Sau khi thực hiện phân EFA để xác định được các nhân tố cho bộ dữ liệu, với các biến quan sát phù hợp kèm theo, nhóm cần phải tiếp tục thực hiện phân tích nhân tố khẳng định (CFA) để đưa ra kết luận về chất lượng của thang đo sẵn sàng cho kiểm định các giả thuyết nghiên cứu. CFA cho phép kiểm định cấu trúc của từng nhân tố theo các thang đo đảm bảo độ tin cậy và tính chính xác cao hơn (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2008). Phương pháp CFA cho phép chúng ta kiểm định các biến quan sát đại diện cho các nhân tốt tốt đến mức độ nào, chúng có đủ độ tin cậy để đại diện và có tác động tới nhân tố tổng hay không. Phương pháp CFA phù hợp khi chúng ta đã chắc chắn về mặt lý thuyết, về các biến quan sát phản ánh cùng một biến tiềm ẩn và thừa nhận mối quan hệ đó.
Kiểm định Chi-Square (CMIN) biểu thị mức độ phù hợp tổng quát của toàn bộ mô hình ở mức ý nghĩa p-value = 0,05 (Joserkog và Sorbom, 1989). Tuy nhiên chỉ số Chi-Square nhạy cảm với kích thước mẫu nên thực tế người ta dùng tỷ số Chi- Square/bậc tự do (CMIN/df). Một số tác giả đề nghị CMIN/df <3 (Hair và cộng sự, 1998), bên cạnh đó, ở một số nghiên cứu người ta chia ra hai trường hợp CMIN/df <5 với mẫu nhiều hơn 200, hay CMIN/df <3 với mẫu ít hơn 200 thì mô hình được xem như là phù hợp (Kettinger và Lee, 1995).
Cùng với CMIN/df thì chúng ta quan tâm đến các chỉ số liên quan khác như: GFI đánh giá độ phù hợp tuyệt đối (không điều chỉnh bậc tự do) của mô hình và bộ dữ liệu khảo sát, AGFI chỉ số điều chỉnh giá trị GFI theo bậc tự do trong mô hình, CFI so
sánh độ phù hợp của mô hình khi dùng chung một bộ dữ liệu để đánh giá đối với mô hình khác, RMSEA xác định phù hợp của mô hình so với tổng thể, SRMR là sự khác biệt giữa dữ liệu thực tế với mô hình dự đoán. Các chỉ số GFI, AGFI, CFI > 0,9 được xem là mô hình tốt (Chin và Todd, 1995). Đối với chỉ số SRMR và RMSEA, các tác giả cho rằng chúng nhỏ hơn 0,05 là đạt yêu cầu, một số trường hợp thì giá trị này có thể nhỏ hơn 0,08 thì được chấp nhận (Taylor và cộng sự, 1993).
Giá trị Pclose > 0,05 có nghĩa là không thể bác bỏ giả thuyết H0 giả thuyết mô hình tốt, hay có thể hiểu là không tìm kiếm được mô hình nào tốt hơn hiện tại. Như vậy, Pclose > 0,05 mô hình được xem là phù hợp tốt (Arbuckle và Wothke, 1999; Rupp và Segal, 1989).
Bảng 4.6: Kết quả thông số kiểm định sự phù hợp của mô hình nghiên cứu
Chỉ số Giá trị Kết quả CMIN 1022,562 Df 368 CMIN/df 2,779 Rất tốt GFI 0,918 Rất tốt AGFI 0,896 Chấp nhận được CFI 0,912 Chấp nhận được SRMR 0,047 Rất tốt RMSEA 0,048 Rất tốt Pclose 0,874 Rất tốt
Hình 4.2: Kết quả phân tích nhân tố khẳng định
Nguồn: Tính toán của nhóm nghiên cứu
Trong nghiên cứu này, nhóm nghiên cứu phân tích CFA tổng thể tất cả các nhân tố sử dụng trong mô hình để kiểm tra tính đơn hướng, giá trị hội tụ và giá trị phân biệt giữa các khái niệm nghiên cứu dựa trên phần mềm AMOS 20.0. Dựa vào bảng 4.6 có thể thấy mô hình phù hợp, các giá trị đều đạt yêu cầu, từ mức chấp nhận được đến rất tốt.
Kết quả các giá trị p-value của các biến quan sát biểu diễn các nhân tốt đều có giá trị bằng 0,000, các biến quan sát được khẳng định có khả năng biểu diễn tốt cho nhân tố trong mô hình CFA.