Bước 1: Kiểm tra độ tin cậy của thang đo
Bằng hệ số Cronbach’s Alpha (Hair và cộng sự, 1998[86]; Segar, 1997[150])
Ước lượng cỏc hệ số hồi quy và tvalue
Phõn tớch nhõn tố khẳng định (CFA): thực hiện trờn mụ hỡnh đo lường để loại cỏc biến cú hệ số tải nhõn tố tiềm ẩn thấp. Cú thể thực hiện kiểm định CFA trờn từng mụ hỡnh con (Submodel) trước khi kiểm định mụ hỡnh tổng thể (tập hợp cỏc mụ hỡnh con để kiểm định đồng thời).
Thống kờ SMC (Square Multiple Correlation) cho mỗi khỏi niệm tiềm ẩn ngoại sinh (kết quả phõn tớch CFA của mụ hỡnh đo lường nờu trờn), tương tự hệ số
R2 trong hồi quy tuyến tớnh, SMC là phương sai giải thớch mỗi khỏi niệm tiềm ẩn (Bollen, 1989[43])
Bước 2: Mức độ phự hợp của tổng thể mụ hỡnh
Bản chất của mụ hỡnh SEM là đũi hỏi cỏc nhà nghiờn cứu trước hết thực hiện khai bỏo cỏc giỏ trị xuất phỏt ban đầu được gọi là mụ hỡnh giả thuyết. Từ mụ hỡnh giả thuyết, thụng qua một chuỗi vũng lặp cỏc chỉ số biến đổi để cuối cựng cung cấp cho nhà nghiờn cứu một mụ hỡnh xỏc lập, cú khả năng giải thớch tối đa sự phự hợp
giữa mụ hỡnh với bộ dữ liệu thu thập thực tế.
Sự phự hợp của toàn bộ mụ hỡnh trờn thực tếđược đỏnh giỏ thụng qua cỏc tiờu chớ về mức độ phự hợp như sau:
Kiểm định Chi-Square (χ2): biểu thị mức độ phự hợp tổng quỏt của toàn bộ
mụ hỡnh tại mức ý nghĩa pv=0.05 (Joserkog & Sorbom, 1989[99]). Điều này thực tế
rất khú xảy ra bởi vỡ χ2 rất nhạy với kớch thước mẫu lớn và độ mạnh của kiểm định,, nờn thực tế người ta dựng chỉ sốχ2/df đểđỏnh giỏ.
Tỷ số Chi-Square/bậc tự do (χ2/df): cũng dựng để đo mức độ phự hợp một cỏch chi tiết hơn của cả mụ hỡnh. Một số tỏc giả đề nghị 1< χ2/df<3 (Hair và cộng sự, 1998)[86]; một số khỏc đề nghị χ2/df càng nhỏ càng tốt (Segar, Grover, 1993)[150] và cho rằng χ2/df<3:1 (Chin& Tođ, 1995)[51]. Ngoài ra, một số nghiờn cứu thực tế phõn biệt ra hai trường hợp: χ2/df<5 (với mẫu N>200); hay <3 (khi mẫu N<200) thỡ mụ hỡnh được xem là phự hợp tốt (Kettingger và Lee, 1995)[103].
Cỏc chỉ số liờn quan khỏc: GFI, AGFI, CFI, NFI… cú giỏ trị >0.9 được xem là mụ hỡnh phự hợp tốt. Nếu giỏ trị này bằng 1, ta núi mụ hỡnh là hoàn hảo (Segar, Grover, 1993)[150], (Chin & Tođ, 1995)[51].
GFI: đo độ phự hợp tuyệt đối (khụng điều chỉnh bậc tự do) của mụ hỡnh cấu trỳc và mụ hỡnh đo lường với bộ dữ liệu
AGFI: điều chỉnh giỏ trị GFI theo bậc tự do trong mụ hỡnh
RMR: một mặt đỏnh giỏ phương sai phần dư biến quan sỏt; mặt khỏc đỏnh giỏ tương quan phần dư của 1 biến quan sỏt này với tương quan phần dư của một biến quan sỏt khỏc. RMR càng lớn nghĩa là phương sai phần dư càng cao, nú phản ỏnh một mụ hỡnh cú độ phự hợp tốt.
RMSEA: là một chỉ tiờu quan trọng, nú xỏc định mức độ phự hợp của mụ hỡnh với tổng thể. Trong tạp chớ nghiờn cứu IS, cỏc tỏc giả cho rằng chỉ số RMSEA, RMR yờu cầu <0.05 thỡ mụ hỡnh phự hợp tốt. Trong một số trường hợp giỏ trị này <0.08 mụ hỡnh được chấp nhận (Taylor, Sharland, Cronin và Bullard, 1993)[157].
NFI: đo sự khỏc biệt phõn bố chuẩn của χ2 giữa mụ hỡnh độc lập (đơn nhõn tố, cú cỏc hệ số bằng 0) với phộp đo phương sai và mụ hỡnh đa nhõn tố.
NFI = (χ2null - χ2proposed)/ χ2null = (χ2Mo- χ2Mn)/ χ2Mo
Mo: Mụ hỡnh gốc; Mn: Mụ hỡnh phự hợp.
Giỏ trị đề nghị NFI>0.9 (Hair và cộng sự, 1998)[86] & (Chin &Tođ,1995)[51]
Mức xỏc suất: giỏ trị >0.05 được xem là mụ hỡnh phự hợp tốt (Rupp & Segal, 1989)[145]. Điều này cú nghĩa là khụng thể bỏc bỏ Ho (là giả thuyết mụ hỡnh tốt), tức là khụng tỡm kiếm được mụ hỡnh nào tốt hơn mụ hỡnh hiện tạị
Bước 3: Cỏc chỉ sốđiều chỉnh mụ hỡnh (MI – Modigication Indices)
Chỉ số điều chỉnh mụ hỡnh là chỉ số ước lượng sự thay đổi của χ2 ứng với mỗi trường hợp thờm vào một mối quan hệ khả dĩ (ứng với một bậc tự do). Nếu
∆ χ2>3.84 (ứng với một bậc tự do), cho phộp ta đề nghị một mối quan hệ làm tăng độ phự hợp của mụ hỡnh (Hair và cộng sự,1998)[86]. Tuy vậy, nhà nghiờn cứu nờn thận trọng bởi vỡ mối quan hệ thờm vào mụ hỡnh chỉ được xem xột khi nú ủng hộ lý thuyết và khụng nờn cố gắng mọi cỏch để cải thiện cỏc chỉ số nhằm làm cho mụ hỡnh phự hợp hơn (Hair và cộng sự, 1998)[86]. Cỏc chỉ số phự hợp tốt chỉ ra rằng dữ liệu ủng hộ mụ hỡnh đề nghị, nhưng chỳng khụng cú nghĩa rằng mụ hỡnh lựa chọn là chớnh xỏc hay là mụ hỡnh tốt nhất trong số cỏc mụ hỡnh khả
thi về mặt lý thuyết.
Bước 4: Kiểm tra ước lượng mụ hỡnh bằng phương phỏp Boostrap
Mụ hỡnh cuối cựng cũng như cỏc mụ hỡnh phự hợp khỏc cần thiết phải cú bộ
dữ liệu độc lập với nhau, hay với cỡ mẫu ban đầu khỏ lớn. Trong phương phỏp nghiờn cứu định lượng bằng phương phỏp lấy mẫu, thụng thường chỳng ta phải bằng cỏch chia mẫu thành 2 mẫu con. Mẫu thứ nhất dựng đểước lượng cỏc tham số
mụ hỡnh và mẫu thứ hai dựng đểđỏnh giỏ lại:
ạ Định cỡ mẫu con thứ nhất dựng để khỏm phỏ b. Dựng cỡ mẫu thứ hai đểđỏnh giỏ chộo
Chỉ số đỏnh giỏ chộo CVI (Cross- Validation Index) đo khoảng cỏch giữa ma trận. Covariance phự hợp trong mẫu con thứ nhất với ma trận Covariance của mẫụ
Chỉ số CVI nhỏ nhất cho phộp kỳ vọng trạng thỏi mẫu lặp lại càng ổn định.
Cỏch khỏc là lặp lại nghiờn cứu bằng mẫu khỏc. Hai cỏch trờn đõy thường khụng thực tế vỡ phương phỏp phõn tớch mụ hỡnh cấu trỳc thường đũi hỏi mẫu lớn nờn việc làm này tốn kộm nhiều thời gian, chi phớ (Anderson & Gerbing, 1998)[24]. Trong những trường hợp như vậy thỡ Boostrap là phương phỏp phự hợp để thay thế. Boostrap là phương phỏp lấy mẫu lại cú thay thế trong đú mẫu ban đầu đúng vai trũ đỏm đụng.
Phương phỏp Boostrap thực hiện với số mẫu lặp lại N lần. Kết quảước lượng từ N mẫu được tớnh trung bỡnh và giỏ trị này cú xu hướng gần đến ước lượng của tổng thể. Khoảng chếnh lệch giữa giỏ trị trung bỡnh ước lượng bằng Boostrap và
ước lượng mụ hỡnh với mẫu ban đầu càng nhỏ cho phộp kết luận cỏc ước lượng mụ hỡnh cú thể tin cậy được.