6. Tổng quan tài liệu nghiêncứu
3.1.3. Nghiêncứu chính thức
Nghiên cứu chính thức được thực hiện bằng phương pháp nghiên cứu định lượng, nhằm kiểm định lại các thang đo trong mô hình nghiên cứu thông
qua dữ liệu thu thập được từ Bảng câu hỏi khảo sát. Toàn bộ dữ liệu hồi đáp
sẽ được mã hóa, nhập liệu và làm sạch với sự hỗ trợ của phần mềm SPSS 16.0
a) Phương pháp thu thập thông tin và cỡ mẫu
Dữ liệu trong nghiên cứu này có sử dụng phương pháp phân tích khám
phá nhân tố EFA. Theo Hair & ctg (1998), để có thể phân tích khám phá nhân
tố cần thu thập dữ liệu với kích thước mẫu là ít nhất 5 mẫu trên 1 biến quan
sát.
Mô hình nghiên cứu có số biến quan sát là 40. Nếu theo tiêu chuẩn năm
mẫu cho một biến quan sát thì kích thước mẫu cần thiết là n = 200 (40 x 5).
Để đạt được kích thước mẫu đề ra, trên 200 Bảng câu hỏi được gửi đi phỏng
vấn.
Tổng thể nghiên cứu là tất cả khách hàng sử dụng trang web . Mẫu
nghiên cứu bước đầu dự kiến là 400 khách hàng. Sử dụng hình thức lấy mẫu
ngẫu nhiên, phương pháp thu thập thông tin được áp dụng là đến các nơi công
cộng như khu vui chơi giải trí , quán cà phê các trường đại học… trực tiếp
phát phiếu và điều tra thu thập được số liệu từ các khách hàng sử dụng trang
58
Trong quá trình điều tra thu thập dữ liệu, để đảm bảo tính đầy đủ, rõ ràng, các Bảng câu hỏi thu thập được cần phải trải qua hai lần hiệu chỉnh. Lần
hiệu chỉnh thứ nhất, tiến hành ngay sau khi đối tượng phỏng vấn trả lời xong
Bảng câu hỏi, nhằm phát hiện ra những câu hỏi bị bỏ sót hoặc đánh dấu hai
lần để điều tra lại cho hoàn chỉnh. Lần hiệu chỉnh thứ hai, tiến hành khi tổng
hợp lại số liệu, kiểm tra và loại bỏ bất kì một Bảng hỏi nào không hợp lệ.
b) Phương pháp xử lý số liệu
Dữ liệu sau khi thu thập và nhập liệu sẽ được xử lý bằng phần mềm SPSS 16.0 và AMOS 16.0 để có thể đánh giá độ phù hợp của mô hình lý thuyết đã đề xuất.
c) Tổng quan về mẫu điều tra
Tiến hành lập Bảng tần số, vẽ biểu đồ để mô tả mẫu thu thập được theo các đặc trưng cá nhân của khách hàng như giới tính, tuổi, nghề nghiệp.
d) Đánh giá thang do bằng hệ số tin cậy Cronbach’s Alpha
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy
của thang đo thông qua hệ số Cronbach alpha.
Một tập hợp các mục hỏi được đánh giá tốt khi hệ số Cronbach alpha
lớn hơn hoặc bằng 0.8, hệ số Cronbach alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978;
Peterson, 1994; Slater, 1995).
Theo Nunnally & Burnstein (1994), các biến có hệ số tương quan biến
tổng (total correlation) nhỏ hơn 0.3 sẽ bị loại khỏi thang đo do có tương quan
kém với các biến khác trong cùng mục hỏi.
Đề tài nghiên cứu được xem là mới đối với đối tượng nghiên cứu là
khách hàng thường xuyên sử dụng trang web do đó thang đo có hệ số
59
e) Phân tích nhân tố khám phá (EFA)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không đảm bảo độ tin cậy. 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.
Trước khi tiến hành phân tích nhân tố, ta cũng cần kiểm tra xem việc dùng phương pháp này có phù hợp hay không. Việc kiểm tra này sẽ được thực
hiện bởi việc tính hệ số KMO and Bartlett’s Test. Bartlett’s Test dùng để
kiểm định giả thuyết Ho là các biến không có tương quan với nhau trong tổng
thể còn KMO dùng để kiểm tra xem với kích thước mẫu ta có được có phù hợp với phân tích nhân tố hay không. Theo Hoàng Trọng & Chu Nguyễn
Mộng Ngọc (2005), giá trị KMO nằm giữa 0.5 đến 1 có nghĩa là phân tích nhân tố là thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố
có khả năng không thích hợp với các dữ liệu.
Ngoài ra, phân tích nhân tố còn dựa vào eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới được giữ
lại trong mô hình. Đại lượng eigenvalue đại diện cho lượng biến thiên được
giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có
tác dụng tóm tắt thông tin tốt hơn một biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận
nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố được xoay
(rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các
biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố).
Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến
và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với
60
Axis Factoring với phép xoay Promax, theo Gerbing & Anderson (1988), Phương pháp này phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích
Principal Components với phép xoay Varimax vì kết quả thu được có số lượng nhân tố là ít nhất, giải thích phương sai chung của tập hợp biến quan sát
trong sự tác động qua lại giữa chúng với các hệ số tải nhân tố phải có trọng số
lớn hơn 0.5 thì mới đạt yêu cầu.
Factor loading >0.3 được xem là đạt được mức tối thiểu, Factor
loading >0.4 được xem là quan trọng và Factor loading >0.5 được xem là có ý nghĩa thực tiễn. Theo Hair & ctg (1998), nếu chon tiêu chuẩn Factor loading
>0.3 thì cỡ mẫu ít nhất là 350. Nếu cỡ mẫu là 100 thì Factor loading phải
>0.55. Nếu cỡ mẫu 50 thì Factor loading phải >0.75 Như vậy, trong đề tài này cỡ mẫu là 368 nên hệ số Factor loading >0.3 là đạt yêu cầu.
Và một tiêu chuẩn cần quan tâm trong phân tích nhân tố khám phá là tổng phương sai trích, tổng phương sai trích cho biết các nhân tố rút trích ra
giải thích được bao nhiêu phần trăm sự biến thiên của dữ liệu. Theo Gerbing
& Anderson, 1988 thì tổng phương sai trích ≥50% là phù hợp.
f) Phân tích nhân tố khẳng định (CFA)
Sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu
trúc biến 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 các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. Như
vậy CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp các quan sát không và thực hiện
trên mô hình đo lường để loại các biến có hệ số tải nhân tố tiềm ẩn thấp. CFA
cũng là một dạng của SEM. Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường, bởi vì chúng cùng ” tải” lên khái niệm
61
Để đo lường mức độ thích hợp của mô hình với dữ liệu, sử dụng các
chỉ tiêu Chi-Square (χ2), tỷ số Chi-Square/bậc tự do (χ2/df), GFI, CFI, TLI và RMSEA. 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:
1. Kiểm định Chi-Square (χ2): biểu thị mức độ phù hợp tổng quát của
toàn bộ mô hình tại mức ý nghĩa pv = 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,
2. Tỷ số Chi-Square/bậc tự do (χ2/df): dùng để đo mức độ phù hợp một
cách chi tiết 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].
3. Các chỉ số liên quan khác: GFI, TLI, CFI,… 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]
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 < 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].
4. Mức xác suất: giá trị > 0.05 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. 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 =
62
g) Kiểm định sự phù hợp của mô hình lý thuyết bằng mô hình SEM
Một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân
tích mối quan hệ phức tạp trong mô hình nhân quả là mô hình mạng SEM.
Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như
tâm lý học (Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học
(Lavee, 1988; Lorence và Mortimer, 1985), nghiên cứu sự phát triển của trẻ
em (Anderson, 1987; Biddle và Marlin,1987) và trong lĩnh vực quản lý
(Tharenou, Latimer và Conroy, 1994).
Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát cho
phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một
lúc.
SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ
dữ liệu khảo sát trong dài hạn (longitudinal), phân tích nhân tố khẳng định
(CFA), các mô hình không chuẩn hoá, cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn(Non-Normality), hay dữ liệu
bị thiếu (missing data).
Đặc biệt, SEM sử dụng để ước lượng các mô hình đo lường
(Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến.
Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent
Variables) và các biến quan sát (observed variables). Nó cung cấp thông tin
về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị).
Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau.
Các mối quan hệ này có thể mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.
Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến,
63
sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô
hình. SEM ưu việt hơn so với các kỹ thuật nghiên cứu trước đây ở các nội dung phân tích như “phân tích nhân tố”, phân tích hồi qui... nhờ tính linh hoạt
của nó, đặc biệt đối với việc (i) Mô hình hóa mối quan hệ giữa các biến độc
lập và phụ thuộc; (ii) Xây dựng các biến ẩn trung gian (iii) Mô hình hoá các sai lệch khi đo lường các biến quan sát, và (iv) Kiểm định việc đo lường và mô hình được xây dựng thông qua dữ liệu thu thập được.
Tóm Tắt
Chương này trình bày toàn bộ quy trình nghiên cứu của đề tài. Nghiên cứu khám phá bằng kĩ thuật phỏng vấn thử lấy ý kiến của chuyên gia và hiệu
chỉnh thang đo bằng phỏng vấn thử 50 khách hàng sử dụng webside
muaban.net. Nghiên cứu chính được thực hiện bằng phương pháp nghiên cứu định lượng được thực hiện với kích thước mẫu 370 mẫu hợp lệ thu về để tiến
hành sử lí số liệu. Toàn bộ dữ liệu hồi đáp sẽ được mã hóa, nhập liệu và làm sạch với sự hỗ trợ của phần mềm SPSS 16.0. Chương tiếp theo sẽ trình bày kết quả nghiên cứu của đề tài.
64
CHƯƠNG 4
KẾT QUẢ NGHIÊN CỨU