3.3.1 Thu thập dữ liệu
Phƣơng pháp tiếp cận đáp viên: Để việc thu thập thông tin đƣợc mang tính khách quan và giúp ích cho việc khảo sát một cách tốt nhất, tác giả chọn phƣơng pháp tiếp cận là ngẫu nhiên.
Cách khảo sát: Vì ngƣời thực hiện đề tài ở thành phố Hồ Chí Minh, trong khi đó các đối tƣợng khảo sát thuộc phạm vi Việt Nam, nên cách tiếp cận và khảo sát đƣợc tác giả lựa chọn vừa khảo sát trực tiếp, vừa tiến hành thu thập thông tin liên hệ của các đối tƣợng khảo sát qua các hiệp hội, các doanh nghiệp ngành trà và liên hệ gửi bảng hỏi qua bƣu điện, qua email nhằm giúp thuận tiện hơn trong việc thu thập thông tin và xử lý số liệu.
Việc thu thập dữ liệu đƣợc thực hiện qua phỏng vấn, khảo sát bằng bảng câu hỏi, với đối tƣợng nghiên cứu là các marketer làm việc tại các doanh nghiệp kinh doanh trà và các sản phẩm trà tại Việt Nam, đồng thời các đáp viên còn làm việc tại các doanh nghiệp có ý định hoặc sử dụng marketing truyền thông xã hội trong doanh nghiệp mình. Các đáp viên có sử dụng các phƣơng tiện truyền thông xã hội hoặc hiểu biết về marketing truyền thông xã hội. Việc khảo sát đƣợc tiến hành bằng việc thiết kế bảng câu hỏi phỏng vấn trực tiếp cũng nhƣ phỏng vấn qua đƣờng bƣu điện, email.
Địa điểm nghiên cứu: Thành phố Hồ Chí Minh và các địa phƣơng khác tập trung các doanh nghiệp ngành trà trên cả nƣớc.
Thời gian: Từ 01/10/2014 – 30/12/2014
Để đảm bảo độ tin cậy cũng nhƣ tính khách quan của dữ liệu khảo sát, nghiên cứu sẽ loại bỏ tất cả những bảng trả lời khảo sát không những yêu cầu sau: Đáp viên không phải là ngƣời làm trong lĩnh vực marketing, sinh sống tại nƣớc ngoài, doanh nghiệp đáp viên làm việc không có ứng dụng marketing truyền thông xã hội hoặc không có ý định sử dụng công cụ marketing này, thiếu câu trả lời sau đó tiến hành lọc lại dữ liệu, loại bỏ những bảng trả lời trùng lắp trƣớc khi tiến hành
phân tích dữ liệu. Những bảng trả lời đầy đủ, không có thiếu sót và không thuộc đối tƣợng loại bỏ sẽ đƣợc sử dụng làm căn cứ để xử lý dữ liệu và chạy kết quả khảo sát.
3.3.2 Phân tích dữ liệu
Đề tài sử dụng hai phần mềm phân tích thống kê SPSS và AMOS để phân tích dữ liệu. Phần mềm SPSS 20.0 đƣợc sử dụng để đánh giá sơ bộ thang đo thông qua kiểm định hệ số tin cậy Cronbach’s Anpha, phân tích yếu tố khám phá EFA và phân tích thống kê mô tả mẫu. Phần mềm AMOS 20.0 đƣợc 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, ƣớc lƣợng mô hình bằng bootstrap. Dữ liệu sau khi thu thập sẽ đƣợc sàng lọc những dữ liệu không phù hợp ( đáp viên không phải là ngƣời làm trong lĩnh vực marketing, sinh sống tại nƣớc ngoài, doanh nghiệp đáp viên làm việc không có ứng dụng marketing truyền thông xã hội hoặc không có ý định sử dụng công cụ marketing này, thiếu câu trả lời sẽ bị loại ra). Trình tự phân tích dữ liệu đƣợc thực hiện theo các bƣớc sau:
Bƣớc 1 – Chuẩn bị thông tin: thu nhận bảng trả lời, tiến hành lọc thông tin/ dữ liệu, mã hóa các thông tin cần thiết trong bảng trả lời, nhập liệu và phân tích dữ liệu bằng phần mềm SPSS 20.0.
Bƣớc 2 – Nghiên cứu thống kê mô tả: tiến hành thống kê mô tả dữ liệu thu thập đƣợc.
Bƣớc 3 – Đánh giá độ tin cậy: tiến hành đánh giá thang đo bằng phân tích Cronbach’s Anpha
Bƣớc 4 – Phân tích yếu 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 (Confirmnatory Factor Analysis).
Bƣớc 6 – Phân tích cấu trúc tuyến tính SEM để kiểm định độ thích hợp của mô hình và ƣớc lƣợng bằng Bootstrap.
Đánh giá độ tin cậy thang đo
Độ tin cậy của thang đo đƣợc đánh giá bằng phƣơng pháp nhất quán nội tại qua hệ số Cronbach’s Anpha. Hệ số Cronbach’s Anpha càng lớn thì độ tin cậy nhất quán nội tại càng cao. Sử dụng phƣơng pháp hệ số tin cậy Cronbach’s Anpha trƣớc 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 (PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011). Hệ số tin cậy Cronbach’s Anpha chỉ cho biết các biến đo lƣờng có liên kết với nhau hay không nhƣng không cho biết biến nào cần loại bỏ và biến nào cần giữ lại. Do đó, kết hợp sử dụng hệ số tƣơng quan biến – tổng để loại ra những biến có tầm quan trọng thấp cho khái niệm cần đo lƣờng (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Các tiêu chí sử dụng khi thực hiện đánh giá độ tin cậy thang đo gồm: Hệ số tin cậy Cronbach’s Anpha: lớn hơn 0,8 là thang đo lƣờng tốt; từ 0,7 đến 0,8 là sử dụng đƣợc; từ 0,6 trở lên là có thể sử dụng trong trƣờng hợp khái niệm nghiên cứu là mới hoặc là mới trong hoàn cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995; đƣợc dẫn bởi Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Trong nghiên cứu này, ngƣời viết chọn thang đo có độ tin cậy Cronbach’s Anpha lớn hơn 0,5.
Hệ số tƣơng quan biến – tổng: các biến quan sát có tƣơng quan biến – tổng nhỏ (nhỏ hơn 0,3) đƣợc xem là biến rác thì sẽ đƣợc loại bỏ và thang đo đƣợc chấp nhận khi hệ số Cronbach’s Anpha đạt yêu cầu (PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011).
Phân tích nhân tố khám phá EFA
Phân tích nhân tố đƣợc 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 đƣợc rút gọn này sẽ có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phân tích nhân tố khám phá đƣợc dùng để kiểm định giá trị khái niệm của thang đo.
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 tƣơng quan với nhau trong tổng thể. Trị số của KMO lớn (ở mức giữa 0,5 và 1) có ý nghĩa là phân tích nhân tố thích hợp; ngƣợc 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 tƣơng quan với nhau trong tổng thể (Hoàng Trọng & Chu Nguyễn Mộng 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 tối thiểu có thể chấp nhận đƣợc; 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 từ 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 đƣợc khi tổng phƣơng sai trích bằng hoặc lớn hơn 50% (PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011). (4) Hệ số Eigenvalue là chỉ tiêu thứ tƣ và phải có giá trị lớn hơn 1 (Gerbing và Anderson, 1988). (Eigenvalue đại diện cho phần biến thiên đƣợc 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 phải ≥ 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 đƣợc chấp nhận sẽ tiếp tục đƣợc 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 tƣơng quan lẫn nhau, và cũng cần quan tâm đến sự phân biệt rõ ràng giữa các nhân tố. Vì vậy nghiên cứu này sẽ sử dụng phƣơng pháp trích Principal Axis Factoring với phép xoay Promax trong phân tích EFA khi phân tích định lƣợng chính thức. Theo Gerbing & Anderson (1988), phƣơng pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp trích Principal Components với phép xoay Varimax (Orthogonal). Đối với thang đo đa hƣớng, sử dụng phƣơng pháp trích yếu
tố là Principal Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố Engen Value lớn hơn hoặc bằng 1. Phƣơng pháp này đƣợc cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng phƣơng pháp trích Principal Components với phép quay Varimax. Đối với thang đơn hƣớng thì sử dụng phƣơng pháp trích yếu tố Principal Components.
Từ cơ sở lý thuyết nêu trên, mô hình “Các yếu tố ảnh hƣởng đến ý định sử dụng Marketing truyền thông xã hội của các doanh nghiệp ngành trà tại Việt Nam” với 34 biến quan sát sử dụng phân tích nhân tố EFA theo các bƣớc sau:
Sử dụng phƣơng pháp trích yếu tố Principal Axis Factoring với phép quay Promax. Điểm dừng khi trích các yếu tố có Eigen Values > 1.
Xem xét trị số KMO
Theo Hair và các cộng sự của mình (1998), thì hệ số tải nhân tố (factor loading) là chỉ tiêu để đảm bảo tính thiết thực của kỹ thuật EFA.
- Hệ số tải nhân tố > 0,3 đƣợc xem là đạt tối thiểu - Hệ số tải nhân tố >0,4 đƣợc xem là quan trọng
- Hệ số tải nhân tố >0,5 đƣợc xem là có ý nghĩa thực tiễn.
Do đó, để phân tích EFA có giá trị thực tiễn, sẽ tiến hành loại các biến quan sát có hệ số tải nhân tố nhỏ hơn 0,5. (adsbygoogle = window.adsbygoogle || []).push({});
Xem lại thông số Eigenvalues (đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố) có giá trị lớn hơn 1.
Xem xét tổng phƣơng sai trích (yêu cầu lớn hơn hoặc bằng 50%: cho biết các nhân tố đƣợc trích giải thích % sự biến thiên của các biến quan sát.
Hiệu chỉnh mô hình
Sau khi thu thập dữ liệu, ngƣời viết tiến hành phân tích dữ liệu với các chỉ số độ tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá EFA. Việc phân tích các nhân tố khám phá EFA sẽ cho chúng ta biết đƣợc những biến nào sẽ bị loại khỏi mô hình do không đạt yêu cầu, những biến nào sẽ đƣợc giữ lại đồng thời các biến sẽ tách ra và tạo thành những nhóm nhân tố mới.
Căn cứ vào những sự thay đổi của các biến tại những thang đo, ngƣời viết sẽ trình bày lại mô hình lý thuyết ban đầu hay nói cách khác là sẽ trình bày mô hình hiệu chỉnh từ mô hình ban đầu sau khi phân tích nhân tố khám phá EFA. Các giả thuyết cũng sẽ đƣợc đặt lại để phù hợp với mô hình hiệu chỉnh nhằm giúp việc nghiên cứu đƣợc chính xác và phù hợp hơn.
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 nhƣ phân tích đƣờng 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 thƣờng gọi là SEM), và ngay cả phân tích phƣơng 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, phƣơng pháp CFA trong phân tích cấu trúc tuyến tính SEM có nhiều ƣu điểm hơn so với phƣơng pháp truyền thống nhƣ phƣơng pháp hệ số tƣơng quan, phƣơng pháp phân tích nhân tố khám phá EFA, phƣơng pháp đa khái niệm – đa phƣơng pháp MTMM (Bagozzi & Foxall, 1996; đƣợc dẫn bởi PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011). Lý do là CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo lƣờng nhƣ mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lƣờng. 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 phƣơng pháp nhƣ trong phƣơng pháp truyền thống MTMM (Steenkamp & Van Trijp, 1991; đƣợc dẫn bởi PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai 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 phƣơng sai trích (Fornell & Larcker, 1981) và (c) hệ số tin cậy Cronbach’s Anpha. Theo Hair (1998): “phƣơng sai trích (Variance Extracted) của mỗi khá niệm nên vƣợt quá giá trị 0.5”; và phƣơng sai trích cũng là một chỉ tiêu đo lƣờng độ tin cậy. Nó phản
ánh biến thiên chung của các biến quan sát đƣợc 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 lƣờng một khái niệm (nhân tố); và nhƣ truyền thống, hệ số tin cậy Cronbach’s Anpha vẫn thƣờng đƣợc sử dụng. Nó đo lƣờng tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời (đƣợc dẫn bởi PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011).
(2) Tính đơn hƣớng/ đơn nguyên (Unidimensionality): Theo Steenkamp & Van Trijp (1991), mức độ phù hợp của mô hình với dữ liệu thị trƣờng cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt đƣợc tính đơn hƣớng, trừ trƣờng hợp các sai số của các biến quan sát có tƣơng quan với nhau (đƣợc dẫn bởi PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011). (3) Giá trị hội tụ (Convergent validity) Gerbring & Anderson (1988) cho rằng thang đo đạt đƣợc 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) (đƣợc dẫn bởi PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai 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 đƣợc tự do quan hệ với nhau). Có thể thực hiện kiểm định hệ số tƣơng quan xét trên phạm vi tổng thể giữa các khái niệm có thực sự khác biệt so với 1 hay không. Nếu nó thực sự có khác biệt thì các thang đo đạt đƣợc giá trị phân biệt.
(5) Giá trị liên hệ lý thuyết (Nomological validity)
Các vấn đề từ (1) đến (4) đƣợc đánh giá thông qua mô hình đo lƣờng. Riêng giá trị liên hệ lý thuyết đƣợc đánh giá trong mô hình lý thuyết (Anderson & Gerbing, 1988). Khi các vấn đề trên thỏa mãn thì mô hình đo lƣờng là tốt. Tuy nhiên rất hiếm mô hình đo lƣờng nào đạt đƣợc tất cả các vấn đề trên. Ví dụ, mô hình đo lƣờng vẫn có thể đƣợc sử dụng khi thang đo không đạt đƣợc tính đơn hƣớng… (đƣợc dẫn bởi PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011).
Để đo lƣờng mức độ phù hợp của mô hình với thông tin thị trƣờng, các chỉ số thƣờng đƣợc sử dụng là Chi- Square (CMIN); Chi- Square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI _ Comparitive Fit Index). Chỉ số Tucker & Lewis (TLI_ Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình đƣợc xem là thích hợp với dữ liệu thị trƣờng khi kiểm định Chi- Square có P-Value > 0,05. Tuy nhiên Chi-Square có nhƣợc điểm là phụ thuộc vào kích thƣớc mẫu. Nếu một mô hình nhận đƣợc các giá trị GFI, TLI, CFI ≥ 0,9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trƣờng hợp CMIN/df có thể ≤ 3 (Carmines & Mc Iver, 1981); RMSEA ≤ 0,08, RMSEA ≤ 0,05 đƣợc xem là rất tốt (Steiger, 1990); thì mô hình đƣợc xem là phù hợp với dữ liệu thị trƣờng, hay tƣơng thích với dữ liệu thị trƣờng. Mô hình nghiên cứu sẽ đƣợc đánh giá dựa trên các chỉ tiêu giá trị GFI ≥ 0,9, TLI ≥ 0,9, CFI ≥ 0,9, CMIN/df ≤ 0,3, RMSEA ≤ 0,08 thì mô hình phù hợp (tƣơng thích) với dữ liệu thị trƣờng (đƣợc dẫn bởi PGS. Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2011).
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 đƣợc các khái niệm tiềm ẩn với những đo lƣờng của chúng ta và có thể xem xét đo các trƣờng hợp độc lập hay kết hợp chung