Nghiên cứu này sử dụng phương pháp bootstrap với số lượng lấy mẫu lặp lại N = 1000 với sự hỗ trợ của phần mềm SPSS và AMOS.
Giả thuyết đặt ra là Ho: Bias=0 (độ chệch=0); H1: Bias ≠ 0 (độ chệch ≠ 0). Để
chứng minh độ chệch giữa mô hình tính toán với mô hình ước lượng Bootstrap= 0, ta cần công nhận giả thuyết Ho và bác bỏ giả thuyết H1.
Sử dụng giá trị then chốt C.R để so sánh (C.R= BIAS/SE-BIAS) với giá trị
1.96 (do 1.96 là giá trị của phân phối chuẩn ở mức .9750, nghĩa là 2.5% một phía, 2 phía sẽ là 5%). Cột P <5% thì kết luận là giả thuyết Bias khác 0 có ý nghĩa thống kê.
Nếu giá trị C.R > 1.96 thì suy ra p-value < 5%, chấp nhập H1, kết luận độ chệch
≠ 0 có ý nghĩa thống kê ở mức tin cậy 95%.
Nếu C.R < 1.96, suy ra p-value > 5%, bác bỏ H1, chấp nhận H0, kết luận độ
chệch ≠ 0 không có ý nghĩa thống kê ở mức tin cậy 95%, và như thế ta kết luận được mô hình ước lượng có thể tin cậy được. Thông thường đây là kết quả mong đợi khi phân tích SEM.
Kết quả ước lượng bằng bootstrap cho thấy độ chệch (bias) giữa mô hình ước lượng chuẩn hoá ML (a) (Maximum Likelihood Estimates) với số mẫu là 328 và mô hình ước lượng bằng bootstrap (b) với số mẫu là 1000 có xuất hiện và độ lớn của độ
chệch trong từng ước lượng là rất nhỏ, không có ý nghĩa thống kê (khi độ chệch -Bias nhỏ hơn sai số chuẩn (Standardized error- S.E);trị tuyệt đối của bias/SE-bias đều <1.96 (Rich & Dekhtyar, 2004; Scott & Gray, 1998; Hair, 1998). Do đó thông qua phương pháp kiểm định này thì kết quả cho thấy ước lượng với số mẫu 328 trên đạt yêu cầu về độ tin cậy (xem bảng 4.18).
Bảng 4.18. So sánh mô hình chuẩn hoá (ML) và mô hình ước lượng bootstrap
Ghi chú: SE-SE: sai lệch chuẩn của sai lệch chuẩn; Bias: độ chệch; SE-Bias: sai lệch chuẩn của độ
chệch.