Cronbach’s Alpha là công cụ giúp loại đi những biến quan sát, những thang đo không đạt yêu cầu, các biến rác có thể tạo ra các yếu tố giả. Các quan sát có hệ số tương quan biến - tổng < 0.40 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach’s Alpha từ 0.60 trở lên (Nunnally & Burnstein 1994). Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005) cho rằng: “Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0.80 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.70 đến 0.80 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0.60 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới đối với người trả lời trong bối cảnh nghiên cứu” (Nunnally, 1978, trích từ Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
3.4.2Phân tích nhân tố khám phá EFA.
Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết
cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Khi phân tích nhân tố khám phá EFA, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
- Thứ nhất, hệ số KMO (Kaiser- Meyer-Olkin ) KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp. Kiểm định Barlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng & Chu Nguyễn Mộng Ngọc 2005, 262).
- Thứ hai, hệ số tải nhân tố (Factor Loading), theo Hair & ctg (1998), factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading ≥ 0.3 được xem đạt mức tối thiểu, Factor loading ≥ 0.4 được xem là quan trọng, ≥ 0.5 được xem là có ý nghĩa thực tiễn. Ngoài ra, Hair & ctg (1998) cũng khuyên bạn đọc như sau: Nếu chọn tiêu chuẩn factor loading ≥ 0.3 thì cỡ mẫu của bạn ít nhất là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading ≥ 0.55, nếu cỡ mẫu của bạn khoảng 50 thì factor loading phải ≥ 0.75. Do đó, trong nghiên cứu này, nếu biến quan sát nào có hệ số tải nhân tố ≤ 0.50 sẽ bị loại.
- Thứ ba, thang đo được chấp nhận khi tổng phương sai trích ≥ 50% (Gerbing & Anderson 1988).
- Thứ tư, điểm dừng khi trích các yếu tố có hệ số Eigenvalue phải có giá trị ≥ 1 (Gerbing & Anderson 1988).
- Thứ năm, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0.30 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun & Al–Tamimi 2003).
3.4.3.Kiểm định thang đo.
Phương pháp Phân tích nhân tố khẳng định (CFA)trong phân tích mô hình cấu trúc tuyến tính có nhiều ưu điểm hơn so với phương pháp truyền thống như phương pháp hệ số tương quan, phương pháp phân tích nhân tố khám phá EFA, phương pháp đa khái niệm MTMM (Multitrait Multimethod), v.v… (Bagozzi & Foxall 1996). Lý do là CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo lường như mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường ( Steenkamp & Van Trijp 1991). Hơn nữa chúng ta có thể kiểm định giá trị hội tụ và giá trị phân biệt của thang đo mà không cần dùng nhiều nghiên cứu như trong phương pháp truyền thống MTMM. CFA ta có thể thực hiện cho từng khái niệm, một số khái niệm, hoặc thực hiện với tất cả các khái niệm có trong mô hình (gọi là mô hình tới hạn).
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, người ta thường sử dụng Chi-square (CMIN); Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI: Comparative Fit Index). Chỉ số Tucker & Lewis (TLI: Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value > 0.05. Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥ 0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 được xem là rất tốt (Steiger, 1990); thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường. Thọ & Trang (2008) cho rằng nếu mô hình nhận được các giá trị TLI, CFI ≥ 0.9, CMIN/df ≤ 2, RMSEA ≤ 0.08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường.
(1) Hệ số tin cây tổng hợp (composite reliability). (2) Tổng phương sai trích được (variance extracted).
(Fornell & Larcker, 1981) được tính theo công thức sau:
-
- Trong đó λi là trọng số chuẩn hoá của biến quan sát thứ i; 1- λi2 là phương sai của sai số đo lường biến quan sát thứ i, p là số biến quan sát của thang đo. Chỉ tiêu ρc, ρvc phải đạt yêu cầu từ 0.5 trở lên.
- Theo Hair (1998, 612): “phương sai trích (Variance Extracted) của mỗi khái niệm nên vượt quá 0.5”; và phương sai trích cũng là một chỉ tiêu đo lường độ tin cậy. Nó phản ánh lượng biến thiên chung của các biến quan sát được tính toán bởi biến tiềm ẩn.
(3) Tính đơn hướng/đơn nguyên (unidimensionality): Theo Steenkamp & Van Trijp (1991), mức độ phù hợp của mô hình với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng, trừ trường hợp các sai số của các biến quan sát có tương quan với nhau.
(4) Giá trị hội tụ (Convergent validity): thể hiện giá trị đo lường một khái niệm tương quan chặt chẽ với nhau sau những đo lường được lặp lại. Gerbring & Anderson (1988) cho rằng thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hóa của thang đo đều cao (>0.5); và có ý nghĩa thống kê (P <0.05).Các khái niệm sẽ đạt giá trị hội tụ nếu Độ tin cậy tổng hợp Composite Reliability (CR) > Trung bình phương sai trích (AVE) và Trung bình phương sai trích > 0.5 Hair, J., Black, W., Babin, B., và Anderson, R. (2010).
(5) Giá trị phân biệt (Discriminant validity) thể hiện sự khác biệt trong giữa các khái niệm trong mô hình nghiên cứu và điều nảy xảy ra khi hệ số tương quan giữa các khái niệm trên phạm vi tổng thể đều khác biệt với 1 và có ý nghĩa thống kê (P<0.05). Các khái niệm sẽ đạt giá trị phân biệt nếu Tối đa phương sai chia sẻ Maximum Shared
Variance (MSV) < Trung bình phương sai trích Average Variance Extracted (AVE) và Trung bình phương sai chia sẻ Average Shared Variance (ASV) < Trung bình phương sai trích Average Variance Extracted (AVE) Hair, J., Black, W., Babin, B., và Anderson, R. (2010).
(6) Giá trị liên hệ lý thuyết (Nomological validity): Các vấn đề từ 1 đến 5 được đánh giá thông qua mô hình đo lường. Riêng giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết (Anderson & Gerbing, 1988). Khi các vấn đề trên thỏa mãn thì mô hình đo lường là tốt. Tuy nhiên, rất hiếm mô hình đo lường nào đạt được tất cả các vấn đề trên. Ví dụ, mô hình đo lường vẫn có thể được sử dụng khi thang đo không đạt được tính đơn hướng.
(7) Mức độ phù hợp tổng thể của mô hình
- Bản chất của mô hình SEM là đòi hỏi các nhà nghiên cứu trước hết thực hiện khai báo các giá trị xuất phát ban đầu được gọi là mô hình giả thiết. Từ mô hình giả thiết, thông qua một chuỗi vòng lặp các chỉ số biến đổi để cuối cùng cung cấp cho nhà nghiên cứu một mô hình xác lập, có khả năng giải thích tối đa sự phù hợp giữa mô hình với bộ dữ liệu thu thập thực tế.
- Sự phù hợp của toàn bộ mô hình trên thực tế được đánh giá thông qua các tiêu chí về mức độ phù hợp như sau:
i) Kiểm định Chi-Square (χ2): biểu thị mức độ phù hợp tổng quát của toàn bộ mô hình tại mức ý nghĩa p-value = 0.05 (Joserkog & Sorbom, 1989). Điều này thực tế rất khó xảy ra bởi vì χ2 rất nhạy với kích thước mẫu lớn và độ mạnh của kiểm định, nên thực tế người ta dùng chỉ số χ2 / df để đánh giá.
ii) Tỷ số Chi-Square/bậc tự do (χ2/df ): cũng dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình. Một số tác giả đề nghị 1 < χ2/df < 3 (Hair & ctg, 1998); một số khác đề nghị χ2 càng nhỏ càng tốt (Segar, Grover, 1993) và cho rằng χ2/df < 3:1 (Chin & Todd, 1995) Ngoài ra, trong một số nghiên cứu thực tế người ta phân biệt ra 2 trường hợp: χ2/df < 5(với mẫu N > 200) ; hay χ2/df < 3 (khi cỡ mẫu N < 200) thì mô hình được xem là phù hợp tốt (Kettinger và Lee, 1995).
iii) Các chỉ số liên quan khác: GFI, AGFI, CFI, NFI, …có giá trị > 0.9 được xem là mô hình phù hợp tốt. Nếu các giá trị này bằng 1, ta nói mô hình là hoàn hảo. (Segar, Grover, 1993) & (Chin & Todd, 1995).
GFI: đo độ phù hợp tuyệt đối (không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát.
AGFI: Điều chỉnh giá trị GFI theo bậc tự do trong mô hình.
RMR: Một mặt đánh giá phương sai phần dư của biến quan sát, mặt khác đánh giá tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến quan sát khác. Giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao, nó phản ánh một mô hình có độ phù hợp không tốt. (adsbygoogle = window.adsbygoogle || []).push({});
RMSEA: là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với tổng thể.Trong tạp chí nghiên cứu IS, các tác giả cho rằng chỉ số RMSEA, RMR yêu cầu < 0.05 thì mô hình phù hợp tốt. Trong một số trường hợp giá trị này < 0.08 mô hình được chấp nhận. (Taylor, Sharland, Cronin và Bullard, 1993). NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mô hình độc lập (đơn nhân tố, có các hệ số bằng 0) với phép đo phương sai và mô hình đa nhân tố.
NFI = (χ2 null - χ2 proposed) / χ2 null = (χ2 Mo - χ2 Mn) / χ2 Mo Mo: Mô hình gốc; Mn : Mô hình phù hợp
Giá trị đề nghị NFI > 0.9 (Hair & ctg, 1998) & (Chin & Todd, 1995).
iv) Mức xác suất: giá trị > .05 được xem là mô hình phù hợp tốt. (Arbuckle và Wothke, 1999; Rupp và Segal, 1989). Điều này có nghĩa rằng không thể bác bỏ giả thuyết H0 (là giả thuyết mô hình tốt), tức là không tìm kiếm được mô hình nào tốt hơn mô hình hiện tại).
- Ngoài ra các quan hệ riêng lẻ cũng được đánh giá tốt dựa trên các mức ý nghĩa thống kê. Tác động của các biến ngoại sinh lên các biến nội sinh và tác động của các biến nội sinh lên các biến nội sinh được đánh giá qua các hệ số hồi quy. Mối
quan hệ giữa các biến được biểu thị bằng mũi tên trên mô hình. Chiều mũi tên biểu diễn chiều tác động của biến này lên biến kia. Ứng với một mối quan hệ ta có một giả thuyết tương ứng (như đã trình bày ở phần đầu chương này về các giả thuyết và mô hình nghiên cứu). Trong các nghiên cứu thuộc lĩnh vực khoa học xã hội, tất cả các mối quan hệ nhân quả đề nghị có độ tin cậy ở mức 95% (p = .05) (Cohen, 1988).
(8) Chỉ số điều chỉnh mô hình (MI - Modification Indices): Chỉ số điều chỉnh mô hình là chỉ số ước lượng sự thay đổi của χ2 ứng với mỗi trường hợp thêm vào một mối quan hệ khả dĩ (ứng với một bậc tự do). Nếu ∆ χ 2 >3.84 (ứng với một bậc tự do), cho phép ta đề nghị một mối quan hệ làm tăng độ phù hợp của mô hình. (Hair & ctg, 1998). Điều này cũng tương tự như đưa từng biến độc lập vào trong mô hình hồi quy tuyến tính. Tuy vậy nhà nghiên cứu nên thận trọng bởi vì mối quan hệ thêm vào mô hình chỉ được xem xét khi nó ủng hộ lý thuyết và không nên cố gắng mọi cách để cải thiện các chỉ số nhằm làm cho mô hình phù hợp hơn (Bullock & ctg, 1994; Hair & ctg, 1998). Các chỉ số phù hợp tốt chỉ ra rằng dữ liệu ủng hộ mô hình đề nghị, nhưng chúng không có nghĩa rằng mô hình lựa chọn là chính xác hay là mô hình tốt nhất trong số các mô hình khả thi về mặt lý thuyết. (9) Kiểm tra ước lượng mô hình bằng phương pháp Bootstrap: Mô hình cuối cùng cũng như các mô hình phù hợp khác cần thiết phải có bộ dữ liệu độc lập với nhau, hay cỡ mẫu ban đầu khá lớn. Trong phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải bằng cách chia mẫu thành 02 mẫu con. Mẫu con thứ nhất dùng để ước lượng các tham số mô hình và mẫu con thứ hai dùng để đánh giá lại:
a. Định cỡ mẫu con thứ nhất dùng để khám phá
b. Dùng cỡ mẫu con thứ hai để đánh giá chéo: Chỉ số đánh giá chéo CVI (Cross- Validation Index) đo khoảng cách giữa ma trận Covariance phù hợp trong mẫu con thứ nhất với ma trận Covariance của mẫu. Chỉ số CVI nhỏ nhất cho phép kỳ vọng trạng thái mẫu lặp lại càng ổn định.
Cách khác là lặp lại nghiên cứu bằng một mẫu khác. Hai cách trên đây thường không thực tế vì phương pháp phân tích mô hình cấu trúc thường đòi hỏi mẫu lớn nên
việc làm này tốn kém nhiều thời gian, chi phí (Anderson & Gerbing, 1998). Trong những trường hợp như vậy thì Boostrap là phương pháp phù hợp để thay thế (Schumacker & Lomax, 1996). Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đông.