUNG VỀ NGHIÊN CỨU
1.1. Tên đề tài

Tên đề tài: “Nghiên cứu tác động của Quảng cáo truyền hình có sử dụng yếu tố định
kiến giới tới Thái độ và Hành vi của người tiêu dùng đối với Quảng cáo và Thương
hiệu”

1.2. Lý do chọn đề tài

Ngày nay, các chiến dịch truyền thông nói chung và quảng cáo truyền hình nói riêng
trên cơ sở vận dụng những hiểu biết trên về người tiêu dùng, đều được thực hiện với
mục đích kéo gần khoảng cách giữa sản phẩm và thương hiệu với người tiêu dùng.
Các nhà Marketing hiểu rằng truyền thông có tác động rất lớn đến với đời sống con
người, thế nên quảng cáo thông qua các kênh truyền thông, mà cụ thể là qua truyền
hình là một trong những kênh quảng cáo được các nhà Marketing ưu ái chọn lựa.
Việc lặp đi lặp lại những hình ảnh và hình tượng nhất định trong các quảng cáo truyền
hình có tác dụng giúp những thông điệp muốn truyền đạt có thể in sâu vào tâm trí
người xem. Tuy nhiên do xây dựng dựa trên những quan điểm, tư tưởng vốn đã có
trong suy nghĩ của người tiêu dùng trước đó, các quảng cáo truyền hình có thể vô tình
góp phần củng cố vững chắc hơn những điều ấy. Điều đáng lo ngại ở đây là những
hình mẫu cụ thể được sử dụng trong các quảng cáo, bởi đây vốn là một phương tiện
giúp hình thành và củng cố những niềm tin vốn có của con người, liệu điều này đã vô
tình khiến tư tưởng của người xem bị áp đặt về các vấn đề có trong nội dung quảng
cáo như các vấn đề trong gia đình? Và đâu mới là việc giữ gìn những giá trị tốt đẹp
và đâu là việc duy trì và làm vững chắc những định kiến từ lâu đã tồn tại trong tiềm
thức người tiêu dùng?

Vấn đề “Bình đẳng giới” đã trở nên quá quen thuộc với xã hội hiện nay thế và phần
lớn mọi người đều ủng hộ và cho rằng bình đẳng giới là điều kiện cần để giúp xã hội
trở nên công bằng và tốt đẹp hơn. Điều này cho ta thấy việc đấu tranh cho sự bình
đẳng giới giữa con người với con người đã gặt hái được một thành công nhất định
khi ngày càng nhiều người đứng lên vì quyền bình đẳng giới và đề cao tầm quan
trọng, vai trò của nó. Tuy nhiên ở Việt Nam, “Bình đẳng giới” dường như chỉ được
1
coi là một khái niệm trên sách vở, báo đài bởi vì những định kiến về giới tính ở đây
vẫn tồn tại. Ngày nay, ta vẫn có thể dễ dàng nhìn thấy hình ảnh những người phụ nữ
đầu tắt mặt tối chăm sóc gia đình; những người vợ, người mẹ tất bật chăm chồng lo
con và những người chồng, người cha lại xem đó như một điều hiển nhiên. Hình
tượng người phụ nữ lo hết việc nhà việc con cái, lùi về phía sau hậu phương vững
chãi cho chồng mình mà không (được) đòi hỏi bất kì sự chia sẻ nào từ cánh đàn ông
vẫn luôn là những hình ảnh đặc trưng của một gia đình Việt. Các quảng cáo về sản
phẩm như nước lau nhà, nước rửa chén thường xuất hiện hình ảnh người phụ nữ đang
lau dọn nhà cửa; các quảng cáo về sản phẩm như gia vị, dầu ăn thì lại xuất hiện hình
ảnh người phụ nữ đang nấu ăn, nêm nếm trong bếp… Và đặt trong bối cảnh thời nay,
dẫu cho hình ảnh người phụ nữ ngày đi làm ngoài xã hội, tối về chăm lo cơm nước
gia đình được xã hội hết sức ca ngợi và đề cao, thế nhưng nếu suy cho cùng đó vẫn
chỉ là những định kiến xưa nhưng được khoác lên mình lớp áo mới. Liệu những lời
khen “giỏi việc nước, đảm việc nhà” dành cho người phụ nữ có thật sự là lời tôn vinh
hay đó lại thực chất là một cách tinh tế để khiến cho phụ nữ tự nhận thức được trách
nhiệm mà phụ nữ có bổn phận phải thực hiện?

Xuất phát từ những băn khoăn trên, xét thấy đây vẫn là một vấn đề tương đối mới mẻ
và chưa được tìm hiểu nhiều ở Việt Nam, nhóm nghiên cứu đã mạnh dạn tiến hành
đề tài về “Tác động của Quảng cáo truyền hình có sử dụng yếu tố định kiến giới tới
Thái độ và Hành vi của người tiêu dùng đối với Quảng cáo và Thương hiệu nhằm tìm
hiểu rõ hơn về thực trạng trên tại Việt Nam”.

1.3. Mục tiêu nghiên cứu

Nhận thấy ở Việt Nam, nguồn đề tài nghiên cứu về vấn đề này vẫn chưa thật sự dồi
dào, nhóm nghiên cứu đã quyết định thực hiện nghiên cứu sau với mục đích:

Thứ nhất, kiểm tra nhận thức của người tiêu dùng về các hình ảnh và yếu tố có nội
dung định kiến giới. Thứ hai, xem xét thái độ của người xem đối với bản thân các
quảng cáo truyền hình có chứa các yếu tố định kiến giới cũng như với thương hiệu
sử dụng các quảng cáo đó, đồng thời tìm hiểu Hành vi của người tiêu dùng đối với
các thương hiệu đó. Thứ ba, giúp thương hiệu hiểu được những ảnh hưởng của mình

2
đối với công chúng, và tìm được phương pháp xây dựng hình ảnh tốt cho cả thương
hiệu lẫn xã hội, gia tăng sự tin yêu của khách hàng và người tiêu dùng đối với thương
hiệu và sản phẩm.

1.4. Đối tượng nghiên cứu

Thứ nhất, nhận thức của người tiêu dùng về các hình ảnh và yếu tố có nội dung định
kiến giới và ảnh hưởng của điều này lên thái độ của người tiêu dùng đối với các quảng
cáo đó. Thứ hai, thái độ của người tiêu dùng đối với quảng cáo và thương hiệu. Thứ
ba, ảnh hưởng của thái độ của người tiêu dùng về quảng cáo và về thương hiệu lên
hành vi của người tiêu dùng đối với thương hiệu.

1.5. Phạm vi nghiên cứu

Không gian: Địa bàn Thành phố Hồ Chí Minh.

Thời gian: 20/06/2021 - 09/07/2021.

1.6. Phương pháp thu thập dữ liệu

Dữ liệu sơ cấp: được thu thập bằng cách gửi phiếu khảo sát trực tuyến Google Form
cho bạn bè, người quen thông qua mạng xã hội.

Dữ liệu thứ cấp: thông tin chủ yếu được lấy dựa trên cơ sở lý thuyết, thông tin trên
Internet; trên các đầu sách, báo đài có nội dung liên quan đến đề tài nghiên cứu.

1.7. Các giả thuyết nghiên cứu

1.7.1. Lý thuyết xét đoán xã hội của Sherif và Hovland (1961)

Lý thuyết này đưa ra giả thuyết rằng khi con người tiếp xúc với một thông tin mới,
họ sẽ dựa trên thái độ ban đầu có sẵn trong tâm trí của họ để lựa chọn chấp nhận hay
bác bỏ thông điệp đó. Hai nhà nghiên cứu này cho rằng nếu thông tin đó rơi vào vùng
chấp nhận của cá nhân đó thì sẽ được xem là phù hợp hoặc tương đồng với quan điểm
của người đó bất kể bản chất. Ngược lại, nếu thông tin rơi vào vùng từ chối sẽ bị bác
bỏ Dựa trên lý thuyết này, nghiên cứu này cho rằng việc đưa các yếu tố định kiến giới
vào quảng cáo truyền hình sẽ khiến người tiêu dùng hình thành những thái độ nhất
định đối với các quảng cáo đó dựa theo nhận thức và quan điểm của cá nhân đó về

3
vai trò của giới trong xã hội nói chung và trong gia đình nói riêng. Từ đó, nhóm
nghiên cứu đề xuất ra giả thuyết:

H1: Nhận thức của người tiêu dùng có tác động cùng chiều đến Thái độ của họ
đối với quảng cáo

Trường hợp 1: Nếu các quảng cáo có chứa yếu tố định kiến giới phù hợp với quan
điểm của người tiêu dùng, người tiêu dùng sẽ chấp nhận hoặc là có thái độ tích cực
với quảng cáo.

Trường hợp 2: Nếu các quảng cáo có sử dụng yếu tố định kiến giới đi ngược lại với
quan điểm của của người tiêu dùng thì người tiêu dùng sẽ phản đối hoặc có thái độ
tiêu cực với quảng cáo.

1.7.2. Thái độ đối với thương hiệu và thái độ đối với quảng cáo sử dụng
hình ảnh hấp dẫn giới tính

Theo kết luận từ H3 của nghiên cứu trên (Hà Minh Trang, Trần Đăng Khoa và Cao
Quốc Việt), chứng minh rằng: “Khi người tiêu dùng thể hiện sự đồng ý hay phản đối
nội dung quảng cáo về mặt đạo đức thì điều đó sẽ tác động cùng chiều đến thái độ
của họ dành cho thương hiệu.” Dựa trên cơ sở lập luận đó, nghiên cứu này đưa ra giả
thuyết:

H2: Thái độ của người tiêu dùng với Quảng cáo có tác động cùng chiều với Thái
độ của họ đối với thương hiệu.

1.7.3. Lý thuyết về hiệu ứng mồi của Jo & Berkowitz (1994)

Lý thuyết này cho rằng việc các quảng cáo truyền hình lặp đi lặp lại các nội dung,
tình tiết về một vài sự kiện nhất định sẽ ảnh hưởng đến những ý tưởng, cảm xúc, suy
nghĩ và xu hướng hành động trong tâm trí những người được tiếp xúc, xem quảng
cáo ấy. Từ đó tác động đến cách nhìn của người đó, khiến người đó “cảm nhận và
diễn tập nó trong tâm trí, để rồi hành động y như vậy trong thực tế”. Từ đây,
nghiên cứu này đưa ra giả định rằng hành vi của người tiêu dùng bị tác động bởi thái
độ của họ đối với những quảng cáo có sử dụng yếu tố định kiến giới, mà thái độ này
được tạo thành bằng việc lặp lại thông tin thông qua hiệu ứng mồi.

4
Trên nền tảng lý thuyết trên, nghiên cứu này đưa ra giả thuyết:

H3: Thái độ của người tiêu dùng với quảng cáo có tác động cùng chiều đối với
Hành vi của họ đối với thương hiệu.

Hành vi mua sản phẩm của người tiêu dùng được giả định sẽ bị thôi thúc bởi thái độ
của họ đối với những hình ảnh được chiếu trong các quảng cáo có nội dung định kiến
giới. Nếu người tiêu dùng có thái độ tiêu cực do nhận thấy các quảng cáo đang hình
thành hoặc cổ súy cho sự bất bình đẳng hoặc định kiến giới đồng thời tạo ảnh hưởng
tiêu cực tới gia đình và xã hội, họ sẽ có những phản ứng tiêu cực với quảng cáo và
thương hiệu ấy, họ sẽ tìm cách phản đối, chống lại những tác động này thông qua
việc từ chối những sản phẩm hoặc thương hiệu tồn tại các quảng cáo truyền hình
tương tự, ngoài ra họ còn đưa ra lời khuyên, quan điểm cá nhân nhằm ngăn cản lựa
chọn và quyết định của người khác. Nếu người tiêu dùng có thái độ tiêu cực do nhận
thấy các quảng cáo mang đến ảnh hưởng tích cực tới gia đình và xã hội, họ sẽ dần
dần hình thành sự phối hợp đồng thời thay đổi hành vi và có những lối hành xử theo
những chuẩn mực đã nhận thức này, tức là người tiêu dùng sẽ ưu tiên lựa chọn những
sản phẩm hoặc thương hiệu ấy cũng như khuyến khích, thúc đẩy các đối tượng khác
chọn lựa thương hiệu, sản phẩm.

1.8. Mô hình nghiên cứu đề xuất

Hình 1.1: Mô hình nghiên cứu đề xuất

5
CHƯƠNG 2: XỬ LÝ DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
2.1. Thống kê mô tả

2.1.1. Thông tin về mẫu

Nhóm nghiên cứu đã khảo sát bằng bảng câu hỏi dưới dạng Google Form được gửi
thông qua mạng xã hội, sau khi kết thúc quá trình khảo sát, nhóm nghiêm cứu chúng
tôi đã thu về 150 phiếu trả lời khảo sát hợp lệ, kích thước mẫu nghiên cứu của nhóm
tương đương N = 150 bảng. Tiếp theo nhóm đã sàn lọc kết quả và nhập dữ liệu vào
SPSS để phân tích.

Từ những thông tin đã thu được, nhóm nghiên cứu đã tiến hành thực hiện thống kê
mô tả nhằm trình bày những đặc điểm nhân khẩu học của mẫu thông qua các phép
thống kê mô tả.

• Đầu tiên là thao tác tạo custom tables:

Ý nghĩa/mục đích của phân tích: Nhằm khảo sát mối liên hệ giữa các cặp kết hợp
của các biến quan tâm.

Cách thực hiện:

Bước 1: Analyze → Tables → Custom Tables.

Bước 2: Chọn biến cần xử lý vào khung Row/Column → OK.

Bước 3: Thêm hàm thống kê tùy yêu cầu bằng cách chọn vào biến cần tính, khung
Define → Summary Statistic → Chọn hàm cần thiết trong khung Statistic.

Bước 4: Chọn mũi tên/hàm sẽ chuyển sang khung Display.

Bước 5: Thực hiện việc định dạng tại khung Display → Apply to Selection.

Bước 6: Thiết lập tiêu đề tại menu Titles bằng cách nhập nội dung tại Title và Corner
→ OK.

2.1.1.1 Độ tuổi theo giới tính

Trước tiên, nhóm nghiên cứu muốn biết được nếu ở từng nhóm giới tính nam và nữ
thì có bao nhiêu người thuộc từng độ tuổi trong mẫu quan sát, đồng thời mỗi độ tuổi

6
chiếm bao nhiêu % trong mỗi giới. Để biết được điều này, nhóm đã tiến hành tạo
bảng kết hợp đối với 2 biến định tính: Giới tính (danh nghĩa) ở khung Column và Độ
tuổi (thứ bậc) ở khung Row, đồng thời chọn hàm Count (mặc định) và Column N %
để tính ra số lượng và %. Sau đó, nhóm tiến hành nhập tiêu đề cho bảng và thu được
kết quả như bên dưới.

Bảng 2.1: Thống kê số lượng và % đáp viên theo giới tính và độ tuổi
Giới tính
Nam Nữ
SL % trên tổng số Số lượng % trên tổng số
Dưới 18 tuổi 5 12,2% 3 2,8%
Độ Từ 18 đến 22 tuổi 24 58,5% 91 84,3%
tuổi Từ 23 đến 28 tuổi 8 19,5% 9 8,3%
hiện Từ 29 đến 35 tuổi 2 4,9% 3 2,8%
tại Từ 36 đến 45 tuổi 1 2,4% 2 1,9%
Từ 46 tuổi trở lên 1 2,4% 0 0,0%

Quan sát bảng trên, có thể nhận định số lượng đáp viên nữ có số lượng áp đảo so với
nam (108 so với 41), lưu ý là ở đây các kết quả đáp viên trả về thuộc giới tính khác
đã được khai báo missing values và loại khỏi thống kê này. Trong đó, độ tuổi từ 18
đến 22 có số lượng đông nhất ở cả nam và nữ, chiếm lần lượt 58,5% và 84,3%. Ngược
lại, số người từ 46 tuổi trở lên chiếm tỷ lệ thấp nhất trong toàn bộ mẫu. Điều này có
thể cho thấy, các kết quả phân tích dưới đây sẽ phản ánh đúng hơn quan điểm của nữ
ở nhóm tuổi trẻ.

2.1.1.2 Thu nhập theo ngành nghề

Tiếp theo, nhóm nghiên cứu muốn biết được số lượng đáp viên ở mỗi mức thu nhập
phân theo ngành nghề. Tương tự như trên, để biết được điều này, nhóm cũng tiến
hành tạo bảng kết hợp đối với 2 biến định tính: Nghề nghiệp (danh nghĩa) ở khung
Column và Thu nhập (thứ bậc) ở khung Row, đồng thời chọn hàm Count.

Sau khi nhập tiêu đề cho bảng, nhóm nghiên cứu thu được kết quả như sau:

7
 Bảng 2.2: Thống kê mức thu nhập theo nghề nghiệp
Nghề nghiệp
HSSV NVVP CC LĐTD GV BĐ
Dưới 1.000.000 đồng 57 0 0 0 0 0
Từ 1.000.000 đến dưới
46 0 0 2 0 0
3.000.000 đồng
Từ 3.000.000 đến dưới
17 0 0 4 0 0
Thu 7.000.000 đồng
nhập Từ 7.000.000 đến dưới
2 10 2 1 2 0
12.000.000 đồng
Từ 12.000.000 đến
0 3 0 0 0 0
dưới 20.000.000 đồng
Trên 20.000.000 đồng 1 1 0 1 0 1

Qua số liệu trên bảng, có thể nhận thấy hầu hết đáp viên là học sinh hoặc sinh viên
với mức thu nhập khá khiêm tốn là dưới 1 triệu (57 đáp viên) và từ 1 – 3 triệu đồng
hàng tháng (46 đáp viên). Ngược lại, bộ đội là nhóm ngành nghề có ít đáp viên nhất,
chỉ với duy nhất 1 trên tổng số 150 mẫu. Nhóm thu nhập trên 20 triệu đồng cũng là
nhóm có ít số đáp viên nhất trên toàn bộ mẫu.

• Tiếp theo là đến thao tác sử dụng bảng tần số (Frequencies)

Ý nghĩa/mục đích: Dùng để đếm số trả lời chung toàn mẫu và cung cấp giá trị Min,
Max, Mean.

Cách thực hiện:

Bước 1: Chọn Menu Analyze → Descriptive Statistics → Frequencies.

Bước 2: Chọn biến cần xử lý vào khung Variable.

Bước 3: Nếu thực hiện vẽ chart, chọn Chart → Kiểu đồ thị mong muốn.

Bước 4: Chọn Continue → OK.

8
2.1.1.3 Thống kê số lượng và % đáp viên theo trình độ học vấn

Nhằm tìm hiểu liệu có bao nhiêu đáp viên ở từng trình độ học vấn, cũng như số đáp
viên này chiếm bao nhiêu % so với tổng thể, nhóm nghiên cứu đã tiến hành thao tác
tạo bảng tần số với biến Trình độ học vấn và thu được kết quả như sau:

Bảng 2.3: Bảng kết quả trình độ học vấn

Trình độ học vấn
Tần số % % Hợp lệ % Cộng dồn
Phổ thông 10 6,7 6,7 6,7
Quan
Cao đẳng, trung cấp 6 4,0 4,0 10,7
sát
Đại học 124 82,7 82,7 93,3
hợp
Sau đại học 10 6,7 6,7 100,0
lệ
Total 150 100,0 100,0

Ngoài ra, để trực quan hóa dữ liệu, nhóm nghiên cứu đã tiến hành vẽ Par chart cho số
liệu trên và thu được kết quả như sau:

Hình 2.1: Kết quả % trình độ học vấn

Có thể nhìn thấy, trong tổng thể 150 đáp viên thì nhóm đáp viên từ trình độ đại học
chiếm tỷ lệ cao nhất với 82,7% (tương ứng với 124 người), tiếp theo đến nhóm người

9
có trình độ phổ thông và sau đại học đều 6,7%. Nhóm đáp viên với trình độ học vấn
ở các bậc cao đẳng trung cấp chiếm tỷ lệ thấp nhất với 6 người (4%). Điều này có
thể hiểu rằng kết các phiếu trả lời khảo sát phần lớn phản ánh chính xác quan điểm
của những đối tượng có trình độ học vấn cao. Không có dữ liệu nào bị thiếu, tất cả
150 quan sát đều hợp lệ.

Qua các thống kê trên có thể thấy sự liên kết chặt chẽ một cách hợp lý giữa lứa tuổi,
thu nhập và nghề nghiệp của các đáp viên. của thông tin thu nhập cá nhân của mẫu
quan sát tương đối phù hợp với nghề nghiệp hiện tại của họ.

2.1.2. Thông tin về hành vi

2.1.2.1 Chỉ số Top of Mind

Cũng sử dụng phương pháp tạo bảng tần số với biến Top of Mind, tuy nhiên, lần này
nhóm nghiên cứu lựa chọn dạng Bar Chart để mô tả dữ liệu như sau:

Hình 2.2: Thương hiệu được nghĩ đến đầu tiên khi nhắc đến nước tẩy rửa
Kết quả sau khi được thống kê cho thấy thương hiệu CIF đang đứng đầu về chỉ số
nhận thức thương hiệu trong mặt hàng nước tẩy rửa khi được 42 người – tương đương
nghĩ ngay đến khi được hỏi. Thương hiệu xếp thứ nhì là Sunlight với 24 người. Tiếp

10
theo là Gift, Lix và Mr. Clean với số người nhớ đến lần lượt là 23, 29, 12. Ở cuối
cùng, thương hiệu ít được nhớ đến nhất là Mỹ Hảo với 2 người.

Ở những thống kê mô tả tiếp theo, do được thực hiện với những câu hỏi dạng Multiple
Answer nên trước tiên, nhóm nghiên cứu sẽ thực hiện ghép biến.

Ý nghĩa/mục đích: Nhằm giải quyết tình trạng thống kê tạo ra nhiều biến và nhiều
bảng tần số rời rạc, thao tác ghép biến này sẽ giúp tạo ra một biến đại diện để thuận
tiện cho việc xử lý bằng Bảng tần số hay Bảng tùy biến trên biến đại diện đó.

Cách thực hiện:

Bước 1: Analyze → Tables → Multiple Response Sets

Bước 2: Chọn biến cần ghép → Chọn mục Categories.

Bước 3: Nhập tên và nhãn cho biến mới → Chọn Add → OK.

Với các biến đại diện vừa tạo ra, để tiến hành phân tích thống kê mô tả, nhóm nghiên
cứ sẽ thực hiện các bước sau:

Bước 1: Analyze → Tables → Custom Tables.

Bước 2: Chọn biến gộp vừa tạo vào khung Row/ Column.

Bước 3: Lựa chọn hàm thống kê phù hợp.

2.1.2.2 Mức độ được nhận biết:

Với câu hỏi “Bạn biết những thương hiệu nào dưới đây?”, nhóm nghiên cứu đã thực
hiện ghép biến vào tạo thành tên mới là “Nhận biết thương hiệu”. Sau đó, tiến hành
thực hiện phép tính toán Count và Column N % để tìm hiểu mức độ nhận biết thương
hiệu của đáp viên tính theo số lượng và %. Kết quả thu được như trong hình bên dưới.
Thống kê cho thấy Sunlight đang là thương hiệu đứng đầu về chỉ số nhận thức thương
hiệu khi trong tổng số đáp viên, có 148 người tức 98.7% biết đến thương hiệu này khi
nhắc đến mặt hàng nước tẩy rửa. Theo sau là CIF với 71.3%. Các thương hiêu còn lại
cũng có tỷ lệ tương đối cao với 56% (Gift), 48% (Lix) và 34.7% (Mỹ Hảo). Whiz,
Anyway và Ring là hai thương hiệu được biết đến ít nhất với 6% và 5.3%. Ngoài ra,
để thuận tiện cho việc xử lý và phân loại dữ liệu, các thương hiệu nằm ngoài danh

11
sách dự kiến của nhóm nghiên cứu (được dùng cho những câu hỏi sau) sẽ được phân
vào nhóm Khác và không được nhắc đến ở phân tích này.

Bảng 2.4: Mức độ nhận biết các thương hiệu

Số lượng %
Sunlight 148 98,7%
CIF 107 71,3%
Gift 84 56,0%
Lix 72 48,0%
Mr. Clean 35 23,3%
Nhận biết thương hiệu
Look 17 11,3%
Whiz 9 6,0%
Mỹ Hảo 52 34,7%
Ring 8 5,3%
Anyway 9 6,0%

2.1.2.3 Mức độ phủ sóng trên các phương tiện truyền thông:

Thực hiện các thao tác tương tự như với Mức độ nhận biết, tiếp theo nhóm nghiên
cứu tiến hành phân tích có bao nhiêu đáp viên từng nhìn thấy các quảng cáo trên các
phương tiện truyền thông của mỗi thương hiệu và con số này chiếm bao nhiêu % trên
tổng thể. Kết quả thu thập được như bảng bên dưới.
Từ kết quả ấy, có thể thấy là gần như tất cả 139 – 92.7%) đáp viên tham gia khảo sát
đều từng thấy quảng cáo của thương hiệu Sunlight. Thương hiệu có quảng cáo với
mức độ phổ biến theo ngay sau là CIF (100 – 66.7%), Gift (37 – 24.7%), %), Mỹ Hảo
(36 – 24%), Lix (29 – 19.35) và Mr. Clean (10 – 6.7%). Bốn thương hiệu có mức độ
nhận biết thấp nhất theo thứ tự giảm dần lần lượt là Whiz (7 – 4.7%), Ring (5 – 3.3%),
Anyway (4 – 2.7%) và Look (3- 2%). Từ đó, có thể kết luận Sunlight là thương hiệu
này có mức độ phủ sóng truyền thông cao nhất so với các cái tên còn lại.

12
 Bảng 2.5: Mức độ phủ sóng của các thương hiệu trên truyền thông
Số lượng %
Sunlight 139 92,7%
CIF 100 66,7%
Gift 37 24,7%
Lix 29 19,3%
Mr. Clean 10 6,7%
Nhận biết quảng cáo Look 3 2,0%
Whiz 7 4,7%
Mỹ Hảo 36 24,0%

Ring 5 3,3%

Anyway 4 2,7%

2.1.2.4 Kênh mua hàng yêu thích

Tiếp theo, với những thao tác tương tự, nhóm nghiên cứu đã tiến hành tìm hiểu liệu
đâu là kênh mua hàng yêu thích nhất của các đáp viên đối với từng thương hiệu, đồng
thời con số này chiếm bao nhiêu % trong toàn mẫu. Kết quả thu được như sau:

Bảng 2.6: Kênh mua hàng yêu thích nhất đối với từng thương hiệu

Số lượng %

Siêu thị 138 92,0%

Kênh
Cửa hàng tạp hóa 81 54,0%
mua
Chợ 76 50,7%
hàng
Các sàn thương mại điện tử 38 25,3%

Từ kết quả cho thấy, đối với việc lựa chọn kênh mua hàng để thực hiện hành vi mua
các sản phẩm nước tẩy rửa, 138 đáp viên lựa chọn siêu thị, khiên kênh này trở thành
kênh mua hàng chính chiếm 92%. Trong khi đó, cửa hàng tạp hóa và chợ lần lượt là
lựa chọn phổ biến thứ hai và ba với 54% và 50.7%. Cuối cùng, các sàn thương mại

13
điện tử là kênh mua hàng ít được lựa chọn nhất, chỉ với 25.3% đáp viên mua các mặt
hàng trên qua kênh này.

2.2. Kiểm định độ tin cậy của thang đo bằng Cronbach’s Alpha

2.2.1. Ý nghĩa/mục đích của kiểm định Cronbach’s Alpha

Trong một nghiên cứu, không phải lúc nào các biến quan sát mà chúng ta dùng để đo
lường một nhân tố nào đó cũng đều hợp lý, phản ánh đúng được tính chất và khái
niệm của nhân tố đó. Vì vậy, Cronbach’s Alpha là công cụ giúp ta kiểm định độ tin
cậy của thang đo, xem biến quan sát nào phù hợp và biến quan sát nào không, nên bị
loại khỏi thang đo.

Để đánh giá độ tin cậy của thang đo Cronbach’s Alpha, ta cần đảm bảo 2 yếu tố: Hệ
số Cronbach’s Alpha: α > 0.6 và hệ số tương quan biến tổng > 0.3 (Đỗ Trọng Danh,
2014)

Khi kiểm định Cronbach’s Alpha, có các trường hợp có thể xảy ra như sau:

Thứ nhất: Cronbach’s Alpha quá thấp (<0).

Lúc này, trong thang đo có sự xuất hiện của biến “rác” nên độ tin cậy chung của thang
đo bị giảm. Khi đó ta cần cân nhắc loại bỏ các biến đó nhằm tăng độ tin cậy của thang
đo. Thang đo có giá trị từ mức 0.6 trở lên là có thể chấp nhận được (Hoàng Trọng,
Chu Nguyễn Mộng Ngọc, 2008).

Thứ hai: Cronbach’s Alpha có thể sử dụng được (từ 0.6 - 0.95).

Nếu thang đó có hệ số này từ 0.8 trở lên thì đây được đánh giá là một thang đo tốt
(Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2005).

Thứ ba: Cronbach’s Alpha quá cao (>0.95).

Trong trường hợp này, có khả năng xuất hiện biến quan sát thừa (biến rác - một biến
đo lường có khả năng trùng với một biến đo lường khác) ở trong thang đo (Đỗ Trọng
Danh, 2014). Các biến quan sát thừa đó cần được xem xét loại bỏ.

2.2.2. Cách thực hiện

Bước 1: Chọn menu Analyze → Scale → Reliability Analysis.

14
Bước 2: Trong bảng Reliability Analysis, chuyển các biến quan sát trong cùng một
thang đo qua khung Items.

Bước 3: Chọn Statistics, trong bảng Statistics chọn Descriptive for Items và Scale if
item deleted, ANOVA Table chọn None.

Bước 4: Chọn Continue → Ok.

2.2.3. Kết quả và đánh giá

Sau khi tiến hành kiểm định Cronbach’s Alpha lần 1, ta được kết quả như sau:

Bảng 2.7: Kết quả kiểm định Cronbach's Alpha lần 1

Trung bình Phương sai Hệ số tương Cronbach

Variables thang đo nếu thang đo nếu quan biến – Alpha nếu loại
loại biến loại biến tổng biến

Nhận thức về định kiến giới (NT): α = 0.567, N = 4

nt1 8.72 1.867 0.427 0.436

nt2 8.87 1.695 0.545 0.335

nt3 8.76 1.633 0.567 0.310

nt4 9.45 2.396 0.002 0.781

Thái độ đối với Quảng cáo (QC): α = 0.849, N = 3

qc1 7,22 2.052 0.732 0.775

qc2 7.28 2.136 0.678 0.825

qc3 7.26 1.952 0.742 0.765

Thái độ đối với Thương hiệu (TH): α = 0.849, N = 3

th1 7.15 2.126 0.699 0.807

15
 th2 7.11 2.021 0.744 0.765

th3 7.19 1.781 0.720 0.793

Hành vi đối với Thương hiệu (HV): α = 0.874, N = 3

hv1 7.14 2.175 0.811 0.776

hv2 7.03 2.301 0.720 0.856

hv3 7.24 2.117 0.747 0.834

Trong lần kiểm định đầu tiên, hệ số Cronbach’s Alpha của thang đo các biến: Quảng
cáo (QC), Thương hiệu (TH), Hành vi (HV) đều lớn hơn 0.8. Bên cạnh đó, hệ số
tương quan biến tổng cũng đều lớn hơn 0.3. Vì vậy, đây là các thang đo tốt.

Tuy nhiên, ở thang đo Nhận thức (NT), hệ số Cronbach’s Alpha là 0.567, thấp hơn
so với mức tiêu chuẩn. Bên cạnh đó, hệ số tương quan biến tổng của biến “nt4” ở
mức rất thấp (0.02) so với mức có thể chấp nhận (>0.3), đồng thời nếu loại bỏ biến
này thì hệ số Cronbach’s Alpha sẽ tăng lên 0.781. Vì vậy, để có thể cải thiện độ tin
cậy của thang đo này, nhóm tác giả tiến hành loại bỏ biến “nt4” (gánh vác tài chính
cho gia đình) và kiểm định lại. Quy trình kiểm định tương tự như trên. Ở lần kiểm
định này, kết quả thu được cho thang đo Nhận thức (NT) như sau:

Bảng 2.8: Kết quả kiểm định Cronbach’s Alpha lần 2 đối với thang đo Nhận thức

Trung bình Phương sai Hệ số tương Cronbach

Variables thang đo nếu thang đo nếu quan biến – Alpha nếu loại
loại biến loại biến tổng biến

Nhận thức về định kiến giới (NT): α = 0.781, N = 3

nt1 6.23 1.227 0.593 0.732

nt2 6.39 1.205 0.601 0.723

16
 nt3 6.27 1.113 0.663 0.653

Sau khi loại bỏ đối tượng thứ 4, độ tin cậy của thang đo đã tăng lên đáng kể (từ 0.567
lên 0.781), nằm ở mức có thể chấp nhận được. Ngoài ra, hệ số tương quan biến - tổng
của các biến lúc này đã đạt tiêu chuẩn (>0.3).

2.3. Phân tích nhân tố khám phá EFA

2.3.1. Ý nghĩa/mục đích của phân tích nhân tố khám phá EFA

Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn
một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các
nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông
tin của tập biến ban đầu (Hair & ctg, 1998).

Khi phân tích nhân tố khám phá EFA, người ta thường xem xét và đánh giá các chỉ
số sau đây:

Thứ nhất, chỉ số KMO (Kaiser-Meyer-Olkin).

Đây là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của
KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu
như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các
dữ liệu.

Thứ hai, hệ số tải nhân tố (Factor loadings).

Đây là những hệ số tương quan đơn giữa các biến và các nhân tố. Hair và cộng sự
(2014) cho rằng trong phân tích nhân tố khám phá EFA:

(1) Trị tuyệt đối hệ số tải nhân tố ở mức 0.3 đến 0.4: cân nhắc là điều kiện tối thiểu
để biến quan sát được giữ lại.

(2) Trị tuyệt đối hệ số tải nhân tố ở mức từ 0.5 trở lên: mức tối ưu, các biến quan sát
có ý nghĩa thống kê tốt.

Vì vậy, để việc đánh giá chất lượng biến quan sát trên thực nghiệm được tốt nhất,
nhóm nghiên cứu sẽ chọn hệ số tải nhân tố là 0.5.

17
Thứ ba, tổng phương sai trích (Extraction sum) và giá trị riêng (Eigenvalues).

Để thang đo có thể chấp nhận được, tổng phương sai trích phải ≥ 50% và giá trị riêng
phải > 1.

Thứ tư, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải ≥ 0.3
để đảm bảo giá trị phân biệt giữa các yếu tố.

2.3.2. Cách thực hiện

Bước 1: Chọn Analyze → Dimension Reduction → Factor.

Khác với những đề tài thông thường đã xác định được đâu là biến độc lập và phụ
thuộc, mối quan hệ giữa các biến đơn giản hơn, trong đề tài này của nhóm nghiên cứu
xuất hiện các biến vừa đóng vai trò độc lập vừa đóng vai trò phụ thuộc nên có độ phức
tạp cao hơn. Vì thế, nhóm nghiên cứu quyết định không tách riêng mà tiến hành phân
tích nhân tố khám phá cho tất cả biến độc lập và phụ thuộc cùng một lúc.

Bước 2: Trong khung Variables: chọn tất cả các biến định lượng cần kiểm định.

Bước 3: Chọn Descriptive → Chọn Initial Solution và KMO and bartlett’s test of
sphericity → Chọn continue.

Như đã trình bày bên trên, mô hình nghiên cứu trong đề tài này sẽ khác với các mô
hình thông thường lựa chọn phép trích mặc định là Principal components (phép trích
để trích ra những nhân tố chính với mục đích làm giảm số lượng biến quan sát tham
gia vào EFA thành những yếu tố chính phục vụ cho việc phân tích hồi quy về sau, là
phép trích được phương sai lớn nhất). Cân nhắc đặc tính mô hình, mục đích chính
trong bước phân tích EFA này của nhóm là nhằm khám phá ra được những cấu trúc
tiềm ẩn giữa các biến quan sát với nhau, vì thế nhóm nghiên cứu quyết định sử dụng
một phép trích phổ biến và phù hợp hơn cho loại mô hình này là Principal axis
factoring

Bước 4: Chọn Extraction → Tại khung Method chọn Principal axis factoring (PAF).

Để đảm bảo sự phù hợp, nhóm nghiên cứu cũng lựa chọn phép quay thường đi kèm
với phép trích PAF là phép quay không vuông góc Promax, là phép quay giả định
giữa các factors có sự tương quan với nhau.

18
Bước 5: Chọn Rotation → Tại khung Method chọn phép quay Promax → Chọn
continue.

Bước 6: Chọn Scores → Chọn Save as variables → Chọn continue.

Bước 7: Chọn Options → Trong khung Missing value chọn Exclude cases listwise
→ Trong khung Coefficient Display Format chọn Sorted by size và Suppress small
coefficient → Trong khung Absolute value below chọn 0.50 → Chọn Continue →
Chọn Ok.

Nhóm nghiên cứu lựa chọn Sorted by size nhằm giúp sắp xếp ma trận xoay theo kích
thước thành từng cột dạng bậc thang để dễ đọc dữ liệu hơn, đồng thời cũng chọn loại
bỏ các hệ số tải không đạt tiêu chuẩn (<0.5) khỏi ma trận xoay, giúp ma trận gọn gàng
và trực quan hơn.

2.3.3. Kết quả và đánh giá

Sau khi phân tích nhân tố khám phá EFA, ta được kết quả như sau:

Ở bảng dưới đây, ta thấy rằng:

Thứ nhất, hệ số KMO = 0.810 chứng tỏ phân tích nhân tố là thích hợp.

Thứ hai, giá trị Sig. = 0 < 0.05 chứng tỏ việc kiểm định trên có ý nghĩa thống kê và
các biến quan sát có tương quan với nhau trong tổng thể.

Bảng 2.9: KMO and Bartlett’s Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. 0.810

Bartlett's Test of Approx. Chi-Square 919.304

Sphericity df 66

Sig. 0.000

19
 Bảng 2.10: Total Variance Explained

Rotation
Extraction Sums of Sums of
Initial Eigenvalues
Squared Loadings Squared

Factor Loadings

Cumu- Cumu-
% of % of
Total lative Total lative Total
Variance Variance
% %

1 4.872 40.602 40.602 4.562 38.019 38.019 3.506

2 2.041 17.005 57.606 1.623 13.527 51.546 3.506
3 1.218 10.149 67.755 0.911 7.595 59.141 3.317
4 1.083 9.023 76.777 0.771 6.423 65.564 1.906
5 0.552 4.598 81.375
6 0.488 4.070 85.445
7 0.393 3.273 88.718

Ở bảng trên, ta thấy phương sai trích đạt 65.564%. Con số này cho biết 4 nhân tố
được rút ra giải thích được 65.564% biến thiên của các biến quan sát. Bên cạnh đó,
phương pháp rút trích Principal Axis Factoring với phép quay Promax và điểm dừng
khi trích các nhân tố có Eigenvalues > 1, phân tích nhân tố đã trích được 4 nhân tố từ
12 biến quan sát tại mức giá trị có Eigenvalues = 1.083 (>1).

20
 Bảng 2.11: Kết quả phân tích nhân tố khám phá EFA - Pattern Matrix

Factor

1 2 3 4

qc3 0.875
qc1 0.807
qc2 0.724
hv1 0.910
hv3 0.850
hv2 0.690
th3
th2 0.860
th1 0.824
nt3 0.663
0.852
nt2
0.692
nt1
0.672

Dựa vào bảng Pattern Matrix trên, ta thấy 12 biến quan sát được chia thành 4 nhân tố
như sau:

Nhân tố 1: nhóm này có 3 biến quan sát, bao gồm: qc1, qc2 và qc3. Nhân tố này
được đặt tên là Thái độ đối với quảng cáo.

Nhân tố 2: nhóm này có 3 biến quan sát, bao gồm: hv1, hv2 và hv3. Nhân tố này
được đặt tên là Hành vi đối với thương hiệu.

Nhân tố 3: nhóm này có 3 biến quan sát, bao gồm: th1, th2 và th3. Nhân tố này được
đặt tên là Thái độ đối với thương hiệu.

Nhân tố 4: nhóm này có 3 biến quan sát, bao gồm: nt1, nt2 và nt3. Nhân tố này được
đặt tên là Nhận thức về định kiến giới.

21
Kết quả cho thấy, hệ số tải của các biến đều lớn hơn 0.5, vì thế sẽ không biến nào bị
loại bỏ ở bước này.

Tuy nhiên, Factor Scores được tạo ra do giao diện tùy chọn của EFA sẽ không được
sử dụng làm biến đại diện, vì theo cách này toàn bộ các sai số sẽ bị loại bỏ dẫn đến
một số vi phạm giả định hồi quy OLS cũng sẽ bị loại bỏ. Điều này sẽ có nguy cơ xuất
hiện những nhận định sai lầm nếu mô hình hồi quy vi phạm các giả định do kết quả
không được chính xác hoàn toàn. Thay vào đó, nhóm nghiên cứu lựa chọn phương
pháp tính trung bình cộng của các biến có cùng tính chất trong một cột để tạo ra các
biến mang tính đại diện cho tất cả biến nhỏ thành phần. Cách làm này vừa hỗ trợ cho
các phân tích chuyên sâu hơn về sau, vừa giúp đánh giá được tổng quan của tất cả các
biến và kiểm định được chính xác hơn liệu có sự vi phạm đối với các giả định hồi
quy hay không. Cách làm này cũng phù hợp với các thang đo dương được sử dụng
trong đề tài do không xảy ra hiện tượng triệt tiêu lẫn nhau.

Quá trình được thực hiện như sau:

Bước 1: Transform, chọn Compute Variable.

Bước 2: Target Variable: Nhập tên biến đại diện mới cho từng nhóm nhân tố.

Bước 3: Numeric Expression: Thực hiện phép trung bình cộng cho từng nhóm.

Vd: NT = (nt1 + nt2 + nt3 + nt4)/4.

Bước 4: Nhập Type & Label cho từng biến đại diện → Ok.

Sau khi hoàn thành, nhóm thực hiện điều chỉnh Decimals của các biến đại diện này
thành 2 vì để thu được kết quả chính xác hơn mà không bị làm tròn.

2.4. Phân tích tương quan và hồi quy

2.4.1. Phân tích hệ số tương quan Pearson

2.4.1.1. Ý nghĩa/mục đích của phân tích hệ số tương quan Pearson

Người ta sử dụng một số thống kê có tên là hệ số tương quan Pearson (ký hiệu là r)
để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng. Trị
tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính. Khi giá trị này

22
tiến gần đến 1 thì giữa 2 biến có mối tương quan tuyến tính chặt chẽ (Hoàng Trọng,
Chu Nguyễn Mộng Ngọc, 2008).

Mục đích chính của phân tích hệ số tương quan Pearson là nhằm kiểm tra mối liên hệ
tuyến tính giữa các cặp biến với nhau. Ở bước này, chỉ có thể đặt nghi vấn chứ không
có bất kỳ một tính toán, so sánh chính xác nào để chứng minh rằng giữa 2 biến độc
lập có đa cộng tuyến xảy ra (hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn
nhau và thể hiện được dưới dạng hàm số). Cụ thể, theo một số quan điểm, nghi vấn
này sẽ xuất hiện khi ta thấy có 1 cặp biến độc lập có số Sig. < 0.05 và hệ số tương
quan Pearson ≥ 0.5. Nghi vấn này sẽ được trả lời dựa vào hệ số VIF khi phân tích hồi
quy.

Khi phân tích hệ số tương quan Pearson, nhóm nghiên cứu sẽ để ý đến 2 chỉ số: (1)
Giá trị Sig. của mối liên hệ tương quan; (2) Giá trị r tương quan.

2.4.1.2. Cách thực hiện

Bước 1: Chọn Analyze → Chọn Correlate → Chọn Bivariate.

Bước 2: Chọn 4 biến cần tính (NT, QC, TH, HV - các biến đại diện đã được tạo ra
ban nãy) vào khung Variables → Chọn mục Pearson và mục Two - tailed → Chọn
Ok.

2.4.1.3. Kết quả và đánh giá

Sau khi tiến hành phân tích hệ số tương quan Pearson, nhóm nghiên cứu thu được kết
quả như bảng bên dưới.

Trong phạm vi đề tài này, với mô hình và giả thuyết nghiên cứu hiện tại, do mỗi biến
phụ thuộc được giả định chỉ chịu sự tác động của một biến độc lập nên nhóm nghiên
cứu sẽ không phân tích về quan hệ giữa các biến độc lập mà sẽ chỉ tập trung phân tích
quan hệ giữa biến độc lập và phụ thuộc trong từng cặp riêng biệt.

Ở bước phân tích kết quả, đầu tiên nhóm nghiên cứu quan tâm đến giá trị Sig. vì khi
giá trị này nhỏ hơn 0.05 thì hệ số tương quan r mới có ý nghĩa thống kê, còn ngược
lại thì dù cho khi đó r âm hay dương, cao hay thấp cũng không mang ý nghĩa gì cả.
Theo bảng kết quả, ta nhìn thấy số Sig. của cặp biến NT - QC lớn hơn 0.05, tức là

23
không có tương quan tuyến tính giữa 2 biến này. Do đó, ở bước này, nhóm nghiên
cứu quyết định loại bỏ giả thuyết H1 và tiến hành hiệu chỉnh lại mô hình và giả thuyết
nghiên cứu.

Bảng 2.12: Ma trận hệ số tương quan Pearson

Biến đại Biến đại Biến đại Biến đại

diện cho diện cho diện cho diện cho
NT QC TH HV

Pearson 1 0.067 0.205* 0.170*

Biến đại Correlation
diện cho
Sig. (2-tailed) 0.414 0.012 0.037
NT
N 150 150 150 150

Pearson 0.067 1 0.501** 0.541**

Biến đại Correlation
diện cho
Sig. (2-tailed) 0.414 0.000 0.000
QC
N 150 150 150 150

Pearson 0.205* 0.501** 1 0.488*

Biến đại Correlation
diện cho
Sig. (2-tailed) 0.012 0.000 0.000
TH
N 150 150 150 150

Pearson 0.170* 0.541** 0.488** 1

Biến đại Correlation
diện cho
Sig. (2-tailed) 0.037 0.000 0.000
HV
N 150 150 150 150

24
Ký hiệu ** cho biết rằng cặp biến này có sự tương quan tuyến tính ở mức tin cậy đến
99% (tương ứng mức ý nghĩa 1% = 0.01).

Ký hiệu * cho biết rằng cặp biến này có sự tương quan tuyến tính ở mức tin cậy đến
95% (tương ứng mức ý nghĩa 5% = 0.05).

Các giả thuyết mới được đưa ra như sau:

H1: Nhận thức của người tiêu dùng có tác động cùng chiều đến Hành vi của họ đối
với Thương hiệu.

H2: Thái độ của người tiêu dùng với Quảng cáo có tác động cùng chiều đối với
Hành vi của họ đối với Thương hiệu.

H3: Thái độ của người tiêu dùng đối với Quảng cáo có tác động cùng chiều với Thái
độ của họ đối với Thương hiệu.

H4: Thái độ của người tiêu dùng với Thương hiệu có tác động cùng chiều đối với
Hành vi của họ đối với Thương hiệu.

Hình 2.3: Mô hình nghiên cứu hiệu chỉnh

Trên nguyên tắc, việc hiệu chỉnh này sẽ không ảnh hưởng đến kết quả ở các bước
trước và nhóm nghiên cứu cũng đã tiến hành kiểm định lại toàn bộ nhằm xác nhận

25
điều này. Sử dụng kết quả Pearson như ở bảng trên, kết quả có thể được phân tích
như sau:

Về quan hệ giữa biến độc lập và biến phụ thuộc:

(1) Số Sig. của các cặp NT - HV, QC - HV và TH - HV đều nhỏ hơn 0.05, tức là
giữa chúng có quan hệ tương quan tuyến tính.

(2) Số Sig. của cặp QC - TH cũng nhỏ hơn 0.05, hệ số r tương quan ở đây đã có ý
nghĩa thống kê.

Như đã trình bày bên trên, giá trị r (-1 ≤ r ≤ 1) càng tiến về hai đầu thì tương quan
tuyến tính càng mạnh, càng về 0 thì càng yếu. Với r xét trong khoảng 0 ≤ r ≤ 1, khi
giá trị r ≥ 0.5 thì giữa các biến có sự tương quan mạnh mẽ với nhau. Cụ thể, các cặp
biến sau đây có sự tương quan mạnh: cặp biến QC - TH (0.501**) và cặp biến QC -
HV (0.541**). Trong đó biến HV tương quan mạnh nhất với biến QC (r = 0.541**).

Về quan hệ giữa các biến độc lập:

Lúc này, do mô hình đã được hiệu chỉnh xuất hiện nhiều biến độc lập (NT, QC, TH)
cùng tác động lên một biến phụ thuộc (HV) nên quan hệ giữa các biến độc lập với
nhau sẽ được nói đến sau đây:

Thường thì chúng ta kỳ vọng sig tương quan giữa các biến độc lập với nhau sẽ lớn
hơn 0.05 hoặc nhỏ hơn 0.05 với r thấp.

Đầu tiên, ta nhận thấy số sig. giữa cặp NT - QC như đã đề cập ở trên lớn hơn 0.05,
tức là giữa chúng không có quan hệ tương quan tuyến tính đúng như kỳ vọng.

Với cặp NT - TH, tuy số sig. lúc này nhỏ hơn 0.05 nhưng với hệ số tương quan r
tương đối nhỏ (0.205 < 0.5), tính tương quan giữa chúng không quá mạnh, ít có khả
năng xảy ra hiện tượng đa cộng tuyến ở hai biến này.

Về cặp QC - TH, như đã nói ở trên, giữa cặp này có mối liên hệ tuyến tính với nhau,
và có hệ số r lớn (0.501 > 0.5). Nhóm nghiên cứu nghi ngờ giữa chúng có hiện tượng
đa cộng tuyến và sẽ tiến hành đánh giá lại nghi ngờ này ở bước phân tích hồi quy.

26
2.4.2. Phân tích hồi quy

2.4.2.1. Ý nghĩa/mục đích của phân tích hồi quy

Phân tích hồi quy nhằm mục đích “ước lượng phương trình phù hợp nhất với các tập
hợp kết quả quan sát của biến phụ thuộc và biến độc lập. Nó cho phép đạt được kết
quả ước lượng tốt nhất về mối quan hệ chân thực giữa các biến số. Từ phương trình
ước lượng được này, người ta có thể dự báo về biến phụ thuộc (chưa biết) dựa vào
giá trị cho trước của biến độc lập (đã biết)” (Nguyễn Văn Ngọc).

Còn theo Tin học chuyên ngành Marketing, trang 116 có đề cập, hồi quy là quá trình
“mô hình hóa và kiểm định quan hệ giữa các biến độc lập X với biến phụ thuộc Y,
đồng thời kiểm tra xem mối quan hệ đó có ý nghĩa thống kê hay không”.

2.4.2.2. Cách thực hiện

2.4.2.2.1. Xây dựng phương trình của mô hình hồi quy tuyến tính từ dữ
liệu mẫu

Ở bước phân tích tương quan Pearson, ta thấy rằng Nhận thức không có tác động
tới Thái độ đối với Quảng cáo nên giả thuyết này sẽ được loại bỏ và mô hình sẽ
được hiệu chỉnh như đã được trình bày ở trên.

Khi chỉ có một biến độc lập thì mô hình hồi quy tuyến tính tổng thể của chúng ta sẽ
là mô hình đơn biến và có thể được mô tả bằng phương trình:

Yi = B 0 + B 1 * X + e i

Trong đó:

B0, B1: là hệ số hồi quy.

ei: sai số thực, là chênh lệch giữa giá trị thực Yi quan sát được và giá trị dự báo (trung
̂𝑖 ) = Yi - (B0 + B1 * X)
bình của các giá trị của biến Y tại điểm Xi) tức là: ei = (Yi - 𝑌
(Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008).

Trong phạm vi đề tài, mô hình hồi quy vẫn còn bỏ qua nhiều yếu tố cũng như còn
nhiều nhân tố ngoài sự kiểm soát nên vẫn còn nhiều sai lệch giữa giá trị thực tế và lý
thuyết của biến phụ thuộc được thể hiện trong ei hay còn gọi là Residual (phần dư).

27
Khi trong mô hình nghiên cứu có nhiều hơn một biến độc lập, ta sẽ sử dụng phương
trình hồi quy đa biến có dạng:

Yi = B0 + B1X1i + B2X2i + … + BpXpi + ei

Trong đó:

Ký hiệu Xpi biểu hiện giá trị của biến độc lập thứ p tại quan sát thứ i.

Các hệ số Bk được gọi là hệ số hồi quy riêng phần (Partial regression coefficients).

Thành phần ei là một biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0
và phương sai không đổi.

(Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008).

Dựa vào mô hình hiệu chỉnh, các phương trình hồi quy tuyến tính lúc này có dạng:

Y1: Thái độ đối với Thương hiệu = B0 + B1 * Thái độ đối với Quảng cáo + ei

Y2: Hành vi đối với thương hiệu = B0 + B1 * Nhận thức về định kiến giới + B2 * Thái
độ đối với quảng cáo + B3 * Thái độ đối với thương hiệu + ei

2.4.2.2.2. Tiến hành phân tích hồi quy

Với phương trình hồi quy đơn biến, ta tiến hành phân tích như sau:

Bước 1: Chọn Analyze → Regression → Linear.

Bước 2: Trong bảng Linear Regression, ở ô biến phụ thuộc (Dependent) ta nhập biến
“TH”, ở ô biến độc lập (Independent) ta nhập biến “QC”, ở ô Method chọn Enter →
Chọn Ok.

Bước 3: Chọn Statistics → Ngoài 2 lựa chọn mặc định là Estimates, và Model fit, ta
lựa chọn thêm 2 ô Durbin-Watson và Collinearity diagnostics → Chọn Continue.

Bước 4: Chọn Plots → Ở ô Y chọn *ZRESID, ở ô X chọn *ZPRED → Ở ô

Standardized Residual Plots chọn Histogram và Normal probability plot → Chọn
Continue.

Bước 5: Chọn Save → Ở ô Residuals và Predicted values chọn Standardized → Chọn

Continue → Chọn Ok.

28
Với phương trình hồi quy đa biến, các bước tiến hành tương tự như hồi quy đơn
biến. Tuy nhiên, thay vì ở hồi quy đơn biến chỉ có một biến độc lập thì hồi quy đa
biến sẽ có 3 biến độc lập là các biến “NT”, “QC”, và “TH”.

2.4.2.2.3. Kết quả và đánh giá

a. Với phương trình hồi quy đơn biến

Bảng 2.13: Model Summaryb

R Adjusted R Std. Error of the Durbin-

Model R
Square Square Estimate Watson

1 0.501a 0.251 0.246 0.58839 1.488

a: Predictors: (Constant), Biến đại diện cho Quảng cáo.

b: Dependent Variable: Biến đại diện cho Thương hiệu.

Trong bảng này, ta quan tâm tới 2 giá trị là Adjusted R Square và Durbin-Watson.
Tuy nhiên Durbin-Watson sẽ được phân tích kỹ hơn ở phần sau, trong khi dò tìm sự
vi phạm của các giả định.

Adjusted R Square hay còn gọi là R bình phương hiệu chỉnh là chỉ số phản ánh mức
độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Cụ thể, trong đề tài này,
Adjusted R = 0.246, tức là mô hình này có khả năng giải thích được 24.6% giá trị so
với thực tế. Hay nói cách khác, trong trường hợp này, biến độc lập đưa vào ảnh hưởng
24.6% đến sự thay đổi của biến phụ thuộc, còn lại 75.4% là do các biến ngoài mô
hình và sai số ngẫu nhiên.

Thông thường, Adjusted R Square từ 50% trở lên thì nghiên cứu được đánh giá là tốt.
Tuy nhiên, điều này chỉ phù hợp trong một số tình huống, nên việc yêu cầu giá trị R2
luôn phải lớn hơn 0.5 là đi ngược với lý thuyết thống kê. Như vậy, tùy vào đề tài mà
với R bình phương hiệu chỉnh dưới 50% (như trong đề tài này là 24.6%) thì kết quả
vẫn có thể được chấp nhận.

29
 Bảng 2.14: Anova

Model Sum of Squares df Mean Square F Sig.

1 Regression 17.184 1 17.184 49.636 0.000b

Residual 51.237 148 0.346
Total 68.421 149

a: Dependent Variable: Biến đại diện cho Thương hiệu.

b: Predictors: (Constant), Biến đại diện cho Quảng cáo.

Ở bảng trên, ta thấy giá trị Sig. = 0.000 < 0.05, chứng tỏ mô hình này hoàn toàn có
khả năng giải thích được 100% giá trị so với thực tế.

Người ta thường không thể khảo sát được hết toàn bộ tổng thể vì nó rất lớn. Vậy nên
trong nghiên cứu, thường người ta chỉ chọn ra một lượng mẫu giới hạn để tiến hành
điều tra, từ đó suy ra tính chất chung của tổng thể. Mục đích của kiểm định F trong
bảng Anova trên chính là để kiểm tra xem mô hình hồi quy tuyến tính này có suy
rộng và áp dụng được cho tổng thể hay không. Tuy nhiên, khi chỉ có một biến độc
lập trong mô hình như ở H3 thì giả thiết R2 tổng thể bằng không cũng đồng nghĩa
với giả thiết độ dốc tổng thể bằng không. Nên với mô hình hồi quy đơn chỉ có một
biến giải thích thì kiểm định F không cần thiết mà chỉ cần tiến hành kiểm định ý nghĩa
của hệ số độ dốc cũng đủ (Hoàng Trọng, Chu Nguyễn Mộng Ngọc, tập 1 - 220).

Bảng 2.15: Coefficientsa

Unstandardized Standardized Collinearity

Model t Sig.
Coefficients Coefficients Statistics

B Std. Beta Tolerance VIF

Error

1 (Constant) 1.790 0.258 6.937 0.000

0.492 0.070 0.501 7.045 0.000 1.000 1.000

30
 Biến đại
diện cho
Quảng cáo

Ở bảng trên, nhóm nghiên cứu sẽ tiến hành phân tích những mục quan trọng, bao
gồm: Hệ số hồi quy chuẩn hóa Beta, giá trị Sig., giá trị VIF.

Thứ nhất là giá trị Sig kiểm định t của biến độc lập. Khi Sig. ≤ 0.05 có nghĩa là biến
đó có ý nghĩa trong mô hình (có sự tác động lên biến phụ thuộc), ngược lại nếu giá
trị Sig. > 0.05 thì biến độc lập đó cần được loại bỏ. Ở bảng trên, ta thấy Biến đại diện
cho Quảng cáo có giá trị Sig. là 0.000, bé hơn 0.05, từ đó suy ra biến này có ý nghĩa
trong mô hình nghiên cứu.

Bên cạnh đó, vì Constant có số Sig. = 0.000 < 0.05 nên cũng có ý nghĩa trong mô
hình.

Thứ hai là hệ số hồi quy chuẩn hóa Beta. Theo nguyên tắc, trong tất cả các hệ số hồi
quy, biến độc lập nào có Beta lớn nhất thì biến đó ảnh hưởng nhiều nhất đến sự thay
đổi của biến phụ thuộc. Tuy nhiên, ở đây ta chỉ xét đến mối quan hệ giữa một biến
độc lập và một biến phụ thuộc. Vì thế, hệ số này sẽ được giải thích nhiều hơn ở mục
sau, trong phần hồi quy đa biến.

Thứ ba là hệ số phóng đại phương sai VIF. Giá trị này dùng để kiểm tra hiện tượng
đa cộng tuyến. Với đề tài sử dụng thang đo Likert, hệ số phóng đại phương sai VIF
> 2 đồng nghĩa với việc có khả năng xảy ra đa cộng tuyến. Còn hệ số phóng đại
phương sai VIF > 10 thì chắc chắn xảy ra hiện tượng đa cộng tuyến. Hiện tượng này
không xảy ra với mô hình hồi quy tuyến tính đơn nên sẽ được nhắc lại sau ở mô hình
hồi quy bội. Từ những phân tích trên, phương trình hồi quy đơn biến được viết lại
như sau: Thái độ đối với Thương hiệu = 1.790 + 0.492 * Thái độ đối với Quảng
cáo + ei

Như vậy, khi Thái độ đối với Quảng cáo thay đổi thì Thái độ đối với Thương hiệu
cũng sẽ thay đổi.

31
Tiếp theo, nhóm nghiên cứu sẽ tiến hành dò tìm về sự vi phạm các giả định cần
thiết trong hồi quy tuyến tính.

Thứ nhất, giả định về phân phối chuẩn của phần dư.

Hình 2.4: Biểu đồ Histogram của phần dư

Ở biểu đồ trên, ta thấy một đường cong phân phối chuẩn được đặt chồng lên biểu đồ
tần số. Đường cong này có dạng hình chuông, phù hợp với dạng đồ thị của phân phối
chuẩn. Phân phối phần dư xấp xỉ chuẩn (trung bình Mean xấp xỉ 0.0000 rất nhỏ và độ
lệch chuẩn Std. Dev = 0.997 ~ 1). Do đó có thể kết luận rằng giả thiết phân phối chuẩn
không bị vi phạm.

Hình 2.5: Biểu đồ phần dư chuẩn hóa Normal P-P Plot

32
Thứ hai, giả định liên hệ tuyến tính.

Biểu đồ phân tán Scatter Plot giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn
hóa giúp dò tìm xem dữ liệu hiện tại có vi phạm giả định liên hệ tuyến tính hay không.
Đề tài này sẽ biểu diễn giá trị phần dư chuẩn hóa (Standardized Residual) ở trục tung
và giá trị dự đoán chuẩn hóa (Predicted Value) ở trục hoành. Kết quả đồ thị xuất ra,
phần dư phân tán ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0,
chứ không tạo thành một hình dạng nào. Do vậy, giả định quan hệ tuyến tính không
bị vi phạm.

Hình 2.6: Biểu đồ phân tán Scatterplot

Thứ ba, giả định phương sai của sai số không đổi.

Để kiểm tra giả định này có bị thay đổi hay không, nhóm sẽ tiến hành kiểm định
tương quan hạng Spearman với giả thuyết đặt ra là Phương sai của sai số thay đổi, hệ
số tương quan hạng tổng thể giữa phần dư và biến độc lập sẽ khác 0.

Cách thực hiện:

Bước 1: Chọn Transform → Compute variables.

Bước 2: Lấy giá trị tuyệt đối của phần dư chuẩn hóa đã được sao lưu ở bước hồi quy
bằng lệnh Abs, khai báo tên biến mới là ABScuaRe1.

Tiếp theo, thực hiện kiểm định tương quan hạng Spearman bằng cách:
33
Bước 1: Chọn Analyze → Chọn Correlate → Chọn Bivariate.

Bước 2: Trong bảng Bivariate Correlations, ở ô Variables chọn biến QC và biến

ABScuaRe1 → Chọn ô Spearman và Two-tailed → Chọn Ok.

Ở đây, ta đặt giả thuyết H0: hệ số tương quan hạng của tổng thể bằng 0.

Nếu kết quả kiểm định không bác bỏ giả thuyết H0 thì có thể kết luận phương sai của
sai số không thay đổi, ngược lại nếu giá trị Sig. của kiểm định nhỏ hơn mức ý nghĩa,
chúng ta phải chấp nhận giả thuyết phương sai của sai số thay đổi (Trọng, Ngọc, 227).

Bảng 2.16: Correlations

ABScu Biến đại diện

a-Re1 cho Nhận thức

Spearman ABScuaRe Correlation Coefficient 1.000 -0.076

's rho 1 Sig. (2-tailed) . 0.353
N 150 150

Biến đại Correlation Coefficient -0.076 1.000

diện cho Sig. (2-tailed) 0.353 .
Nhận thức N 150 150

Ở bảng trên, kết quả kiểm định cho thấy chúng ta không thể bác bỏ giả thuyết H0 vì
giá trị Sig. là 0.353, lớn hơn 0.05. Như vậy, có thể kết luận giả định phương sai của
sai số không đổi không bị vi phạm.

Thứ tư, giả định về tính độc lập của sai số (không có tương quan giữa các phần dư).

Đại lượng thống kê Durbin-Watson (DW) được dùng để kiểm định tự tương quan của
các sai số kề nhau (hay còn gọi là tương quan chuỗi bậc nhất). Nó có giá trị biến thiên
trong khoảng từ 0 đến 4; theo giá trị ước lượng thường dùng trong SPSS thì nếu các
phần dư không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2; nếu
giá trị càng nhỏ hơn 2 thì các phần dư có tương quan thuận; nếu càng lớn hơn 2 và
gần về 4 có nghĩa là các phần dư có tương quan nghịch. (Trọng, Ngọc, 233)

34
Theo mô hình hồi quy đơn biến này, ta có k’ = 1, n = 150, tra bảng D-W ta có dL =
1.720 và dU = 1.747. Gắn vào thanh giá trị D-W, ta thấy dL = 1.720 > D-W = 1.488.
Điều này có thể kết luận rằng có sự tương quan bậc nhất và sự tương quan này là
tương quan dương. Tuy nhiên, theo IBM, giá trị D-W có thể có tính chính xác không
cao bởi việc sắp xếp lại tệp dữ liệu giữa các lần chạy Hồi quy tuyến tính có khả năng
dẫn đến các kết quả D-W trả về không đồng nhất. Do Durbin-Watson dựa trên sự
khác biệt giữa các phần dư của các trường hợp liền kề, việc sắp xếp tệp sẽ thay đổi
các cặp trường hợp có phần dư khác nhau được dùng để tính D-W, dẫn đến một giá
trị thống kê D-W khác. Sự khác biệt về giá trị D-W này sẽ xảy ra trên các lần chạy
hồi quy tuyến tính với cùng một phiên bản của tệp số liệu, miễn là có sự sắp xếp lại
thứ tự các trường hợp giữa các lần chạy (Durbin-Watson result inconsistent for same
regression model with same data). Nhóm nghiên cứu đã chứng minh được điều này
áp dụng thay đổi thứ tự một vài câu trả lời và kết quả D-W đã tăng từ 1.488 lên 1.636.
Do đó, giá trị D-W sẽ có tính tham khảo nhiều hơn là độ chính xác.

Hình 2.7: Kết quả Durbin-Watson trước khi điều chỉnh thứ tự các câu trả lời

Hình 2.8: Kết quả Durbin-Watson thay đổi sau khi điều chỉnh thứ tự các câu trả lời
Thứ năm, giả định không có mối tương quan giữa các biến độc lập (đo lường đa cộng
tuyến).

35
Vì đây là vấn đề gây ra do sự tương quan chặt chẽ giữa các biến độc lập nên ở bước
này, không thể xảy ra vấn đề đa cộng tuyến đối với mô hình hồi quy tuyến tính đơn
mà nhóm đang phân tích. Vì thế, nhóm nghiên cứu sẽ không đánh giá lại giả định
này.

Tiếp theo, nhóm nghiên cứu sẽ tiến hành kiểm định giả thuyết.

Giả thuyết H3: Phát biểu “Thái độ đối với Quảng cáo có tác động cùng chiều đến
Thái độ của họ đối với Thương hiệu”.

Kết quả mô hình hồi quy cho thấy, bởi các giả định đều được thỏa mãn nên ta có thể
diễn dịch rằng giả thuyết H3 được chấp nhận, khi Thái độ đối với quảng cáo tăng 1%
thì Thái độ đối với Thương hiệu tăng 0.492%.

Bảng 2.17: Thái độ đối với quảng cáo của Sunlight

Biến quan sát N Mean

Quảng cáo trên thể hiện sự đối xử công bằng với phụ nữ trong phân chia 150 3.66
công việc nhà (qc1).

Quảng cáo trên có thể chấp nhận được về mặt thuần phong mỹ tục (qc2). 150 3.60

Hình ảnh người phụ nữ trong quảng cáo trên giống với hình ảnh người 150 2.62
phụ nữ truyền thống (qc3).

Với thang đo Likert hệ điểm 5 (1: Hoàn toàn không đồng ý - 5: Hoàn toàn đồng ý),
ta thấy các 2 biến qc1 và qc2 được đánh giá ở mức trung bình - khá lần lượt là 3.66
và 3.60. Điều này cho thấy hầu hết mọi người thể hiện sự trung lập khi thấy hình ảnh
người phụ nữ trong quảng cáo của Sunlight.

Tuy nhiên, biến qc3 được đánh giá tương đối thấp (2.62), thể hiện rằng đa số mọi
người thấy hình ảnh người phụ nữ trong quảng cáo có nhiều phần hiện đại hơn, mới
mẻ hơn là truyền thống.

b. Với phương trình hồi quy đa biến

36
 Bảng 2.18: Model Summaryb

Model R R Adjusted R Std. Error of the Durbin-

Square Square Estimate Watson

1 0.603a 0.363 0.350 0.57963 1.874

a: Predictors: (Constant), Biến đại diện cho Thương hiệu, Biến đại diện cho Nhận
thức, Biến đại diện cho Quảng cáo.

b: Dependent Variable: Biến đại diện cho Hành vi.

Trong bảng này, tương tự, ta cũng quan tâm tới 2 giá trị là Adjusted R Square và
Durbin-Watson và D-W cũng sẽ được phân tích kỹ hơn khi dò tìm sự vi phạm của
các giả định.

Kết quả thu được Adjusted R = 0.350, tức là mô hình này có khả năng giải thích
được 35% giá trị so với thực tế. Hay nói cách khác, trong trường hợp này, biến độc
lập đưa vào ảnh hưởng 35% sự thay đổi của biến phụ thuộc, còn lại 65% là do các
biến ngoài mô hình và sai số ngẫu nhiên.

Bảng 2.19: Anova

Model Sum of Squares df Mean Square F Sig.

1 Regression 27,958 3 9.319 27,738 0.000b

Residual 49,053 146 0.336
Total 77,010 149

a: Dependent Variable: Biến đại diện cho Hành vi.

b: Predictors: (Constant), Biến đại diện cho Thương hiệu, Biến đại diện cho Nhận
thức, Biến đại diện cho Quảng cáo.

Như đã trình bày, mục đích của kiểm định F trong bảng Anova trên chính là để kiểm
tra xem mô hình hồi quy tuyến tính này có suy rộng và áp dụng được cho tổng thể
hay không. Khác với hồi quy đơn biến, ở đây, kiểm định F được dùng nhằm đánh giá

37
xem biến phụ thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập hay
không.

Ở bảng trên, ta thấy giá trị Sig. = 0.000 < 0.05. Điều này chứng tỏ mô hình này có
khả năng giải thích được 100% giá trị so với thực tế và mô hình phù hợp với tập dữ
liệu, có thể sử dụng được.

Bảng 2.20: Coefficientsa

Un-
Standardized Collinearity
Model standardized t Sig.
Coefficients Statistics
Coefficients

Std.
B Beta Tolerance VIF
Error

(Constant) 0.648 0.385 1.684 0.094

NT 0.122 0.094 0.088 1.301 0.195 0.956 1.046
QC 0.417 0.080 0.400 5.235 0.000 0.748 1.338
TH 0.286 0.083 0.270 3.464 0.001 0.719 1.390

a: Dependent Variable: Biến đại diện cho Hành vi

Ở bảng trên, tương tự ở hồi quy đơn biến, nhóm nghiên cứu sẽ tiến hành phân tích
những mục quan trọng, bao gồm: Hệ số hồi quy chuẩn hóa Beta, giá trị Sig., giá trị
VIF.

Thứ nhất là giá trị Sig kiểm định t từng biến độc lập.

Ở bảng trên, ta thấy Biến đại diện cho Quảng cáo và Biến đại diện cho Thương hiệu
có giá trị Sig. lần lượt là 0.000 và 0.001, bé hơn 0.05. Từ đó suy ra hai biến này có ý
nghĩa trong mô hình nghiên cứu. Tuy nhiên, do Biến đại diện cho Nhận thức có giá
trị Sig. là 0.195 > 0.05 nên cần phải loại bỏ. Ngoài ra, vì Constant có số Sig. = 0.094
> 0.05 nên không có ý nghĩa trong mô hình.

Thứ hai là hệ số hồi quy chuẩn hóa Beta. Trong tất cả các hệ số hồi quy, biến độc lập
nào có Beta lớn nhất thì biến đó ảnh hưởng nhiều nhất đến sự thay đổi của biến phụ

38
thuộc. Ở bảng trên, ta thấy Biến đại diện cho Quảng cáo có hệ số hồi quy chuẩn hóa
Beta lớn nhất (0.400). Điều này chứng tỏ biến này ảnh hưởng nhiều nhất đến sự thay
đổi của biến phụ thuộc (Biến đại diện cho Hành vi).

Thứ ba là hệ số phóng đại phương sai VIF. Giá trị này dùng để kiểm tra hiện tượng
đa cộng tuyến.

Ở bảng trên, ta thấy hệ số VIF của biến đại diện cho Nhận thức, biến đại diện cho
Quảng cáo và biến đại diện cho Thương hiệu lần lượt là 1.046, 1.338 và 1.390, tất cả
đều nhỏ hơn 2. Vì vậy có thể kết luận là không xảy ra hiện tượng đa cộng tuyến, bác
bỏ các nghi ngờ nảy sinh ở bước phân tích hệ số tương quan.

Từ những phân tích trên, phương trình hồi quy sẽ được viết lại như sau:

Yi = 0.400X1 + 0.270X2 + ei

Trong đó:

Y: biến phụ thuộc, tức “Hành vi đối với Thương hiệu”.

X1: biến độc lập, tức “Thái độ đối với Quảng cáo”.

X2: biến độc lập, tức “Thái độ đối với Thương hiệu”.

Qua phương trình hồi quy, ta có thể nhận thấy “Thái độ đối với Quảng cáo” và “Thái
độ đối với Thương hiệu” là 2 yếu tố ảnh hưởng đến “Hành vi đối với Thương hiệu”.
Mặt khác, ta cũng thấy được rằng yếu tố “Thái độ đối với Quảng cáo” có tầm ảnh
hưởng lớn nhất đến “Hành vi đối với thương hiệu” với hệ số hồi quy là 0.400. Đây
cũng là cơ sở để đưa ra các chính sách nhằm phát triển yếu tố quan trọng này.

Tiếp theo, nhóm nghiên cứu sẽ tiến hành dò tìm về sự vi phạm các giả định cần thiết
trong hồi quy tuyến tính.

Thứ nhất, giả định về phân phối chuẩn của phần dư.

Ở biểu đồ dưới đây, ta thấy một đường cong phân phối chuẩn được đặt chồng lên biểu
đồ tần số. Đường cong này có cũng dạng hình chuông, phù hợp với dạng đồ thị của
phân phối chuẩn. Phân phối phần dư xấp xỉ chuẩn (trung bình Mean xấp xỉ 0.0000

39
rất nhỏ và độ lệch chuẩn Std. Dev = 0.990 ~ 1). Do đó có thể kết luận rằng giả thiết
phân phối chuẩn không bị vi phạm.

Hình 2.9: Biểu đồ Histogram của phần dư

Hình 2.10: Biểu đồ phần dư chuẩn hóa Normal P-P Plot

40
Như đã nói ở phần hồi quy đơn biến, bên cạnh cách kiểm tra bằng biểu đồ Histogram,
thì P-P Plot cũng là một dạng biểu đồ được sử dụng phổ biến giúp nhận diện sự vi
phạm giả định phần dư chuẩn hóa.

Ở phương trình hồi quy đa biến, ta thấy các điểm quan sát trên biểu đồ phần dư chuẩn
hóa không phân tán quá xa đường thẳng kỳ vọng. Do đó, tương tự như ở phương trình
hồi quy đơn biến, ta có thể kết luận là giả thiết phân phối chuẩn không bị vi phạm.

Thứ hai, giả định liên hệ tuyến tính.

Hình 2.11: Biểu đồ phân tán Scatterplot

Tương tự hồi quy đơn biến, ở đây nhóm nghiên cứu cũng sẽ biểu diễn giá trị phần dư
chuẩn hóa (Standardized Residual) ở trục tung và giá trị dự đoán chuẩn hóa (Predicted
Value) ở trục hoành. Như kết quả ở hình trên, phần dư phân tán ngẫu nhiên trong một
vùng xung quanh đường đi qua tung độ 0, chứ không tạo thành một hình dạng nào.
Do vậy, giả định quan hệ tuyến tính cũng không bị vi phạm.

Thứ ba, giả định phương sai của sai số không đổi.

*Cách thực hiện: Tương tự như trong phần phân tích hồi quy đơn biến, ta tiếp tục lấy
giá trị tuyệt đối của phần dư chuẩn hóa đã được sao lưu ở bước hồi quy bằng lệnh
Abs, khai báo tên biến mới là ABScuaRe2. tuy nhiên ở phần các biến độc lập thì ta
kiểm định 3 biến, gồm biến NT, QC và TH.

Ở đây, ta tiếp tục đặt giả thuyết H0: hệ số tương quan hạng của tổng thể bằng 0.

41
 Bảng 2.21: Correlations

ABScuaRe2 NT QC TH

ABS Correlation Coefficient 1.000 0.019 0.151 0.027

Spearman's
cua Sig. (2-tailed) . 0.821 0.066 0.741
rho
Re2 N 150 150 150 150

Correlation Coefficient 0.019 1.000 0.166 0.202

NT Sig. (2-tailed) 0.821 . 0.043 0.013
N 150 150 150 150

Correlation Coefficient 0.151 0.166 1.000 0.534

QC Sig. (2-tailed) 0.066 0.043 . 0.000
N 150 150 150 150

Correlation Coefficient 0.027 0.202 0.534 1.000

TH Sig. (2-tailed) 0.741 0.013 0.000 .
N 150 150 150 150

Ở bảng trên, kết quả kiểm định cho thấy chúng ta không thể bác bỏ giả thuyết H0 do
3 giá trị Sig. lần lượt là 0.821, 0.066 và 0.741, đều lớn hơn 0.05. Như vậy phương sai
của sai số không đổi.

Thứ tư, giả định về tính độc lập của sai số (không có tương quan giữa các phần dư).

Theo mô hình hồi quy đa biến này, ta có k’ = 3, n = 150, tra bảng D-W ta có dL =
1.693 và dU = 1.774. Gắn vào thanh giá trị D-W, ta thấy dU = 1.774 < D-W = 1.874
< 4 - dU = 2.226. Điều này có thể kết luận rằng không có sự tương quan bậc nhất.
Tuy nhiên, như đã phân tích ở phần hồi quy đơn biến, hệ số này phần nhiều chỉ mang
tính chất tham khảo.

Tiếp theo, nhóm nghiên cứu sẽ tiến hành kiểm định giả thuyết:

Giả thuyết H1: Phát biểu “Nhận thức của người tiêu dùng có tác động cùng chiều
đến Hành vi của họ đối với Thương hiệu”.

42
Kết quả mô hình hồi quy cho thấy giá trị Sig. của biến NT là 0.195 > 0.05. Vì vậy,
giả thuyết này đã bị bác bỏ, nhóm nghiên cứu quyết định loại bỏ giả thuyết này ra
khỏi mô hình.

Giả thuyết H2: Phát biểu “Thái độ của người tiêu dùng với Quảng cáo có tác động
cùng chiều đối với Hành vi của họ đối với Thương hiệu”.

Kết quả mô hình hồi quy cho thấy hệ số Beta = 0.400 > 0. Điều này cho thấy rằng,
khi Thái độ đối với Quảng cáo tăng 1% thì Hành vi đối với Thương hiệu cũng sẽ tăng
0.4%, như vậy giả thuyết H3 được chấp nhận.

Bảng 2.22: Thái độ đối với quảng cáo của Sunlight

Biến quan sát N Mean

Quảng cáo trên thể hiện sự đối xử công bằng với phụ nữ trong phân
150 3.66
chia công việc nhà (qc1).

Quảng cáo trên có thể chấp nhận được về mặt thuần phong mỹ tục
150 3.60
(qc2).

Hình ảnh người phụ nữ trong quảng cáo trên giống với hình ảnh người
150 2.62
phụ nữ truyền thống (qc3).

Như đã phân tích trong phần hồi quy đơn biến, ở bảng trên ta thấy hầu hết mọi người
thể hiện sự trung lập khi thấy hình ảnh người phụ nữ trong quảng cáo của Sunlight.

Giả thuyết H4: Phát biểu “Thái độ của người tiêu dùng đối với Thương hiệu có tác
động cùng chiều với Hành vi của họ đối với thương hiệu”.

Kết quả mô hình hồi quy cho thấy hệ số Beta = 0.270 > 0. Điều này cho thấy rằng,
khi Thái độ đối với Thương hiệu tăng 1% thì Hành vi đối với Thương hiệu cũng sẽ
tăng 0.270%, như vậy giả thuyết H4 được chấp nhận.

43
 Bảng 2.23: Thái độ đối với sản phẩm và thương hiệu Sunlight

Biến quan sát N Mean

Tôi thấy sản phẩm của Sunlight có nhiều tính năng tuyệt vời (th1). 150 3.58

Tôi cảm thấy Sunlight là thương hiệu đáng tin cậy (th2). 150 3.61

Nhìn chung, khi xem quảng cáo, tôi thấy thích thương hiệu Sunlight 150 3.53
(th3).

Với thang đo Likert hệ điểm 5 (1: Hoàn toàn không đồng ý - 5: Hoàn toàn đồng ý),
ta thấy cả 3 biến qc1, qc2, qc3 đều được đánh giá ở mức trung bình - khá, lần lượt là
3.58, 3.61 và 3.53. Điều này cho thấy rằng, sau khi xem xong quảng cáo của Sunlight,
đa phần mọi người đều thể hiện ý kiến trung lập về tính năng của sản phẩm, độ tin
cậy cũng như tình cảm đối với Sunlight.

2.5. Mô hình nghiên cứu hiệu chỉnh chính thức

Từ những nghiên cứu và phân tích trên, so với mô hình đề xuất ban đầu (gồm 4 nhân
tố và 13 biến quan sát), mô hình nghiên cứu hiệu chỉnh chính thức được xây dựng
như sau:

H1: Thái độ của người tiêu dùng với Quảng cáo có tác động cùng chiều đối với Hành
vi của họ đối với Thương hiệu.

H2: Thái độ của người tiêu dùng đối với Quảng cáo có tác động cùng chiều đối với
Thái độ của họ đối với Thương hiệu.

H3: Thái độ của người tiêu dùng với Thương hiệu có tác động cùng chiều đối với
Hành vi của họ đối với Thương hiệu.

Trong đó:

H1: β = 0.400, Sig. = 0.000

H3: β = 0.270, Sig. = 0.001

Ta có:

44
Phương trình hồi quy đơn biến có dạng: Yi = 1.790 + 0.492X1

Trong đó:

Yi: biến phụ thuộc, tức “Thái độ đối với Thương hiệu”.

X1: biến độc lập, tức “Thái độ đối với Quảng cáo”.

Phương trình hồi quy đa biến có dạng: Yi = 0.400X1 + 0.270X2 + ei

Yi: biến phụ thuộc, tức “Hành vi đối với Thương hiệu”.

X1: biến độc lập, tức “Thái độ đối với Quảng cáo”.

X2: biến độc lập, tức “Thái độ đối với Thương hiệu”.

Hình 2.12: Mô hình nghiên cứu chính thức

2.6. Kiểm định mối liên hệ giữa các biến

2.6.1. Kiểm định Chi - Square

2.6.1.1. Ý nghĩa/mục đích của kiểm định Chi – Square

Nhằm kiểm định sự tồn tại về mối quan hệ giữa 2 yếu tố đang nghiên cứu trong tổng
thể, tuy nhiên, loại kiểm này không cho biết cường độ mạnh yếu (nếu có quan hệ)
giữa các biến cũng như không chỉ ra hướng thuận hay nghịch của mối quan hệ này.

45
Kiểm định Chi Square phù hợp cho các trường hợp có hai biến định tính được thu
thập thông qua câu hỏi dạng Single Answer, có thể là hai biến danh nghĩa hoặc hai
biến thứ bậc, hay một biến danh nghĩa và một biến thứ bậc.

2.6.2.2. Cách thực hiện

Bước 1: Vào analyze → Descriptive Statistics → Crosstabs.

Bước 2: Chọn 2 biến vào Row & Column → Statistic → Chi - Square → Continue.

Bước 3: Thoát ra cửa sổ chính → Cell.

Bước 4: Chọn Cells (khung count → Observed; khung percentage → Column).

Bước 5: Continue → OK.

2.6.2.3. Kết quả:

Kiểm định Chi Square đặt ra giả thuyết như sau:

H0: Không có mối liên hệ giữa hai biến được kiểm định (Hai biến độc lập với
nhau).

Giá trị Asymp.Sig (hay P-value) dùng để xác định mức ý nghĩa quan sát nhằm xác
định xác suất phạm sai lầm khi loại bỏ giả thuyết H0.

Việc lựa chọn chấp nhận hay bác bỏ H0 sẽ phụ thuộc vào việc giá trị Asymp.Sig lớn
hơn hoặc bằng alpha (chấp nhận) hay nhỏ hơn alpha (bác bỏ). Trong phạm vi đề tài
này, giá trị alpha được lựa chọn là 0.05.

• Kiểm định mối liên hệ giữa thu nhập và nghề nghiệp:

Để tìm hiểu có hay không mối liên hệ giữa các nhóm thu nhập và nghề nghiệp, xét
thấy đây là trường hợp hai biến định tính gồm một biến thứ bậc tncn (Thu nhập cá
nhân) và một biến danh nghĩa nnht (Nghề nghiệp hiện tại), nhóm nghiên cứu nhận
thấy Chi Square là dạng kiểm định phù hợp trong trường hợp này và đưa ra giả thuyết

H0: Không có mối liên hệ giữa thu nhập và nghề nghiệp

Cách tiến hành: thực hiện tiếp các bước như bên trên đã trình bày nhưng ở bước 2,
ta chọn biến Thu nhập vào Row và Nghề nghiệp vào Column.

46
Kết quả nhóm thu được như sau:

Bảng 2.24: Kết quả kiểm định mối liên hệ giữa thu nhập và nghề nghiệp

Value df Asymp. Sig. (2-sided)

Pearson Chi-Square 182.926 a

25 0.000

Likelihood Ratio 116.555 25 0.000

Linear-by-Linear 47.390 1 0.000

Association

N of Valid Cases 150

Dựa theo tiêu chí đã đưa ra bên trên, kết quả của kiểm định được đánh giá như sau:

Lần 1: Giá trị X2 không đáng tin bởi vì có 31 ô tương đương 86,1% trong bảng lý
thuyết nhỏ hơn 5, điều này đã vượt quá 20% số ô. Vì thế, để đảm bảo độ tin cậy của
X2, nhóm đã thực hiện mã hóa biến nghe ban đầu biến mới đặt tên là NgheRecode,
cũng như biến tncn thành biến TN_R thông qua thao tác Recode.

Về thao tác Recode, mục đích của nhóm khi áp dụng ở bước này là nhằm làm gọn số
lượng biểu hiện để tạo ra các giá trị mã hóa mới phù hợp với yêu cầu của kiểm định
Chi square. Ở đây, biến NgheRecode bao gồm 2 giá trị là “Là học sinh, sinh viên” và
“Không là học sinh, sinh viên”, còn biến TN_R bao gồm “Dưới 3 triệu” và “Trên 3
triệu”.

Các bước thao tác cụ thể có thể trình bày như sau:

Bước 1: Transform/ Recode Into Different Variable.

Bước 2: Chọn biến cần xử lý và chọn nút mũi tên để chuyển biến đó sang khung
Input Variable.

Bước 3: Nhập tên và nhãn cho biến mới tại khung Output Variable => Chọn Change.

47
Bước 4: Chọn nút Old and New Values, sau đó xác định sự chuyển đổi giữ giá trị cũ
và mới của biến.

Bước 5: Chọn mục Value, sau đó quy định giá trị cần mã hóa cho biểu hiện của mã
mới => Chọn Add.

Bước 6: Lặp lại bước 4 và 5 cho tới khi hoàn thành => Chọn Continue => OK.

Bước 7: Khai báo lại giá trị cho biến mới tạo thành.

Lần 2: Lần này, nhờ có thao tác Recode ở bước trước mà lúc này đã không còn ô nào
trong bảng lý thuyết nhỏ hơn 5. Vì thế, ta có thể kết luận dựa vào giá trị Asymp.Sig.
Bảng kết quả trả về cho biết chỉ số này có giá trị < 0.05 cho nên qua đó ta có thể bác
bỏ giả thuyết H0. Từ đó kết luận rằng biến thu nhập và biến nghề nghiệp có mối liên
hệ với nhau.

• Kiểm định tần suất thương hiệu được nghĩ đến đầu tiên khi nhắc về chất
tẩy rửa chịu sự tác động của 2 nhóm giới tính

Với biến Top of Mind và biến giới tính là hai biến định tính (định danh), điều này
chứng tỏ hai biến này phù hợp để chạy kiểm định Chi - Square để kiểm định mối liên
hệ giữa 2 biến. Giả thuyết được đặt ra là:

H0: “Không có mối liên hệ giữa tần suất thương hiệu được nghĩ đến đầu tiên khi
nhắc về chất tẩy rửa và 2 nhóm giới tính”

Cách tiến hành:

Ở kiểm định này, nhóm nghiên cứu lại tiếp tục thao tác Recode với biến Top of Mind
khi tạo thành biến mới TOM_R. Lưu ý ở bước này, nhóm giới tính khác đã được loại
ra từ đầu (missing value) nên ở đây nhóm nghiên cứu chỉ xem xét trong hai nhóm
nam-nữ.

Thực hiện các bước tiếp theo như bên trên đã trình bày nhưng ở bước 2, ta chọn biến
TOM_R vào Row sau đó kéo biến giới tính vào Column.

Kết quả nhóm thu được như sau:

48
Bảng 2.25: Kết quả kiểm định tần suất thương hiệu được nghĩ đến đầu tiên khi nhắc
về chất tẩy rửa chịu sự tác động của 2 nhóm giới tính

Value df Asymp. Sig. (2-sided)

Pearson Chi-Square 6,750a 2 0.034
Likelihood Ratio 7,105 2 0.029
Linear-by-Linear Association 2,738 1 0.098
N of Valid Cases 149

Đầu tiên, bởi vì không có ô nào (0%) trong bảng lý thuyết nhỏ hơn 5, nên giá trị X2
đáng tin cậy. Lúc này, ta có thể đánh giá việc bác bỏ H0 dựa trên giá trị Asymp Sig.
trong bảng (0.034 < 0.05) là có cơ sở. Điều này đồng nghĩa là tần suất thương hiệu
được nghĩ đến đầu tiên khi nhắc về chất tẩy rửa chịu sự tác động của 2 nhóm giới
tính.

2.6.2. Kiểm định One-way ANOVA

2.6.2.1. Ý nghĩa/mục đích của kiểm định One-way ANOVA

Về bản chất, đây là một sự mở rộng của kiểm định t khi cho phép so sánh trị trung
bình của 3 nhóm trở lên (nhưng không quá 4), thay vì phải thực hiện lệnh
Independent-Samples T-test nhiều lần, qua đó làm giảm khả năng sai lầm do đây là
một đại lượng tỷ lệ thuận với số lần kiểm định. Ngược lại, phân tích phương sai
ANOVA sẽ cho phép tiến hành kiểm định tất cả nhóm mẫu cùng một lúc nhằm kiểm
định giả thuyết các tổng thể nhóm có trị trung bình bằng nhau.

Phương pháp này đặt ra giả thuyết H0: Không có sự khác biệt giữa các trung bình của
các nhóm được phân loại theo biến định tính.

2.6.2.2. Cách thực hiện

Bước 1: Chọn Analyze → Compare Means → One-Way Anova.

Bước 2: Chuyển biến muốn kiểm định vào ô Dependent list → Chọn biến nhân tố
cần phân loại đối tượng ở ô Factor.

49
Bước 3: Chọn Options (đối với các biến có số biểu hiện không dưới 3 và không quá
4) → Tích vào ô Descriptive và ô Homogeneity of variance test → Continue.

Bước 4: Chọn OK → Nhận kết quả ở Output.

2.6.2.3. Kết quả và đánh giá

Trước tiên, ta sẽ so sánh giá trị Sig. ở bảng ANOVA với α để xác định sẽ bác bỏ (khi
nhỏ hơn) hay chấp nhận (khi lớn hơn hoặc bằng) H0. Nếu H0 bị bác bỏ thì buộc lòng
ta phải tiến hành phân tích sâu (Post Hoc) nhằm giải quyết cụ thể sự khác biệt xảy ra
ở nhóm nào.

Để tiến hành, ta cần quay lại giao diện phân tích ANOVA, chọn Post hoc và lựa chọn
phương pháp kiểm định. Để xác định nên lựa chọn phương pháp nào, ta sẽ dựa vào
bảng Test of Homogeneity of Variances sẽ xem xét số sig ở bảng này so với 0.05.
Nếu số này nhỏ hơn 0.05, ta sẽ lựa chọn một trong những kiểm định khi phương sai
khác nhau (thường sẽ là Tamhane's T2). Còn nếu ngược lại, ta sẽ chạy loại kiểm định
khi phương sai bằng nhau (thường là LSD). Sau khi tiến hành phân tích sau, ta có thể
nhìn thấy sự khác biệt xảy ra ở những cặp nào (những cặp có dấu *).

• Kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa các nhóm tuổi.

Ở đây, tuy biến nhóm tuổi là biến định tính (và có hơn 2 nhóm), còn biến thái độ là
biến định lượng, về cơ bản đã phù hợp để tiến hành chạy phân tích One-way ANOVA.
Tuy nhiên, do biến nhóm tuổi có nhiều hơn 4 nhóm nên nhóm nghiên cứu phải tiến
hành Recode lại thành 3 nhóm theo các bước như đã trình bày bên trên. Sau khi hoàn
thành, nhóm tiến hành phân tích One-way ANOVA, chuyển biến qc1, qc2, qc3 vào ô
Dependent list sau đó chọn biến nhóm tuổi mới recode (Tuoi_R) ô Factor rồi thực
hiện các bước như phía trên.

Với giả thuyết H0: “Không có sự khác biệt trong thái độ đối với quảng cáo giữa
các nhóm tuổi” và thực hiện chạy kiểm định thì nhóm nghiên cứu đã thu được kết
quả như bảng sau:

50
Bảng 2.26: Kết quả kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa các
nhóm tuổi

Sum of Squares df Mean Square F Sig.

qc1 Between Groups 0.472 2 0.236 0.389 0.679
Within Groups 89.188 147 0.607
Total 89.660 149
qc2 Between Groups 0.315 2 0.157 0.258 0.773
Within Groups 89.685 147 0.610
Total 90.000 149
qc3 Between Groups 0.453 2 0.266 0.344 0.710
Within Groups 96.887 147 0.659
Total 97.340 149

Thông qua bảng Anova, nhóm thấy được tất cả số sig. của các biến đều có giá trị lớn
hơn 0.05 nên bác bỏ giả thuyết H0: “Có sự khác biệt trong thái độ đối với quảng cáo
giữa các nhóm tuổi”, nghĩa là không có sự khác biệt về thái độ đối với quảng cáo giữa
các nhóm tuổi.

• Kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa các trình độ
học vấn.

Ở đây biến thái độ là biến định lượng và trình độ học vấn là biến định tính, đồng thời,
biến trình độ học vấn ở đây có trên 2 nhóm nhưng không vượt quá 4 nhóm nên đủ
điều kiện để nhóm tiến hành chạy Anova.

Cách thực hiện: vào One-way Anova, chuyển biến qc1, qc2, qc3 vào ô Dependent
list sau đó chọn biến trình độ học vấn vào ô Factor, tiếp theo thực hiện các bước như
trên.

Dựa theo giả thuyết H0: “Không có sự khác biệt trong thái độ đối với quảng cáo
giữa các trình độ học vấn” và chạy kiểm định One - way Anova, nhóm đã thu được
kết quả sau:

51
Bảng 2.27: Kết quả kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa các
trình độ học vấn

Sum of Squares df Mean Square F Sig.

qc1 Between Groups 1.072 3 .357 .589 .623

Within Groups 88.588 146 .607
Total 89.660 149

qc2 Between Groups 2.130 3 .710 1.179 .320

Within Groups 87.870 146 .610
Total 90.000 149

qc3 Between Groups .918 3 .306 .463 .708

Within Groups 96.422 146 .660

Total 97.340 149

Theo kết quả kiểm định One – way ANOVA cho thấy ta thấy được số sig. của các
biến đều lớn hơn 0.05, điều này đã chứng tỏ giả thuyết H0 được chấp nhận, đồng
nghĩa với kết luận không có sự khác biệt trong thái độ đối với quảng cáo giữa các
trình độ học vấn.

• Kiểm định sự khác biệt giữa các nhóm thu nhập trong thái độ đối với thương
hiệu.

Với biến thu nhập là biến định tính và biến thái độ là định lượng, nhóm đã sử dụng
kiểm định Anova để kiểm định sự khác biệt giữa 2 nhóm trên. Tuy nhiên, như đã trình
bày ở trên, biến tncn ban đầu không đủ điều kiện để chạy One-way ANOVA nên
nhóm đã sử dụng biến TN_R đã được recode trước đó.

Nhóm tiến hành vào One-way Anova, chuyển các biến th1, th2, th3 vào ô Dependent
list sau đó chuyển biến TN_R vào ô Factor và thực hiện tương tự các bước tiếp theo
như trên.

52
 Bảng 2.28: Kết quả kiểm định sự khác biệt giữa thu nhập đối với thái độ đối với
thương hiệu

Sum of Squares df Mean Square F Sig.

th1 Between Groups 0.000 1 0.000 0.001 0.981
Within Groups 78.540 148 0.531
Total 78,540 149
th2 Between Groups 0.183 1 0.183 0.333 0.565
Within Groups 81.390 148 0.550
Total 81.573 149
th3 Between Groups 0.508 1 0.508 0.704 0.403
Within Groups 106.825 148 0.722
Total 107.333 149

Với giả thuyết H0: “Không có sự khác biệt giữa các nhóm thu nhập trong thái độ đối
với thương hiệu”, nhóm nghiên cứu đã chạy kiểm định One - way Anova và có được
kết quả như bảng trên.

Kết quả One – way Anova cho thấy các giá trị Sig. đều lớn hơn 0.05, vì vậy nhóm
nghiên cứu đã đi đến kết luận là chấp nhận H0, tức không nhận thấy sự khác biệt có
ý nghĩa thống kê giữa các nhóm thu nhập trong thái độ đối với thương hiệu.

Kiểm định sự khác biệt giữa các nhóm tuổi trong hành vi đối với thương hiệu.

Với biến nhóm tuổi là biến định tính và biến hành vi là biến định tính, nhóm nghiên
cứu đã áp dụng kiểm định sự khác biệt của 2 biến thông qua kiểm định ANOVA. Như
ở kiểm định trước, nhóm sẽ sử dụng lại biến Tuoi_R (biến nhóm tuổi đã được recode
để phù hợp với kiểm định ANOVA.

53
 Bảng 2.29: Kết quả kiểm định sự khác biệt giữa các nhóm tuổi trong hành vi đối
với thương hiệu

Sum of
df Mean Square F Sig.
Squares
hv1 Between Groups 0.031 2 0.016 0.025 0.975
Within Groups 90.802 147 0.618
Total 90.833 149
hv2 Between Groups 0.945 2 0.472 0.755 0.472
Within Groups 92.048 147 0.626
Total 92.993 149
hv3 Between Groups 0.759 2 0.379 0.533 0.588
Within Groups 104.575 147 0.711
Total 105.333 149

Nhóm nghiên cứu đã thực hiện vào One-way Anova, chuyển các biến hv1, hv2, hv3
vào ô Dependent list sau đó chọn biến Tuoi_R vào ô Factor rồi tiếp tục thực hiện các
bước tiếp theo với giả thuyết H0: “Không có sự khác biệt giữa các nhóm tuổi đối
với quảng cáo giữa các hành vi.”

Nhóm nghiên cứu đã thu được kết quả với số sig. của các biến trong bảng này đều có
giá trị lớn hơn 0.05, vì thế đi đến kết luận chấp nhận H0. Điều này đồng nghĩa với
việc không có sự khác biệt về các nhóm tuổi đối với hành vi với thương hiệu.

• Kiểm định sự khác biệt giữa nhóm tuổi trong nhận thức về định kiến giới.

Ở đây biến nhóm tuổi là biến định tính và biến nhận thức là biến định lượng, nhóm
nghiên cứu tiến hành kiểm định sự khác biệt giữa nhóm tuổi trong nhận thức về định
kiến giới bằng kiểm định Anova. Như ở kiểm định trước, nhóm cũng sẽ sử dụng lại
biến Tuoi_R với giả thuyết H0: “Không có sự khác biệt giữa nhóm tuổi trong nhận
thức về định kiến giới”

Cách tiến hành: sau khi vào One-way Anova, nhóm chuyển biến các biến nt1, nt2,
nt3 vào ô Dependent list sau đó ô Factor chọn Tuoi_R chuyển vào, sau đó thực hiện
các bước giống như trên.

54
Bảng 2.30: Kết quả kiểm định sự khác biệt giữa nhóm tuổi trong nhận thức về định
kiến giới

Sum of Squares df Mean Square F Sig.

nt1 Between Groups 1.355 2 0.678 1.851 0.161
Within Groups 53.818 147 0.366
Total 55.173 149
nt2 Between Groups 0.731 2 0.366 0.964 0.384
Within Groups 55.729 147 0.379
Total 56.460 149
nt3 Between Groups 1.622 2 0.811 2.061 0.131
Within Groups 57.871 147 0.394
Total 59.493 149

Theo kết quả kiểm định One – way ANOVA, ta có Sig. ở tất cả biến quan sát đều lớn
hơn 0.05 Do đó, nhóm có thể đi đến kết luận là H0 được chấp nhận, hay nói cách
khác, không có sự khác biệt có ý nghĩa thống kê giữa nhóm tuổi trong nhận thức về
định kiến giới.

2.6.3. Kiểm định Independent – Samples T-Test

2.6.3.1. Ý nghĩa/mục đích kiểm định Independent – Samples T-Test

Nhằm so sánh trị trung bình về chỉ tiêu nghiên cứu giữa 2 đối tượng quan tâm.

2.6.3.2. Cách thực hiện

Bước 1: Chọn Analyze → Compare Means → Independent - samples T-Test.

Bước 2: Test Variables: chọn biến định lượng & Grouping Variable: chọn biến định
tính.

Bước 3: Chọn Define Group → Quy định ký hiệu mã hóa → Continue.

Bước 4: Chọn Option → quy định tỷ lệ tin cậy → OK.

55
2.6.3.3. Kết quả và đánh giá

Trước tiên, ta cần xem xét số Sig. trong kiểm định Levene. Nếu giá trị này nhỏ hơn
0.05, ta sẽ sử dụng kết quả kiểm định T-Test ở Equal Variances Assumed; ngược lại,
ta sẽ dùng kết quả kiểm định T-Test ở Equal Variances Not assumed. Với kết quả của
kiểm định T, ta tiếp tục so sánh với 0.05 để biết nên bác bỏ (khi nhỏ hơn) hay chấp
nhận (khi lớn hơn hoặc bằng) H0.

• Kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa 2 nhóm giới
tính.

Cách thực hiện: Ở bước 2, ta chọn các biến qc1, qc2, qc3 vào Test Variables & chọn
biến giới tính vào Grouping Variable, tiếp theo thực hiện các bước như trên.

Bảng 2.31: Kết quả kiểm định sự khác biệt trong thái độ đối với quảng cáo giữa 2
nhóm giới tính
Levene’s Test for
Equality of t-test for Equality of Means
Variances
95% Confidence
Sig. (2- Mean Std. Error Interval of
F Sig. t df
tailed) Difference Difference Difference
Lower Upper
qc1 Equal variances assumed -11.412 147 0.16 -0.201 0.142 -0.482 0.08
2,809 ,096
Equal variances not assumed -1.256 58.842 0.214 -0.201 0.16 -0.521 0.119
qc2 Equal variances assumed -0.35 147 0.727 -0.05 0.143 -0.333 0.233
1,003 ,318
Equal variances not assumed -0.32 61.503 0.75 -0.05 0.157 -0.363 0.263
qc3 Equal variances assumed -1.205 147 0.23 -0.179 0.148 -0.472 0.114
,626 ,430
Equal variances not assumed -1.127 63.816 0.264 -0.179 0.159 -0.496 0.138
Theo kết quả kiểm định Independent Samples Test, ta thấy số Sig. của tất cả biến
quan sát ở cột Lenvene’s Test đều lớn hơn 0.05. Tương tự, tất cả giá trị Sig của kiểm
định T ở Equal Variances Assumed > 0.05. Do đó, có thể nói H0 sẽ được chấp nhận,
không có sự khác biệt trong thái độ đối với quảng cáo giữa 2 nhóm giới tính.

• Kiểm định sự khác biệt trong nhận thức về định kiến giới giữa 2 nhóm giới
tính.

Cách thực hiện như sau: đầu tiên vào samples T test chọn biến nhận thức vào Test
Variables & chọn biến giới tính vào Grouping Variable, sau đó tiếp tục làm theo các
bước như bên trên để ra kết quả.

56
Theo kết quả kiểm định Independent Samples Test, ta thấy số Sig. của tất cả biến
quan sát ở cột Lenvene’s Test (0.14, 0.389, 0.329) đều lớn hơn 0.05. Vì thế, ta sẽ tiến
hành xem xét kết quả kiểm định T-Test ở Equal Variances Assumed. Kết quả cho
thấy cả ba (0.721, 0.877, 0.74) đều lớn hơn 0.05, do đó, có thể nói H0 sẽ được chấp
nhận. Như vậy, không có sự khác biệt trong nhận thức về định kiến giới giữa 2 nhóm
giới tính.

Bảng 2.32: Sự khác biệt trong nhận thức về định kiến giới giữa 2 nhóm giới tính
Levene's Test
for Equality of t-test for Equality
Mean of Means
Std.
Sig. (2- Differen Error 95%
F Sig. t df tailed) ce Differe Lower Upper
nt1 Equal variances
2.199 .140 .358 147 .721 .040 .112 -.182 .262
assumed
Equal variances not
.328 61.739 .744 .040 .122 -.205 .285
assumed
nt2 Equal variances
assumed .746 .389 .155 147 .877 .018 .114 -.207 .242

Equal variances not

.151 68.459 .881 .018 .117 -.216 .251
assumed
nt3 Equal variances
.957 .329 -.333 147 .740 -.039 .117 -.269 .192
assumed
Equal variances not
-.296 58.718 .768 -.039 .131 -.302 .224
assumed

• Kiểm định sự khác biệt giữa nhóm học sinh - sinh viên và nhóm không phải
học sinh - sinh viên trong nhận thức về định kiến giới.

Thực hiện: Ở kiểm định này, do nhóm đã vô tình xóa mất biến NgheRecode, đồng
thời nhận thấy nhóm chỉ muốn kiểm định sự khác biệt về nhận thức của hai đối tượng
học sinh - sinh viên và không phải học sinh - sinh viên, nên việc sử dụng thủ tục
Count để chuyển biến nghề nghiệp ban đầu thành biến mới sẽ nhanh chóng hơn. Vì
thế, biến đích mới được đặt tên là Nghe_Count đã được tạo ra qua các bước sau:

Bước 1: Transform/Count value.

Bước 2: Nhập tên và nhãn biến mới và chọn biến nghề ban đầu.

Bước 3: Chọn Define value, với values là 1 tức số mã hóa cho Học sinh, sinh viên →
Chọn Add.

57
Bước 4: Khai báo giá trị cho biến mới với 1 - “Là HS, SV” và 0 – “Không là HS,
SV”.

Sau đó, ở bước 2 của phân tích ANOVA, ta chọn các biến nt1, nt2, nt3 vào Test
Variables & chọn biến Nghe_Count vào Grouping Variable, sau đó tiếp tục làm theo
các bước tương tự như trên. Thông qua bảng Independent Samples Test, số Sig. của
cả ba biến ở cột Lenvene’s Test và T-Test (phần Equal Variances Assumed) đều có
giá trị lớn hơn 0.05 (> 0.05) nên chấp nhận H0, nghĩa là không có sự khác biệt giữa
nhóm học sinh-sinh viên và nhóm không phải học sinh-sinh viên trong nhận thức về
định kiến giới.

Bảng 2.33: Sự khác biệt giữa nhóm học sinh - sinh viên và nhóm không phải học
sinh - sinh viên trong nhận thức về định kiến giới
Levene's Test for t-test for Equality of Means
Sig. (2- Mean Std. 95% Confidence
F Sig. t df tailed) Differenc Error Lower Upper
nt1 Equal variances
3.677 .057 1.316 148 .190 .170 .129 -.085 .425
assumed
Equal variances not
1.420 41.786 .163 .170 .120 -.072 .411
assumed
nt2 Equal variances
.779 .379 .558 148 .578 .073 .131 -.186 .332
assumed
Equal variances not
.605 42.061 .548 .073 .121 -.171 .317
assumed
nt3 Equal variances
2.596 .109 1.240 148 .217 .166 .134 -.099 .431
assumed
Equal variances not
1.310 40.724 .197 .166 .127 -.090 .422
assumed

2.6.4. Kiểm định Paired – Samples T-Test

2.6.4.1. Ý nghĩa/mục đích kiểm định Paired – Samples T-Test

Dùng cho 2 mẫu có mối quan hệ với nhau, dữ liệu thuộc thang đo khoảng cách hoặc
tỷ lệ.

Cách thực hiện:

Bước 1: Chọn Analyze → Compare Means → Paired - Samples T test

Bước 2: Chuyển 2 biến muốn so sánh vào ô Paired Variables

Bước 3: Chọn OK → Nhận kết quả ở Output

58
Có sự khác biệt nào trong đánh giá các cặp biến nt 2 (Dọn dẹp vệ sinh nhà cửa) -
nt 3 (Ở nhà chăm sóc con bị ốm) hay không?

Cách tiến hành: Ở bước 2, nhóm nghiên cứu chuyển biến nt2 (Dọn dẹp vệ sinh nhà
cửa) và biến nt3 (Ở nhà chăm sóc con bị ốm) để tiến hành so sánh, những bước tiếp
theo thực hiện giống trên.

Để kiểm định sự khác biệt trong đánh giá các cặp biến nt2 và nt3, nhóm đã sử dụng
kiểm định Paired – Samples T-Test với giả thuyết H0: Không có sự khác biệt nào
trong đánh giá các cặp biến nt 2 (Dọn dẹp vệ sinh nhà cửa) - nt 3 (Ở nhà chăm sóc
con bị ốm). Kết quả thu được như sau:

Bảng 2.34: Kết quả kiểm định sự khác biệt trong đánh giá cặp biến nt2, nt3

Paired Differences
Sig. (
95% Confidence
Std. Std. 2-
Interval of the t df
Mean Devia Error tailed
Difference
tion Mean )
Lower Upper
Pair 1 -,113 ,574 ,047 -,206 -,201 -2,419 149 ,017
nt2 – nt3

Từ bảng kết quả trên, với số cặp quan sát N= 150, nhóm thấy được số sig. có giá trị
0.017, nhỏ hơn 0.05 nên có thể đi đến kết luận bác bỏ giả thuyết H0, từ đó suy ra có
sự khác biệt có ý nghĩa thống kê trong đánh giá các cặp biến nt2 (Dọn dẹp vệ sinh
nhà cửa) - nt 3 (Ở nhà chăm sóc con bị ốm).

59
 CHƯƠNG 3: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH
Thông qua những nghiên cứu và phân tích trên, nhóm nghiên cứu xin tóm tắt lại
những nội dung quan trọng cũng như đưa ra một số hàm ý chính sách như sau:

3.1. Tóm tắt kết quả nghiên cứu

Để làm rõ vấn đề cần nghiên cứu, nhóm nghiên cứu sử dụng 4 khái niệm như sau:

Thứ nhất: Nhận thức về định kiến giới (NT).

Thứ hai: Thái độ đối với Quảng cáo (QC).

Thứ ba: Thái độ đối với Thương hiệu (TH).

Thứ tư: Hành vi đối với Thương hiệu (HV).

Ở mỗi thang đo, các biến quan sát đã được kiểm định cũng như kế thừa từ những
nghiên cứu trước đó ở những đề tài liên quan trong và ngoài nước. Hoàn thành quá
trình thực hiện, nhóm nghiên cứu xin tóm tắt lại một số vấn đề quan trọng như sau:

Thứ nhất, kiểm định Cronbach’s Alpha lần 1 cho thấy 3 thang đo QC, TH và HV
đều đạt chuẩn, hệ số Cronbach’s Alpha của cả 3 thang đo này đều đạt ở mức tốt, nằm
trong khoảng từ 0.8 - 0.9. Bên cạnh đó, hệ số tương quan biến - tổng cũng lớn hơn
0.3, đạt yêu cầu để tiếp tục tiến hành phân tích.

Tuy nhiên, thang đo NT có hệ số Cronbach’s Alpha chỉ đạt 0.567 và có biến xuất hiện
hệ số tương quan biến - tổng chỉ đạt 0.002, thấp hơn rất nhiều so với điều kiện đạt
chuẩn. Chính vì vậy, nhóm nghiên cứu đã tiến hành loại bỏ yếu tố không đạt đó (biến
thứ 4) trong thang đo NT để hệ số Cronbach’s Alpha của thang đo này được cải thiện
từ 0.567 lên 0.781.

Thứ hai, phân tích nhân tố khám phá EFA đạt điều kiện ngay trong lần đầu tiên. Sau
khi điều chỉnh, từ mô hình ban đầu với 4 nhóm nhân tố và 13 biến quan sát thành 4
nhóm nhân tố với 12 biến quan sát, nhóm nghiên cứu tiến hành phân tích EFA với
phương pháp rút trích Principal Axis Factoring với phép xoay nhân tố Promax.

Thứ ba, phân tích hồi quy tuyến tính đã cho ra một số kết luận như sau:

60
(1) Với phương trình hồi quy đơn biến, hệ số R2 đạt 0.246, tức là mô hình này có khả
năng giải thích được 24.6% giá trị so với thực tế. Hay nói cách khác, trong trường
hợp này, biến độc lập đưa vào ảnh hưởng 24.6% đến sự thay đổi của biến phụ thuộc,
còn lại 75.4% là do các biến ngoài mô hình và sai số ngẫu nhiên.

(2) Với phương trình hồi quy đa biến, hệ số R 2 đạt 0.35, tức là mô hình này có khả
năng giải thích được 35% giá trị so với thực tế. Hay nói cách khác, trong trường hợp
này, biến độc lập đưa vào ảnh hưởng 35% sự thay đổi của biến phụ thuộc, còn lại
65% là do các biến ngoài mô hình và sai số ngẫu nhiên.

Thứ tư, ở mô hình nghiên cứu hiệu chỉnh, nhóm nghiên cứu đưa ra giả thuyết “Nhận
thức về định kiến giới có tác động cùng chiều đến Hành vi của họ đối với Thương
hiệu”. Tuy nhiên, sau khi phân tích, nhóm nghiên cứu đã loại bỏ giả thuyết này.

Từ những kết quả trên, mô hình nghiên cứu ban đầu được hiệu chỉnh chính thức thành
3 nhóm nhân tố QC, TH và HV với 3 biến quan sát cho mỗi nhóm.

3.2. Hạn chế của đề tài

Tuy đã đạt được một số yêu cầu nhất định nhưng đề tài trên vẫn còn một số hạn chế
như sau:

Thứ nhất, kết quả phân tích thu được chưa nằm ở mức tốt. Mô hình nghiên cứu
phương trình hồi quy chỉ có thể giải thích được 24.6% và 35% giá trị so với thực tế
lần lượt cho phương trình hồi quy đơn và đa biến.

Thứ hai, do hạn chế về mặt thời gian cũng như vấn đề tài chính, quy mô mẫu mà
nhóm nghiên cứu sử dụng còn hạn chế, chỉ với 150 đáp viên, điều này khiến cho tính
đại diện của mô hình nghiên cứu còn thấp.

3.3. Hướng nghiên cứu sắp tới

Để có thể khắc phục được các mặt hạn chế nêu trên, nhóm nghiên cứu đề xuất một số
hướng nghiên cứu tiếp theo như sau:

Thứ nhất, mở rộng quy mô mẫu và phạm vi nghiên cứu ra nhiều quận, huyện ở thành
phố cũng như các tỉnh thành khác nhằm tăng tính đại diện cho tổng thể, giúp cho dữ
liệu thu về có tính chính xác và độ tin cậy cao hơn.
61
Thứ hai, với các dạng đề tài tương đối phức tạp khi xuất hiện các biến đóng cả hai
vai trò độc lập và phụ thuộc như này, thay vì sử dụng mô hình hồi quy OLS thông
thường thì nên cân nhắc sử dụng mô hình SEM thông qua một số phần mềm khác
ngoài SPSS như AMOS hay SmartPLS để dễ dàng hơn trong việc phân tích.

Thứ ba, xem xét và cân nhắc đưa thêm một số nhân tố khác vào mô hình nghiên cứu
để có thể cải thiện khả năng giải thích của mô hình hiện tại.

3.4. Một số hàm ý chính sách

3.4.1. Nhân tố Thái độ đối với Quảng cáo QC)

Đây là biến có hệ số tương quan cao nhất với biến phụ thuộc, tức là có tác động mạnh
nhất trong các biến độc lập lên biến phụ thuộc “Hành vi đối với Thương hiệu” với hệ
số B = 0.4. Đồng thời, hệ số hồi quy mang dấu (+) thể hiện đúng giả thuyết kỳ vọng
về sự tương quan dương với biến “Hành vi đối với Thương hiệu”. Bên cạnh đó, tác
động của biến này lên biến phụ thuộc “Thái độ đối với Thương hiệu” cũng đã được
xác nhận thông qua mô hình hồi quy đơn. Qua đó ta thấy rằng, Thái độ của người tiêu
dùng đối với một quảng cáo không chỉ tác động đến Thái độ của họ đối với Thương
hiệu mà còn tác động trực tiếp tới Hành vi của họ với Thương hiệu.

Chính vì vậy, để người tiêu dùng có thái độ tốt với một thương hiệu, việc doanh
nghiệp cần xây dựng các quảng cáo có nội dung và hình thức phù hợp với đối tượng
khách hàng mục tiêu là rất quan trọng. Đặc biệt, do kết quả của đề tài nghiên cứu này
đúng nhiều hơn với nữ (số lượng đáp viên nữ chiếm đa số) - vốn là nhóm khách hàng
chính của ngành hàng gia dụng thì việc nhận được một thái độ tích cực từ họ đối với
quảng cáo càng trở nên quan trọng hơn bao giờ hết. Ngoài ra, hình ảnh người phụ nữ
cũng cần phải đảm bảo được những giá trị văn hóa truyền thống, có thể hội nhập các
yếu tố mới nhưng tuyệt nhiên không được đánh mất những nét văn hóa vốn có.

3.4.2. Nhân tố Thái độ đối với Thương hiệu (TH)

Ngược lại, hệ số tương quan giữa biến này và biến phụ thuộc là thấp nhất (B = 0.270).
Mặc dù giữa hai biến này chưa có mối quan hệ mạnh, tuy nhiên do nó vẫn có tác động
cùng chiều lên yếu tố Hành vi đối với Thương hiệu, doanh nghiệp vẫn cần tạo ra cho

62
người tiêu dùng một thái độ tốt đối với Thương hiệu để có thể dẫn đến những hành
vi mong muốn đối với thương hiệu. Bên cạnh đó, để tạo được hành vi tích cực đối
với thương hiệu, doanh nghiệp cũng cần:

Thứ nhất, giữ cho hình ảnh thương hiệu trong sạch, lành mạnh, tránh vướng phải các
lùm xùm về kiện cáo, tranh cãi. Đặc biệt, trong thời đại hiện nay, hướng đến môi
trường và xã hội đang là vấn đề được rất nhiều người tiêu dùng quan tâm. Chính vì
vậy, doanh nghiệp nên đầu tư phát triển hình ảnh theo hướng an toàn, thân thiện với
môi trường và hướng nhiều tới cộng đồng (quan tâm tới các hoàn cảnh khó khăn, từ
thiện, học bổng khuyến học…).

Thứ hai, thương hiệu cần hết sức cẩn trọng trong các chiến dịch truyền thông, quảng
cáo. Ngày nay, với sức ảnh hưởng cực kỳ lớn của mạng xã hội thì chỉ cần một sai sót
nhỏ của thương hiệu (ngôn từ mang ý xúc phạm, miệt thị, đá đểu hay hình ảnh có tính
châm biếm, chê bai…) rất dễ tạo ra một thái độ xấu của khách hàng dành cho thương
hiệu đó. Do đó, việc đảm bảo ngôn từ, hình ảnh trong mọi hoạt động marketing của
thương hiệu là hết sức cần thiết để có thể xây dựng được một thái độ tích cực với
thương hiệu.

63
 TÀI LIỆU THAM KHẢO
Đỗ Trọng Danh. (2014). Tin học chuyên ngành Marketing. TP. HCM.

Durbin-Watson result inconsistent for same regression model with same data.
(không ngày tháng). Được truy lục từ
https://www.ibm.com/support/pages/durbin-watson-result-inconsistent-same-
regression-model-same-data

Hoàng Trọng, Chu Nguyễn Mộng Ngọc. (2005). Phân tích dữ liệu nghiên cứu với
SPSS.

Hoàng Trọng, Chu Nguyễn Mộng Ngọc. (2008). Phân tích dữ liệu nghiên cứu với
SPSS. NXB Hồng Đức.

Hoàng Trọng, Chu Nguyễn Mộng Ngọc. (2008). Phân tích dữ liệu nghiên cứu với
SPSS tập 1. NXB Hồng Đức.

Hoàng Trọng, Chu Nguyễn Mộng Ngọc. (2008). Phân tích dữ liệu nghiên cứu với
SPSS tập 1. NXB Hồng Đức.

Hoàng Trọng, Chu Nguyễn Mộng Ngọc. (2008). Phân tích dữ liệu nghiên cứu với
SPSS tập 1. NXB Hồng Đức.

Nguyễn Văn Ngọc. (không ngày tháng). Từ điển Kinh tế học. Đại học Kinh tế Quốc
dân.

64
 PHỤ LỤC
Phụ lục 1: Lập bảng tần số

Bước 1: Vào Analyze → Descriptive Statistics → Frequencies.

Bước 2: Chọn biến cần biểu diễn → Chọn Chart

Bước 3: Chọn loại Chart → Continue → OK.

Phụ lục 2: Ghép biến

Bước 1: Analyze → Tables → Multiple Response Set

65
Bước 2: Chọn biến cần ghép → Categories → Nhập tên biến mới tại Set name &
Set lable → add → OK.

Bước 3: Analyze → Tables → Custom tables.

Bước 4: kéo biến đã gộp vào Row (hoặc Column) → OK

66
Phụ lục 3: Kiểm định độ tin cậy bằng CronBach’s Alpha

Bước 1: Chọn menu Analyze -> Scale -> Reliability Analysis.

Bước 2: Trong bảng Reliability Analysis, chuyển các biến quan sát trong cùng một
thang đo qua khung Items.

67
Bước 3: Chọn Statistics, trong bảng Statistics chọn Descriptive for Items và Scale if
item deleted, ANOVA Table chọn None.

Bước 4: Chọn Continue -> Ok.

68
Phụ lục 4: Phân tích nhân tố khám phá EFA

Bước 1: Chọn Analyze -> Dimension Reduction -> Factor.

Bước 2: Trong khung Variables: chọn tất cả các biến định lượng cần kiểm định.

Bước 3: Chọn Descriptive -> Chọn Initial Solution và KMO and bartlett’s test of
sphericity -> Chọn continue.

69
Bước 4: Chọn Extraction -> Tại khung Method chọn Principal axis factoring (PAF).

Bước 5: Chọn Rotation -> Tại khung Method chọn phép quay Promax -> Chọn
continue.

Bước 6: Chọn Scores -> Chọn Save as variables -> Chọn continue.

70
Bước 7: Chọn Options -> Trong khung Missing value chọn Exclude cases listwise -
> Trong khung Coefficient Display Format chọn Sorted by size và Suppress small
coefficient -> Trong khung Absolute value below chọn 0.50 -> Chọn Continue ->
Chọn Ok.

Phụ lục 5: Tạo biến đại diện

Bước 1: Transform, chọn Compute Variable:

Bước 2: Target Variable: Nhập tên biến đại diện mới cho từng nhóm nhân tố.

71
Bước 3: Numeric Expression: Thực hiện phép trung bình cộng cho từng nhóm.

Vd: NT = (nt1 + nt2 + nt3 + nt4)/4

Bước 4: Nhập Type & Label cho từng biến đại diện => Ok

Sau khi hoàn thành, nhóm thực hiện điều chỉnh Decimals của các biến đại diện này
thành 2 vì để thu được kết quả chính xác hơn mà không bị làm tròn.

72
Phụ lục 6: Phân tích tương quan

Bước 1: Chọn Analyze -> Chọn Correlate -> Chọn Bivariate.

Bước 2: Chọn 4 biến cần tính (NT, QC, TH, HV - các biến đại diện đã được tạo ra
ban nãy) vào khung Variables -> Chọn mục Pearson và mục Two - tailed -> Chọn
Ok.

73
Phụ lục 7: Phân tích hồi quy

Bước 1: Chọn Analyze -> Regression -> Linear.

Bước 2: Trong bảng Linear Regression, ở ô biến phụ thuộc (Dependent) ta nhập biến
“TH”, ở ô biến độc lập (Independent) ta nhập biến “QC”, ở ô Method chọn Enter ->
Chọn Ok.

74
Bước 3: Chọn Statistics -> Ngoài 2 lựa chọn mặc định là Estimates, và Model fit, ta
lựa chọn thêm 2 ô Durbin-Watson và Collinearity diagnostics -> Chọn Continue.

Bước 4: Chọn Plots -> Ở ô Y chọn *ZRESID, ở ô X chọn *ZPRED -> Ở ô

Standardized Residual Plots chọn Histogram và Normal probability plot -> Chọn
Continue.

75
Bước 5: Chọn Save -> Ở ô Residuals và Predicted values chọn Standardized -> Chọn
Continue -> Chọn Ok.

Phụ lục 8: Phương trình hồi quy đơn biến

Bước 1: Chọn Transform -> Compute variables.

76
Bước 2: Lấy giá trị tuyệt đối của phần dư chuẩn hóa đã được sao lưu ở bước hồi quy
bằng lệnh Abs, khai báo tên biến mới là ABScuaRe1.

Phụ lục 9: Giả định phương sai của sai số không đổi

Bước 1: Chọn Analyze -> Chọn Correlate -> Chọn Bivariate.

Bước 2: Trong bảng Bivariate Correlations, ở ô Variables chọn biến QC và biến

ABScuaRe1 -> Chọn ô Spearman và Two-tailed -> Chọn Ok.

77
Phụ lục 10: Phương trình hồi quy đa biến

Tương tự như trong phần phân tích hồi quy đơn biến, ta tiếp tục lấy giá trị tuyệt đối
của phần dư chuẩn hóa đã được sao lưu ở bước hồi quy bằng lệnh Abs, khai báo tên
biến mới là ABScuaRe2. Tuy nhiên ở phần các biến độc lập thì ta kiểm định 3 biến,
gồm biến NT, QC và TH.

78
79
Phụ lục 11: Giả định phương sai của sai số không đổi cho phương trình
hồi quy đa biến

80
Phụ lục 12: Kiểm định Chi – Square

Bước 1: Vào analyze → Descriptive Statistics → Crosstabs.

Bước 2: Chọn 2 biến vào Row & Column → Statistic → Chi - Square →
Continue.

81
Bước 3: Thoát ra cửa sổ chính → Cell

Bước 4: Chọn Cells (khung count → Observed; khung percentage → Column)

Bước 5: Continue → OK.

Phụ lục 13: Kiểm định Anova

Chọn Analyze → Compare Means → One-Way Anova.

Ở đây, biến nhóm tuổi là biến định tính (do có hơn 2 nhóm), còn biến thái độ là biến
định lượng. Tuy nhiên, do biến nhóm tuổi có nhiều hơn 4 nhóm nên đã vi phạm và
không đủ điều kiện chạy Anova, vì vậy nhóm phải Recode lại thành 3 nhóm.

82
83
Các bước thực hiện như sau: sau khi vào One-way Anova Chuyển biến thái độ
vào ô Dependent list sau đó chọn biến nhóm tuổi ô Factor rồi thực hiện các
bước như phía trên.

Phụ lục 14: Kiểm định Independennt – samples T test

Bước 1: Analyze → Compare Means → Independent - samples T test

Bước 2: Test Variables: chọn biến định lượng & Grouping Variable: chọn biến
định tính.

Bước 3: Chọn Define Group → Quy định ký hiệu mã hóa → Continue.

Bước 4: Chọn Option → quy định tỷ lệ tin cậy → OK.

Phụ lục 15: Kiểm định Paired – Samples T-Test

Bước 1: Chọn Analyze → Compare Means → Paired - Samples T test.

84
Bước 2: Chuyển 2 biến muốn so sánh vào ô Paired Variables.

Bước 3: Chọn OK → Nhận kết quả ở Output.

Phụ lục 16: Bảng câu hỏi

85
86
87
88
89
90
91
92
Phụ lục 17: Kết quả thống kê mô tả

93
Phụ lục 18: Kết quả kiểm định Cronbach’s Alpha

94
95
96
97
Phụ lục 19: Kết quả phân tích nhân tố khám phá EFA

98
99
100
Phụ lục 20: Kết quả phân tích hồi quy đơn biến

101
Phụ lục 21: Kết quả phân tích hồi quy đa biến

102
103
Phụ lục 22: Kết quả kiểm định phương sai của sai số không đổi

104
Phụ lục 23: Kết quả phân tích tương quan

105
Phụ lục 24: Kết quả phân tích Anova

106
107
108
Phụ lục 25: Kết quả kiểm định Chi – Square

109
Phụ lục 26: Kết quả kiểm định Independent Sample T-Test

110
Phụ lục 27: Kết quả kiểm định Paired Sample T-Test

111
112