Maximum likelihood (ML) được sử dụng một cách rộng rãi để ước lượng tham số
trong CFA/SEM (Golob, 2003; Anderson & Gerbing, 1988; Kline, 1998) và là một phương pháp không thể thiếu cho nhiều kỹ thuật mô hình thống kê (Myung, 2003). ML có một số điểm ưu so với phương pháp ước lượng khác, ví dụ: đầy đủ (sufficiency) hiệu quả (efficiency), ổn định (consistency) (Myung, 2003) và ít phụ thuộc vào thang
đo (scale free) (Bollen, 1989). Tuy nhiên, nó cũng có những nhược điểm: dựa trên giả định các biến quan sát phân bố theo luật phân phối chuẩn, và yêu cầu số lượng mẫu lớn (Byrne, 2001).
Về việc đánh giá sự phù hợp mô hình, có rất nhiều chỉ số để chỉ mức độ phù hợp của mô hình (Kline, 1998). Trong đó chỉ số thống kê Chi-square được xem là chỉ số cơ bản
để đo lường mức độ phù hợp của mô hình tổng quát (Hair & ctg, 1998; Kline, 1998). Trong số các chỉ số chỉ ra sự phù hợp của mô hình, Chi-square là chỉ số thống kê có tính suy luận, còn lại tất cả các chỉ số khác đều mô tả (Iacobucci, 2010). Nghĩa là dựa trên Chi-square để phát biểu liên quan đến mức ý nghĩa (significance), hoặc kiểm tra giả thuyết trong khi đó các chỉ số khác chỉ dùng cho đánh giá sự phù hợp (goodness-of- fit). Tuy nhiên, Chi-square phụ thuộc vào độ lớn của mẫu nghiên cứu, phân phối của mẫu là chuẩn và sự phức tạp của mô hình. Mô hình có nhiều tham số sẽ cho Chi-square thấp (Anderson & Gerbing, 1988; Iacobucci, 2010; Schermelleh-Engel &ctg, 2003),
đồng thời có thể dẫn tới sai sót các kiểm tra có ý nghĩa (Garver & Mentzer, 1999) . Khi kiểm tra chỉ số Chi-square, nhà nghiên cứu muốn tìm mức “không ý nghĩa” (non- significance), nghĩa là giữa ma trận hiệp phương sai của dữ liệu quan sát được và ma
125
trận ước lượng không có sự khác biệt mấy. Vì vậy, nhà nghiên cứu muốn chỉ số Chi- square thấp. Tuy nhiên khi số lượng mẫu lớn, hầu hết các mô hình đều đạt được sự
khác biệt ý nghĩa. Đây là một trở ngại đặc biệt khi có yêu cầu số lượng mẫu lớn đểước lượng tham số được ổn định (Garver & Mentzer, 1999). Do đó, để làm giảm đi sự phụ
thuộc của Chi-square vào độ lớn của mẫu, người ta thường chia độ lớn của Chi-square cho số bậc tự do (Chi-square/df) (Kline, 1998). Giá trị chấp nhận của đại lượng này 0≤ χ² ≤3 (Kline, 2004; Byrne, 1988, Iacobucci, 2010; Schermelleh-Engel &ctg, 2003). Nhằm bổ sung cho những hạn chế của Chi-square, một số chỉ tiêu khác cần được kiểm
định. Theo Marsh & ctg (1998) các chỉ tiêu được đề xuất phải: (1) độc lập tương đối với mẫu nghiên cứu, (2) chính xác và ổn định để kiểm tra các mô hình khác nhau, (3) dễ dàng hỗ trợ diễn dịch bởi các giả định trước. Do vậy, Tucker-Lewis index (TLI), Comparative fit index (CFI), Goodness of fit index (GFI) và Root mean square error approximation (RMSEA) sẽđược kiểm tra kết hợp đồng thời.
Tucker-Lewis index (TLI): TLI là chỉ số phù hợp tương đối (relative fit index) nhằm so sánh Chi-square của mô hình kiểm tra (model tested) với mô hình vô hiệu (null model: mô hình mà tất cả biến đo lường không tương quan với nhau, mô hình vô hiệu luôn có Chi-square cao, phù hợp thấp). Bên cạnh, TLI cũng đo lường tính vừa đủ
(parsimony) bằng việc đánh giá bậc tự do của mô hình đề xuất và bậc tự do của mô hình vô hiệu. Chỉ số này biến thiên từ 0-1, một số trường hợp đặc biệt vượt quá 1 hoặc thấp hơn 0. Giá trị chấp nhận của chỉ số này là 0.9 - 1, chứng tỏ mô hình phù hợp với dữ liệu.
Comparative fit index (CFI): CFI so sánh sự phù hợp của mô hình đang kiểm tra với mô hình vô hiệu với cùng một dữ liệu (Iacobucci, 2010). Chỉ số này ít phụ thuộc vào
độ lớn mẫu nghiên cứu (Kline, 1998). Chỉ số này biến thiên từ 0-1, và giá trị chấp nhận là ≥ 0.9 (Garver & Mentzer, 1999).
126
Goodness of fit index (GFI): GFI đo lường (độ lớn) mối quan hệ giữa phương sai và hiệp phương sai của ma trận hiệp phương sai thực tế (empirical covariance matrix) mà
được dự đoán bởi ma trận hiệp phương sai của mô hình (model-implied covariance matrix) (Schermelleh-Engel &ctg, 2003). Theo Joreskog & Sorbom (1993), kiểm tra này cho thấy mô hình phù hợp tốt hơn bao nhiêu so với mô hình vô hiệu khi tất cả các tham số bằng 0. Chỉ số này biến thiên từ 0-1, và giá trị chấp nhận là 0.90-1.
Root mean square error approximation (RMSEA): RMSEA đo lường sự phân tán của ma trận hiệp phương sai giữa quan sát và ước lượng trên mỗi bậc tự do (Garver & Mentzer, 1999). Nó là chỉ số chứa đựng những thông tin đáng tin cậy về hiệp phương sai giữa các khái niệm (Byrne, 2001). Giá trị của chỉ số này biến thiên 0-1, và giá trị
chấp nhận là <= 0.08. Các giới hạn chấp nhận của các chỉ số phù hợp mô hình được mô tảởBảng 5.3.
Bảng 5.3: Tóm tắt giới hạn chấp nhận của các chỉ số phù hợp mô hình
Chỉ số Phù hợp tốt (good fit) Phù hợp (acceptable fit)
χ²/df 0-2 2-3 p value .1-1 .05-.1 CFI .97-1 .95-.97 TLI .95-1 .90-.95 GFI .95-1 .90-.95 RMSEA 0-.05 .05-.08 Schermelleh-Engel & ctg (2003) 5.4.2. Kết quả phân tích CFA
Mô hình đo lường tổng quát gồm có 7 khái niệm và 21 tương quan giữa các khái niệm cần được ước lượng. Các thông tin có được từ 23 biến quan sát của các thang đo lường
được đưa vào phân tích. Quá trình phân tích được thực hiện qua một số lần cho đến khi có được mô hình có độ phù hợp tốt nhất, nhằm phục vụ cho việc đánh giá mô hình lý thuyết và giả thuyết nghiên cứu sau đó.
127
Ở bước đầu tiên, kết quả CFA cho thấy, mô hình chưa đạt được độ tương thích với dữ
liệu thị trường mặc dầu một số chỉ số có kết quả tốt: Chi-square = 303.520, bậc tự do df = 209, Chi-square/df = 1.452; CFI = .929; TLI = .914 và RMSEA = .050; riêng GFI chỉđạt .876, xem Hình 5.1.
128
Mô hình thang đo chưa đạt sự phù hợp với dữ liệu. Do vậy, mô hình cần được điều chỉnh. Cách điều chỉnh là loại bớt một số biến (không ảnh hưởng đến giá trị nội dung) dựa trên sự quan sát Chỉ số điều chỉnh mô hình MI (Modification Indices). Chỉ số
MI là một chỉ số rất hữu ích để xác định cách thức điều chỉnh mô hình (Garver & Mentzer, 1999). Một chỉ sốđiều chỉnh có thể được tính toán cho mỗi tham số cốđịnh hoặc tự do. Mỗi giá trị của chỉ sốđiều chỉnh mô hình sẽ cho thấy một thay đổi giá trị
kỳ vọng ở Chi-square và tham số ước lượng. Giá trị tới hạn của chỉ số này 7.88. Dựa vào kết quả tính toán, xem xét những quan hệ nào có chỉ số MI cao thì điều chỉnh trước và lặp lại đến khi đạt kết quả tốt (Garver & Mentzer, 1999).
Sau khi 3 biến EC8, OC15, MI31 bị loại, mô hình có kết quả như sau, Hình 5.2, trang sau.
129
Hình 5.2: Mô tả sự phù hợp với dữ liệu khảo sát-Mô hình thang đo
Mô hình đạt sự phù hợp tốt với các chỉ số Chi-square/df = 1.391, GFI = .900, TLI = .936, CFI = .950, , RMSEA = .047. Các biến quan sát có giá trị kurtosis <10 (-.824 đến
130
-.161) và skewness < 3 (-.549 đến .450). Dữ liệu quan sát lệch nhẹ so với phân phối chuẩn, phù hợp cho việc sử dụng ML để ước lượng (Kline, 1998), xem Phụ lục 3.
Bảng 5.4: Bảng hệ số tải nhân tố trong mô hình đo lường
Khái niệm
Biến đo lường
Hệ số hồi quy chưa chuẩn hóa
Hệ số hồi qui chuẩn hóa
E P E P
Văn hóa nghiệp chủ (EC) --> EC5 1.069 *** .665 .000 Văn hóa nghiệp chủ (EC) --> EC6 .975 *** .652 .000 Văn hóa nghiệp chủ (EC) --> EC7 1.000 *** .620 .000 Ý định học tập (LI) --> LI1 1.000 *** .709 .000 Ý định học tập (LI) --> LI2 .721 *** .623 .000 Ý định học tập (LI) --> LI4 1.000 *** .794 .000 Nỗ lực quan sát (OE) --> OE10 .986 *** .686 .000 Nỗ lực quan sát (OE) --> OE11 1.000 .730 .000 Kiểm soát tổ chức (OC) --> OC14 .703 *** .602 .000 Kiểm soát tổ chức (OC) --> OC17 .795 *** .664 .000 Kiểm soát tổ chức (OC) --> OC18 1.051 *** .719 .000 Kiểm soát tổ chức (OC) --> OC19 1.000 *** .725 .000 Tri thức tiếp thị thích nghi
thu nhận được (AMK)
-->
AMK20 .977 *** .757 .000 Tri thức tiếp thị thích nghi
thu nhận được (AMK)
--> AMK21 1.000 *** .830 .000 Tri thức tiếp thị sáng tạo thu nhận được (GMK) --> GMK23 .997 *** .770 .000 Tri thức tiếp thị sáng tạo thu nhận được (GMK) --> GMK24 1.000 *** .728 .000 Đổi mới tiếp thị (MI) --> MI28 .917 *** .590 .000 Đổi mới tiếp thị (MI) --> MI29 1.157 *** .757 .000 Đổi mới tiếp thị (MI) --> MI30 1.151 *** .796 .000 Đổi mới tiếp thị (MI) --> MI32 1.000 *** .682 .000 E: estimate (ước lượng), ***: p<0.001
131
Bảng 5.5: Bảng hệ số tương quan giữa các nhân tố
Nhân tố Nhân tố E SE CR P
Ý định học tập (LI) <-> Văn hóa nghiệp chủ (EC) .443 .057 3.711 .000 Văn hóa nghiệp chủ
(EC) <-> Nỗ lực quan sát (OE) .331 .047 2.708 .006 Nỗ lực quan sát (OE) <-> Kiểm soát tổ chức (OC) .553 .061 4.262 .000 Kiểm soát tổ chức (OC) <->
Tri thức tiếp thị thích nghi thu
nhận được (AMK) .615 .064 5.241 .000 Tri thức tiếp thị thích
nghi thu nhận được
(AMK) <-> Tri thức tiếp thị sáng tạo thu nhận được (GMK) .723 .065 5.649 .000 Tri thức tiếp thị sáng tạo thu nhận được (GMK) <-> Đổi mới tiếp thị (MI) .559 .051 4.582 .000 Ý định học tập (LI) <-> Nỗ lực quan sát (OE) .540 .066 4.261 .000 Văn hóa nghiệp chủ
(EC) <-> Kiểm soát tổ chức (OC) .438 .052 3.644 .000 Kiểm soát tổ chức (OC) <-> nhTri thận đượức tic (GMK) ếp thị sáng tạo thu .466 .058 4.046 .000 Tri thức tiếp thị thích
nghi thu nhận được
(AMK) <-> Đổi mới tiếp thị (MI) .488 .050 4.442 .000 Ý định học tập (LI) <-> Kiểm soát tổ chức (OC) .565 .068 4.864 .000 Ý định học tập (LI) <->
Tri thức tiếp thị thích nghi thu
nhận được (AMK) .518 .066 4.733 .000 Ý định học tập (LI) <-> Tri thức tiếp thị sáng tạo thu nhận được (GMK) .542 .065 4.589 .000 Ý định học tập (LI) <-> Đổi mới tiếp thị (MI) .375 .052 3.581 .000 Văn hóa nghiệp chủ (EC) <->
Tri thức tiếp thị thích nghi thu
nhận được (AMK) .459 .053 3.854 .000 Văn hóa nghiệp chủ
(EC) <-> Tri thnhận đượức tic (GMK) ếp thị sáng tạo thu .523 .053 4.003 .000 Văn hóa nghiệp chủ
(EC) <-> Đổi mới tiếp thị (MI) .617 .050 4.515 .000 Nỗ lực quan sát (OE) <->
Tri thức tiếp thị thích nghi thu
nhận được (AMK) .401 .056 3.466 .000 Nỗ lực quan sát (OE) <->
Tri thức tiếp thị sáng tạo thu
nhận được (GMK) .470 .056 3.712 .000 Nỗ lực quan sát (OE) <-> Đổi mới tiếp thị (MI) .379 .046 3.281 .000 Nỗ lực quan sát (OE) <-> Đổi mới tiếp thị (MI) .456 .049 4.110 .001 E (estimate): ước lượng, SE (Standard error): sai lệch chuẩn, CR (Critical value): giá trị tới hạn
132
Bảng 5.5 cho thấy rằng tổng số 21 tương quan giữa các nhân tố có giá trị trong khoảng .331 đến .617, đều nhỏ hơn 1 và có ý nghĩa thống kê. Vì vậy, các khái niệm trên đều
đạt được giá trị phân biệt (Steenkamp & Vantrijp, 1991).
Bên cạnh đó, cần kiểm định thêm độ tin cậy tổng hợp của từng thang đo (từng nhân tố)
để có thể đưa ra đánh giá cuối cùng về các thang đo và mô hình đo lường tổng quát.
Độ tin cậy tổng hợp được tính ở bảng sau trên cơ sở trọng số nhân tốđược ước lượng trong mô hình Phân tích nhân tố khẳng định CFA của các thang đo. Công thức tính
được trình bày ở Mục 5.2.1 Kết quả cho thấy, các khái niệm đạt được yêu cầu vềđộ tin cậy tổng hợp (>.5) (tối thiểu đạt .717).
Bảng 5.6: Bảng kết quả hệ sốđộ tin cậy tổng hợp của từng nhân tố
Khái niệm Độ tin cậy tổng hợp
Ý định học tập (LI) .861
Văn hóa nghiệp chủ (EC) .742
Nỗ lực quan sát (OE) .771
Kiểm soát tổ chức (OC) .893
Tri thức tiếp thị thích nghi thu nhận được (AMK) .817 Tri thức tiếp thị sáng tạo thu nhận được (GMK) .717
Đổi mới tiếp thị (MI) .826
Như vậy, ban đầu mô hình gồm có 7 khái niệm và tổng cộng có 32 biến quan sát dùng
để đo lường các khái niệm này. Tuy nhiên, mô hình chỉ đạt độ tương thích với số liệu của thị trường sau khi loại bỏ 12 biến không đạt yêu cầu. Các thang đo dùng để đo lường các khái niệm đạt được các thuộc tính yêu cầu: độ tin cậy Cronbach’ alpha, độ
133
Bảng 5.7: Bảng tóm tắt các biến bị loại và các biến còn lại
Khái niệm (Nhân tố) Biến bị loại bỏ Biến còn lại
Ý định học tập (LI) LI3 LI1, LI2, LI4 Văn hóa nghiệp chủ (EC) EC8, EC9 EC5, EC6, 7 Nỗ lực quan sát (OE) OE12, OE13 OE10, OE11
Kiểm soát tổ chức (OC) OC15, OC16 OC14, OC17, OC18, OC19 Tri thức tiếp thị thích nghi thu
nhận được (AMK) AMK22 AMK20, AMK21 Tri thức tiếp thị sáng tạo thu
nhận được (GMK) GMK25, GMK26 GMK23, GMK24
Đổi mới tiếp thị (MI) MI27, MI31 MI28, MI29, MI30, MI32
Tổng cộng: 12 biến Tổng cộng: 20
Bảng 5.8: Bảng tóm tắt kết luận về các thang đo
Khái niệm Số lượng các biến
quan sát Độ tin cậy Thuđơn hộc tính: ướng, hội tụ, phân biệt Ban đầu Cuối cùng Alpha Tổng hợp Ý định học tập (LI) 4 3 .854 .861 Thỏa mãn Văn hóa nghiệp chủ (EC) 5 3 .738 .742 Thỏa mãn Nỗ lực quan sát (OE) 4 2 .771 .771 Thỏa mãn Kiểm soát tổ chức (OC) 6 4 .889 .893 Thỏa mãn Thu nhận tri thức tiếp thị thích nghi (AMK) 3 2 .814 .817 Thỏa mãn Thu nhận tri thức tiếp thị sáng tạo (GMK) 4 2 .717 .717 Thỏa mãn Đổi mới tiếp thị (MI) 6 4 .815 .826 Thỏa mãn
134
5.5. Tóm tắt
Chương này đã đề cập đến quá trình thực hiện cũng như kết quả phân tích EFA và CFA. Đối với phương pháp phân tích EFA, thực hiện cho từng thang đo và tất cả các thang đo. Phân tích CFA thực hiện đồng thời cho tất cả các thang đo. Trong quá trình thực hiện phân tích EFA, 9 biến quan sát bị loại bỏ, còn lại 23 biến. Ở giai đoạn này đã tạm kết luận các thang đo đạt được tính đơn hướng, độ tin cậy, độ giá trị phân biệt và giá trị hội tụ. Cuối cùng, 23 biến quan sát và 7 nhân tốđược thực hiện phân tích CFA nhằm khẳng định lần nữa tính đơn hướng, độ giá trị phân biệt, hội tụ và tính được độ
tin cậy tổng hợp. Ở giai đoạn này, 3 biến quan sát bị loại bỏ, còn lại 20 biến. Cuối cùng kết luận rằng các thang đo đạt được các thuộc tính đo lường và mô hình đo lường phù hợp với dữ liệu quan sát được.
Chương 6 tiếp theo sẽ trình bày phương pháp phân tích cũng như kết quả kiểm định mô hình lý thuyết và các giả thuyết.
135
Chương 6
KIỂM ĐỊNH MÔ HÌNH LÝ THUYẾT VÀ CÁC GIẢ THUYẾT
6.1. Giới thiệu
Chương 5 đã kết luận rằng mô hình thang đo lường phù hợp tốt với dữ liệu nghiên cứu sau khi loại bỏ một số biến đo lường không đạt yêu cầu. Dựa trên kết quả của chương 5, chương 6 sẽ trình bày quá trình và kết quả của việc kiểm định mô hình lý thuyết và các giả thuyết nghiên cứu, đồng thời cung cấp những luận bàn xoay quanh kết quảđạt
được.
Chương 6 được trình bày như sau: Phần 1: Giới thiệu tổng quát về phương pháp phân tích mô hình cấu trúc tuyến tính SEM (Structural equation modeling), Phần 2: Trình bày kết quả kiểm định mô hình lý thuyết và các giả thuyết; Phần 3: Trình bày những luận bàn xoay quanh mô hình và các giả thuyết.
6.2. Mô hình cấu trúc tuyến tính SEM (Structural equation modeling)
Mô hình cấu trúc tuyến tính SEM (Structural equation modeling) là một kỹ thuật mô hình có thể xử lý một số lượng lớn các biến nội sinh và ngoại sinh cũng như sự kết hợp tuyến tính giữa biến tiềm ẩn và biến quan sát (Golob, 2003). Đây là một kỹ thuật có thể
chỉ rõ, ước lượng và đánh giá quan hệ tuyến tính giữa các biến quan sát (observed variables) theo hướng rút gọn thành các biến không quan sát (latent variables) (Shah & Goldstein, 2006). Mô hình cấu trúc tuyến tính SEM là một kỹ thuật thống kê mạnh, có thể kết hợp cả mô hình đo lường và mô hình cấu trúc vào một kiểm tra thống kê cùng một bước (one-step modeling) hoặc là hai bước khác nhau (two-step modeling). SEM có những ưu điểm vượt trội so với các kỹ thuật thống kê truyền thống khác, ví dụ: SEM cho biết cả sai số đo lường đối với các biến tiềm ẩn khi ước lượng quan hệ giữa các biến tiềm ẩn với nhau (Garver & Mentzer, 1999). Ước lượng của SEM được thực hiện bằng cách sử dụng phương pháp phân tích hiệp phương sai (covariance analysis method). Các phương pháp phân tích hiệp phương sai có thể dự báo chính xác cho các