2.3.2.1 Phương pháp so sánh
Phương pháp so sánh được sử dụng khá phổ biến trong các hiện tượng kinh tế. Phương pháp này bao gồm: so sánh số tương đối và so sánh số tuyệt đối.
a) So sánh số tuyệt đối
Số tuyệt đối là kết quả phép trừ giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế. Kết quả so sánh phản ánh tình hình thực hiện kế hoạch, sự biến động về khối lượng, quy mô của các hiện tượng kinh tế (Nam, 2008).
Công thức: rY = Y1 – Y0 (2.6)
Trong đó:
Y0: chỉ tiêu năm trước (kỳ gốc) Y1: chỉ tiêu năm sau (kỳ nghiên cứu)
b) So sánh số tương đối
Số tương đối là kết quả của phép chia giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế. Số tương đối là chỉ tiêu tổng hợp biểu hiện bằng số lần (%) phản ánh được tình hình kinh tế khi số tuyệt đối không thể nói lên được. Kết quả so sánh bằng số tương đối biểu hiện kết cấu, mối quan hệ, tốc độ phát triển của các hiện tượng kinh tế (Nam, 2008)
Công thức: %Y = (rY/Y0)*100 (2.7) Trong đó:
Y0: chỉ tiêu năm trước. Y1: chỉ tiêu năm sau.
ΔY: là phần chệnh lệch tăng, giảm của các chỉ tiêu kinh tế. %Y: là biểu hiện tốc độ tăng trưởng của các chỉ tiêu kinh tế.
2.3.2.2 Thống kê mô tả
Thống kê mô tả là các phương pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán các đặc trưng khác nhau để phản ánh một cách tổng quát đối tượng nghiên cứu.
Trong đó:
-Phương pháp tần số: sử dụng bảng phân phối tần số là bảng tóm tắt dữ liệu được xếp thành từng yếu tố khác nhau, dựa trên những tấn số xuất hiện của các đối tượng trong cơ sở dữ liệu để so sánh tỷ lệ, phản ánh số liệu.
- Một số đại lượng thống kê mô tả được sử dụng trong nghiên cứu gồm: Số trung bình cộng (Mean): bằng tổng tất cả các giá trị lượng biến quan sát chia cho số quan sát.
Mode (Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
2.3.2.3 Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s
Alpha
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ của các mục hỏi trong thang đo tương quan với nhau. Công thức tính hệ số Cronbach’s Alpha là: α = Nρ/[1 + ρ(N – 1)] (2.8)
Trong đó: ρ là hệ số tương quan trung bình giữa các mục hỏi
Trong kiểm định Cronbach’s Alpha, các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0,3 sẽ bị loại bỏ ra khỏi mô hình. Tiêu chuẩn để chọn
thang đo khi nó có độ tin cậy Alpha từ 0,6 trở lên nhưng tốt nhất là lớn hơn 0,7 (Nunnally và Burnstein, 1994). Chính vì thế, hệ số Cronbach’s Alpha được chọn sử dụng trong nghiên cứu là 0,7. Tuy nhiên, cũng cần lưu ý rằng nếu Cronbach’s Apha quá cao (>0,95) thì có khả năng xuất hiện biến quan sát thừa
(Redundant items) ở trong thang đo. Bên cạnh hệ số Cronbach’s Alpha của mô
hình, kết quả của kiểm định độ tin cậy của thang đo còn có hệ số Cronbach’s Alpha nếu bỏ từng biến trong mô hình. Nếu hệ số Cronbach’s Alpha nếu bỏ một biến nào đó lớn hơn hệ số Cronbach’s Alpha của mô hình thì biến đó nên được loại bỏ, vì khi bỏ biến đó hệ số Cronbach’s Alpha của mô hình sẽ tăng lên và thang đo có độ tin cậy cao hơn (Trọng và Ngọc, 2008).
2.3.2.4 Đánh giá mức độ hội tụ của các quan sát bằng phân tích nhân tố khám phá EFA
Sau khi đánh giá sơ bộ thang đo và độ tin cậy của các biến quan sát bằng hệ số Cronbach’s Alpha, các biến này được đưa vào kiểm định trong phân tích EFA để đánh giá giá trị hội tụ và giá trị phân biệt của thang đo (Thọ và Trang, 2011).
Phương pháp EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Số lượng các nhân tố cơ sở tuỳ thuộc vào mô hình nghiên cứu, trong đó chúng ràng buộc nhau bằng cách xoay các vector trực giao nhau để không xảy ra hiện tượng tương quan.
Hai phép trích nhân tố được sử dụng phổ biến trong EFA là:
- Phép trích nhân tố là Principal Component Analysis (PCA) với phép quay vuông góc Varimax: được sử dụng khi chúng ta muốn trích được nhiều phương sai từ các biến đo lường với số thành phần nhỏ nhất để phục vụ cho mục tiêu dự báo tiếp theo (Dunteman, 1989; Hair và cộng sự, 2006).
- Phép trích nhân tố là Principal Axis Factoring (PAF) với phép quay không vuông góc Promax được sử dụng nhằm giải thích tốt nhất hiệp phương sai giữa các biến quan sát (Kim và Mueller, 1987), phản ánh cấu trúc dữ liệu chính xác hơn PCA (Gerbing và Anderson, 1988). Vì vậy, phương pháp này thường được sử dụng để đánh giá thang đo lường.
Phương pháp trích hệ số được sử dụng là Principal Axis Factoring với phép quay Promax cho thang đo CSR , BB và FP
Kiểm định Barlett (Barlett’s test of sphericity) 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 (Trọng và Ngọc, 2008).
Hệ số KMO (Kaiser-Meyer-Olkin measure of sampling adequacy) là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa hai biến quan sát, với độ lớn của hệ số tương quan riêng phần của chúng (Norusis, 1994). KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn. Để sử dụng EFA, KMO phải lớn hơn 0,50. Kaiser (1974) đề nghị KMO ≥ 0,90: rất tốt; KMO≥0,80: tốt; KMO≥0,70: được; KMO≥ 0,60: tạm được; KMO≥ 0,50: xấu và KMO< 0,50: không thể chấp nhận được.
Tổng phương sai trích (Total variance explained – TVE): Tổng này thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường. Thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% (Gerbing và Anderson, 1988). Thỏa được điều kiện này ta kết luận là mô hình EFA phù hợp.
Trọng số nhân tố (factor loading): Theo Hair và cộng sự (1998), trọng số nhân tố (ensuring practical significance) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0,3 được xem là đạt mức tối thiểu, Factor loading > 0,4 được xem là quan trọng, ≥ 0,5 được xem là có ý nghĩa thực tiễn. Do đó, để tăng độ tin cậy cho thang đo thì trong nghiên cứu này những biến quan sát có trọng số nhân tố <0,5 sẽ bị loại.
Xác định số lượng nhân tố trong phân tích EFA: Số lượng nhân tố được
xác định dựa trên chỉ số eigenvalue, chỉ số này đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser, những nhân tố có eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình (Garson, 2003; Duy, 2009; Thuận và cộng sự, 2012)
2.3.2.5 Kiểm định thang đo bằng phân tích nhân tố khẳng định – CFA
Phân tích nhân tố khẳng định là một trong các kỹ thuật thống kê của mô hình cấu trúc tuyến tính (SEM). CFA cho chúng ta kiểm định các biến quan
sát (mesured variables) đại diện cho các nhân tố (constructs) tốt đến mức nào.
CFA là bước tiếp theo của EFA vì CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc tiềm ẩn cơ sở, trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê (Duy, 2009).
Trong CFA phải chỉ rõ năm yếu tố: - Nhân tố
- Biến quan sát
- Hệ số tải của biến quan sát lên nhân tố - Mối quan hệ giữa các nhân tố
- Sai số cho mỗi chỉ số (indicator: chỉ số, biến số)
CFA trong phân tích cấu trúc tuyến tính SEM 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 lệch do sai số đo lường (Thuận và cộng sự, 2012).
Các chỉ số đo lường mức độ phù hợp của mô hình
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, nghiên cứu sử dụng các chỉ tiêu 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 TLI (Tucker & Lewis Index) và chỉ số RMSEA (Root Mean
Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu của
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 TLI, CFI ≥ 0,9 (Bentler và Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể ≤ 3 (Carmines và 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. 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 (Taylor và cộng sự, 1993) hoặc < 0,1 (Hair và cộng sự, 2006) mô hình được chấp nhận. 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 (Thọ và Trang, 2011; Duy, 2009)
Thọ và Trang (2011) 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. Quy tắc này cũng được sử dụng để đánh giá mức độ phù hợp của mô hình cấu trúc được sử dụng trong phương pháp phân tích mục tiêu 2.
Các chỉ tiêu khác sử dụng đánh giá mô hình
+ Đánh giá độ tin cậy của thang đo: Hệ số tin cậy tổng hợp (composite
reliability) phải đạt yêu cầu từ 0,5 trở lên và tổng phương sai trích được
(variance extracted) mỗi khái niệm nên vượt quá 0,5 (Hair, 1998).
+ Tính đơn hướng/ đơn nguyên (unidimensionality): Mức đô phù hợp của mô hình đo lường với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng (Steenkamp và van Trijp, 1991). Điều này chỉ đúng khi không có tương sai giữa sai số của biến quan sát. + Giá trị hội tụ (Covergent validity): thang đo đạt giá trị hội tụ nếu các trọng số chuẩn hóa đều cao (>0,50) và có ý nghĩa thống kê (p<0,05) (Gerbing và Anderson, 1988).
+ Giá trị phân biệt (discriminant validity): có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn (saturated model - mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau) để kiểm định hệ số tương quan xét trên phạm vi tổng thể giữa các khái niệm có thực sự khác biệt so với 1 hay không. Hai khái niệm đạt giá trị phân biệt khi hệ số tương quan giữa chúng nhỏ hơn 1 (có ý nghĩa thống kê).
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 (Thọ và Trang, 2011).
2.3.2.6 Mô hình cấu trúc tuyến tính SEM
Phương pháp phân tích mô hình cấu trúc tuyến tính - SEM được sử dụng để kiểm định mô hình cấu trúc. Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình cấu trúc tuyến tính có lợi thế hơn các phương pháp truyền thống như hồi quy đa biến vì nó có thể tính được sai số đo lường. Hơn nữa, phương pháp này cho phép chúng ta kết hợp được các khái niệm tiềm ẩn với đo lường của chúng và có thể xem xét các đo lường độc lập hay kết hợp chung với mô hình lý thuyết cùng một lúc.
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, nghiên cứu cũng sử dụng các chỉ tiêu CMIN, CMIN/df, CFI, TLI và chỉ số RMSE. Theo quy tắc, nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥ 0,9 (Bentler và Bonett, 1980); CMIN/df ≤ 2, RMSEA≤ 0,08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường (Thọ và Trang, 2008).
Phương pháp ước lượng ML được sử dụng để ước lượng các tham số của các mô hình. Phương pháp kiểm định Bootstrap sẽ được sử dụng để ước lượng lại các tham số mô hình để kiểm tra độ tin cậy của các ước lượng.
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 ∆χ2 >3.84 (ứng với một bậc tự do), cho phép đề nghị một mối quan hệ làm tăng độ phù hợp của mô hình (Hair và cộng sự, 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 và cộng sự, 1994; Hair và cộng sự, 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.
Kiểm tra ước lượng mô hình bằng phương pháp Boostrap
Trong các phương pháp nghiên cứu định lượng bằng phương pháp pháp lấy mẫu, thông thường chúng ta phải chia mẫu ra làm hai mẫu con. Một nửa dùng để ước lượng các tham số mô hình và một nửa dung để đánh giá lại. 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 tuyến tính thường đòi hỏi mẫu lớn nên việc làm này tốn kém nhiều thời gian và chi phí (Anderson và Gerbing, 1988). Trong những trường hợp như vậy thì Boostrap là phương pháp phù hợp để thay thế (Schumacker và Lomax, 1996). Boostrap là phương pháp lấy mẫu lặp lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đông. Boostrap thực hiện với số mẫu lặp lại là N lần. Kết quả ước lượng từ N mẫu được tính trung bình và giá trị này có xu hướng gần đến ước lượng của tổng thể. Khoảng chênh lệch giữa giá trị trung bình ước lượng bằng Boostrap và ước lượng mô hình với mẫu ban đầu càng nhỏ cho phép kết luận các ước lượng mô hình có thể tin cậy được (Thọ và Trang, 2011; Duy, 2009). Trị tuyệt đối các độ chệch này càng nhỏ, càng không có ý nghĩa thống kê càng tốt. Hiện nay, tác giả chưa tìm được tài liệu quy định độ chênh lệch này tối thiểu là bao nhiêu. Theo Lê Dân và Nguyễn Thị Trang (2011) thì độ chênh lệch (CR) nhỏ hơn hoặc bằng 1,5 là tốt. Bên cạnh đó, Nguyễn Duy Quang (2011), Phạm Lê Hồng Nhung và cộng sự (2012) cùng một số tác giả khác cho rằng độ chênh lệch nhỏ hơn hoặc bằng 2 là đạt yêu cầu. Tuy nhiên, trong
β2B
β2B=β2A
β2A
nghiên cứu của Trịnh Thị Minh Hải (2011) và Nguyễn Thị Thùy Giang (2011) thì hệ cố CR nhỏ hơn 3 là có thể chấp nhận được. Trong nghiên cứu này, theo quan điểm của phần đông nhà nghiên cứu, tác giả cho rằng độ chệch nhỏ hơn hoặc bằng 2 là tốt.
2.3.2.7 Phân tích cấu trúc đa nhóm
Phương pháp phân tích cấu trúc đa nhóm để so sánh mô hình nghiên cứu theo các nhóm nào đó của một biến định tính. Ví dụ như so sánh mô hình tác động của TNXH đến hiệu quả kinh doanh theo khu vực kinh tế.
Để thực hiện phân tích cấu trúc đa nhóm, đầu tiên sẽ thực hiện 2 mô hình: Mô hình khả biến, và mô hình bất biến (từng phần). Trong mô hình khả biến, các tham số ước lượng trong từng mô hình của các nhóm không bị ràng