Dân số trung bình cả nước Việt Nam tính đến ngày 01/04/2011 ước tính là 87,84 triệu người, bao gồm: dân số nông thôn chiếm 69,4%; Trong 4 khu vực khảo sát: lực lượng lao động ở vùng Đồng Bằng Sông Cửu Long (10.32 triệu lao động) có quy mô dân số lớn nhất, tiếp đến là Đông Nam Bộ (8,4 triệu lao động), Nam Trung Bộ (5,0 triệu lao động) và Tây Nguyên (3,0 triệu lực lao động).
Đối tượng lấy mẫu nghiên cứu của đề tài này là những khách hàng sử dụng sản
phẩm của BIOSUN trong 12 tháng trở lại đây tại các tỉnh phía nam Việt Nam. Đó là những khách hàng sử dụng sản phẩm của BIOSUN thường xuyên, nghề nghiệp chủ yếu là nông dân trong độ tuổi từ 18 – 60 tuổi, không phân biệt giới tính. Mẫu sẽ được chọn theo phương pháp thuận tiện, một trong các hình thức chọn mẫu phi xác suất. Kích thước mẫu cần thiết phụ thuộc vào kỹ thuật phân tích dữ liệu được sử dụng, yếu tố tài chính và khả năng tiếp cận đối tượng thăm dò. Mẫu khảo sát tập trung vào các cuộc hội thảo khách hàng tại các tỉnh mà BIOSUN có thị trường, trong hội thảo tác giả trực tiếp giải thích các nội dung trong bảng câu hỏi khảo sát để đảm bảo số liệu thu thập được chính xác.
3.1.4. Mẫu trong nghiên cứu định lƣợng
Mặt hàng được chọn để kiểm định mô hình thang đo và mô hình nghiên cứu là mặt hàng phân bón. Mẫu được chọn theo phương pháp thuận tiện. Khảo sát định lượng thực hiện tại các cuộc hội thảo khách hàng của BIOSUN tại các tỉnh.
Phương pháp phân tích dữ liệu chính được sử dụng cho nghiên cứu này là phân tích mô hình cấu trúc tuyến tính (SEM). Các nhà nghiên cứu trong lĩnh vực này đều đồng ý là
25
phương pháp này đòi hỏi phải có kích thước mẫu lớn vì nó dựa vào lý thuyết phân phối mẫu lớn (Raykov & Widaman 1995). Tuy nhiên kích thước mẫu bao nhiêu được gọi là lớn thì hiện nay chưa được xác định rõ ràng. Có nhà nghiên cứu cho rằng kích thước mẫu tới hạn phải là 200 (ví dụ, Hoelter 1983). Mô hình lý thuyết của Bollen (1989) cho rằng kích thước mẫu tối thiểu là 5 mẫu cho một tham số cần ước lượng. Mô hình nghiên cứu dự kiến gồm 38 tham số, nếu theo tiêu chuẩn 5 mẫu cho một tham số thì kích thước mẫu cần là n = 190 (38 x 5) (được dẫn bởi Thọ & Trang, 2011). Tuy nhiên, để đảm bảo tối thiểu khách quan kích thước mẫu lựa chọn là 560 (Yurdugul, 2008). Do vậy, kích thước mẫu dự tính cho nghiên cứu này là khoảng 640 mẫu.
3.2. THU THẬP VÀ PHÂN TÍCH DỮ LIỆU 3.2.1. Thu thập dữ liệu 3.2.1. Thu thập dữ liệu
Việc thu thập dữ liệu được thực hiện thông qua phỏng vấn bằng bảng câu hỏi. Với đối tượng nghiên cứu là những khách hàng đã từng sử dụng sản phẩm của BIOSUN trong vòng 12 tháng trở lại đây. Việc khảo sát được tiến hành bằng việc thiết kế bảng câu hỏi giấy, gửi cho các khách hàng nông dân tham gia hội thảo đầu bờ tại các tỉnh.
Địa điểm nghiên cứu: Các tỉnh Đồng Nai, Tây Ninh, Gia Lai, Đà Lạt, Bình Thuận, Ninh Thuận, Đồng Tháp, Bến Tre.
Thời gian: Từ 01/09/2014 ~ 30/01/2015.
Để đảm bảo độ tin cậy của dữ liệu khảo sát, nghiên cứu sẽ loại bỏ tất cả bảng trả lời
khảo sát không đạt được yêu cầu sau: đáp viên chưa từng sử dụng sản phẩm của BIOSUN, thiếu câu trả lời; sau đó tiến hành làm sạch dữ liệu, loại bỏ những bảng trả lời trùng lắp trước khi tiến hành phân tích dữ liệu.
3.2.2. Phân tích dữ liệu
Đề tài sử dụng hai phần mềm phân tích thống kê SPSS 22. và AMOS 20. để phân tích dữ liệu. Phần mềm SPSS 22.0 được sử dụng để đánh giá sơ bộ thang đo thông qua kiểm định hệ số tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá EFA và phân tích thống kê mô tả mẫu. Phần mềm AMOS 20.0 được sử dụng để phân tích nhân tố khẳng định CFA, kiểm định mô hình và giả thuyết bằng phân tích cấu trúc tuyến tính SEM, ước lượng mô hình bằng bootstrap và phân tích đa nhóm. Dữ liệu sau khi thu thập sẽ sàng lọc những
26
dữ liệu không phù hợp (đáp viên chưa từng sử dụng sản phẩm của BIOSUN, thiếu câu trả lời). Trình tự tiến hành phân tích dữ liệu được thực hiện như sau:
Bƣớc 1 – Chuẩn bị thông tin: thu nhận bảng trả lời, tiến hành làm sạch thông tin, mã hóa các thông tin cần thiết trong bảng trả lời, nhập liệu và phân tích dữ liệu bằng phần mềm SPSS 22.0.
Bƣớc 2 – Nghiên cứu thống kê mô tả: tiến hành thống kê mô tả dữ liệu thu thập được.
Bƣớc 3 – Đánh giá độ tin cậy: tiến hành đánh giá thang đo bằng phân tích Cronbach’s Alpha.
Bƣớc 4 – Phân tích nhân tố khám phá: phân tích thang đo bằng phân tích nhân tố khám phá EFA (Exploratory Factor Analysis).
Bƣớc 5 – Kiểm định thang đo bằng phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis).
Bƣớc 6 – Phân tích cấu trúc tuyến tính SEM để kiểm định độ thích hợp của mô hình và ước lượng bằng Bootstrap.
Bƣớc 7 – Phân tích cấu trúc đa nhóm giữa 02 nhóm theo địa lý là miền Tây- Nam Trung Bộ, miền Tây Nguyên - Đông Nam Bộ.
3.2.3. Đánh giá độ tin cậy thang đo
Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Hệ số Cronbach’s Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố khám phá EFA để loại các biến không phù hợp vì các biến này có thể tạo ra các yếu tố giả (Thọ & Trang, 2011). Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các biến đo lường có liên kết với nhau hay không nhưng không cho biết biến nào cần loại bỏ đi và biến nào cần giữ lại. Do đó, kết hợp sử dụng hệ số tương quan biến-tổng để loại ra những biến không đóng góp nhiều cho khái niệm cần đo (Trọng & Ngọc, 2008). Các tiêu chí sử dụng khi thực hiện đánh giá độ tin cậy thang đo gồm: Hệ số tin cậy Cronbach’s Alpha: lớn hơn 0.8 là thang đo lường tốt; từ 0.7 đến 0.8 là sử dụng được; từ 0.6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong hoàn cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995; được dẫn bởi Trọng & Ngọc, 2008). Trong nghiên cứu này, tác giả chọn thang đo có độ tin cậy Cronbach’s Alpha lớn hơn 0.6.
27
hơn 0,3) được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu (Thọ & Trang, 2011).
3.2.4. Phân tích nhân tố khám phá EFA
Phân tích nhân tố được dùng để tóm tắt dữ liệu và rút gọn tập hợp các yếu tố quan sát thành những yếu tố chính dùng trong các phân tích, kiểm định tiếp theo (gọi là các nhân tố). Các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phân tích nhân tố khám phá được dùng để kiểm định giá trị khái niệm của thang đo. (adsbygoogle = window.adsbygoogle || []).push({});
Khi phân tích nhân tố khám phá, các nhà nghiên cứu đều quan tâm đến một số tiêu chuẩn. (1) Tiêu chuẩn thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Kiểm định Barlett xem các biến quan sát có tương quan với nhau trong tổng thể. Trị số của KMO lớn (giữa 0.50 và 1) có ý nghĩa là phân tích nhân tố là thích hợp; ngược lại, KMO nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. 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 & Ngọc, 2008). (2) Hệ số tải nhân tố là chỉ tiêu thứ hai để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố phải lớn hơn hoặc bằng 0.5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0.3 là mức tối thiểu chấp nhận được; lớn hơn 0.4 là quan trọng; lớn hơn 0.5 là có ý nghĩa thực tiễn. Tiêu chuẩn chọn mức giá trị hệ số tải nhân tố: cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải nhân tố lớn hơn 0.3; nếu cỡ mẫu khoảng 100 thì nên chọn hệ số tải nhân tố lớn hơn 0.55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0.75 (Hair, 2009). (3) Tiêu chí thứ ba là thang đo chấp nhận được khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Thọ & Trang, 2011). (4) Hệ số eigenvalue là chỉ tiêu thứ tư và phải có giá trị lớn hơn 1 (Gerbing và Anderson, 1988). (Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố). (5) Tiêu chuẩn thứ năm là khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi, 2003).
Sau khi phân tích EFA, các thang đo được chấp nhận sẽ tiếp tục được kiểm định mô hình bằng CFA và SEM nên cần quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra có thể tương quan với nhau, và cũng rất quan tâm đến sự phân biệt rõ ràng giữa các nhân tố. Vì vậy nghiên cứu này sẽ sử dụng phương pháp trích Principal Axis
28
Factoring với phép xoay Promax trong phân tích EFA khi phân tích định lượng chính thức. Theo Gerbing & Anderson (1988), Phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal). Đối với thang đo đa hướng, sử dụng phương pháp trích yếu tố là Principal Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố EigenValue lớn hơn hoặc bằng 1. Phương pháp này được cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng phương pháp trích Principal Components với phép quay Varimax. Đối với thang đơn hướng thì sử dụng phương pháp trích yếu tố Principal Components.
Từ cơ sở lý thuyết trên, mô hình “Các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với sản phẩm của BIOSUN” với 38 biến quan sát sử dụng phân tích nhân tố EFA theo các bước sau:
o Sử dụng phương pháp trích yếu tố Principal Axis Factoring với phép quay
Promax. Điểm dừng khi trích các yếu tố có Eigen Values > 1.
o Xem xét trị số KMO.
o Để phân tích EFA có giá trị thực tiễn tiến hành loại các biến quan sát có hệ số
tải nhân tố nhỏ hơn 0.5.
o Xem lại thông số Eigenvalues (đại diện cho phần biến thiên được giải thích bởi
mỗi nhân tố) có giá trị lớn hơn 1.
Xem xét tổng phương sai trích (yêu cầu lớn hơn hoặc bằng 50%: cho biết các nhân tố được trích giải thích % sự biến thiên của các biến quan sát.
3.2.5. Kiểm định thang đo bằng phân tích nhân tố khẳng định CFA
Mô hình cấu trúc tuyến tính (SEM) bao gồm nhiều kỹ thuật thống kê khác nhau như phân tích đường dẫn (Path Analysis), phân tích nhân tố khẳng định (Confirmatory Factor Analysis), Mô hình nhân quả với các biến tiềm ẩn (Causal modeling with Latent variable, và cũng thường gọi là SEM), và thậm chí cả phân tích phương sai (Analysis of Variance), mô hình hồi quy tuyến tính bội (Multiple Linear Regression). Đề tài sẽ tập trung phân tích CFA và SEM. Trong kiểm định thang đo, phương pháp CFA trong phân tích cấu trúc tuyến tính SEM 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 – đa phương pháp MTMM (Bagozzi & Foxall, 1996; được dẫn bởi Thọ
29
& Trang, 2011). 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. 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 phương pháp như trong phương pháp truyền thống MTMM (Steenkamp & van Trijp, 1991; được dẫn bởi Thọ & Trang, 2011).
Các đánh giá khi phân tích CFA gồm:
(1) Đánh giá độ tin cậy của thang đo thông qua: (a) Hệ số tin cậy tổng hợp (composite reliability) (Joreskog, 1971), (b) tổng phương sai trích (Fornell & Larcker, 1981) và (c) hệ số tin cậy Cronbach’s Alpha. Theo Hair (1998): “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 biến thiên chung của các biến quan sát được tính toán bởi biến tiềm ẩn. Schumacker & Lomax (2006) cho rằng trong CFA, một vấn đề quan trọng cần phải quan tâm khác là độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); và như truyền thống, hệ số tin cậy Cronbach’s Alpha vẫn thường được sử dụng. Nó đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời (được dẫn bởi Thọ & Trang, 2011).
(2) 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 (được dẫn bởi Thọ & Trang, 2011).
(3) Giá trị hội tụ (Convergent validity) Gerbring & Anderson (1988) cho rằng thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hoá của thang đo đều cao (>0.5); và có ý nghĩa thống kê (P <0.05) (được dẫn bởi Thọ & Trang, 2011).
(4) 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). Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thế giữa các khái niệm có thực sự khác biệt so với 1 hay không. Nếu nó thực sự khác biệt thì các thang đo đạt được giá trị phân biệt.
(5) Giá trị liên hệ lý thuyết (Nomological validity): Các vấn đề từ (1) đến (4) được
30
mô hình lý thuyết (Anderson & Gerbing, 1988). Khi các vấn đề trên thoả 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… (dẫn theo Thọ & Trang, 2011).
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, các chỉ số thường sử dụng là 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. Mô hình nghiên cứu sẽ được đánh giá dựa trên các chỉ tiêu giá trị GFI ≥0.9, TLI ≥0.9, CFI ≥0.9, CMIN/df ≤ 3, RMSEA ≤ 0.08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường (được dẫn bởi Thọ & Trang, 2011).
3.2.6. Kiểm định mô hình bằng phân tích cấu trúc tuyến tính SEM
Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình cấu trúc tuyến tính SEM 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. Chính vì thế, phương pháp phân tích SEM được sử dụng rất phổ biến trong các ngành khoa học xã hội trong những năm gần đây và thường được gọi là phương pháp phân tích dữ liệu thế hệ thứ hai (Hulland et al., 1996; được dẫn bởi Thọ & Trang, 2011).
Phương pháp phân tích cấu trúc tuyến tính được sử dụng để kiểm định mô hình nghiên cứu. Phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số trong các mô hình. Lý do là khi kiểm định phân phối của các biến quan sát thì phân phối này lệch một ít so với phân phối chuẩn đa biến, tuy nhiên hầu hết các kurtoses và skewnesses đều nằm trong khoảng [-1; +1] nên ML vẫn là phương pháp ước lượng (adsbygoogle = window.adsbygoogle || []).push({});