Các tiêu chuẩn đánh giá mô hình

Tất cả các mô hình sẽ đƣợc kiểm định hƣớng (dimensionality), độ tin cậy (reliablity) và tính xác thực (validity) (Punch, 2005, tr.29)1.

3.6.3.a Tính đơn hướng và các chỉ số GFIs

Hƣớng đƣợc giải thích nhƣ là ―số các yếu tố tổng hợp hoặc các khái niệm tiềm ẩn cần thiết để đo lƣờng mối quan hệ giữa các biến‖ (Netemeyer và cộng sự, 2003, tr.27). Đối với các khái niệm ngoại sinh (chẳng hạn nhƣ các tiền tố), cần thiết sử dụng kết hợp cả EFA và CFA để điều chỉnh quy mô và độ lớn của các yếu tố.

Độ tương thích của CFA, thƣờng đƣợc hiểu rằng mô hình lý thuyết CFA tạo ra

các ma trận hiệp phƣơng sai (covariance matrix) giữa các biến đƣợc quan sát (Hair và cộng sự, 2010, tr.632), đƣợc đánh giá dựa trên 3 dạng chỉ số GOF khác nhau gồm: thang đo tuyệt đối (absolute measures), thang đo tƣơng thích chặt (parsimony fit measures) và thang đo tăng dần (incremental measures).

- Chỉ số tương thích tuyệt đối (AFIs – Absolute Fit Indices) bao gồm các đo lƣờng nhằm đánh giá mức độ đặc trƣng của mô hình. Trị thống kê GOF ký hiệu là 2 đánh giá mức độ không nhất quán giữa ma trận đồng phƣơng sai ƣớc lƣợng đƣợc và ma trận đồng phƣơng sai của mẫu quan sát (Hu & Bentler, 1999, tr.2). Trị thống kê 2 chuẩn hoá (normed) là tỷ số giữa 2 và df phản ánh mức độ tƣơng thích mô hình tốt tại giá trị 2.00 cho cỡ mẫu dƣới 400 (Backhaus và cộng sự, 2008).

1Có 4 dạng ý nghĩa về mặt kỹ thuật đối với tính hợp lệ của một nghiên cứu. Phù hợp tổng thể của một nghiên cứu liên quan đến mức độ tƣơng thích giữa các phần khác nhau trong một nghiên cứu. Phù hợp nội bộđề cập đến thiết kế nghiên cứu và mức độ dữ liệu phản ảnh

đƣợc thực trạng; phù hợp bên ngoàiliên quan đến việc khái quát hoá kết quả nghiên cứu. Cuối cùng là phù hợp số liệu(cũng nhƣ phù

hợp đo lƣờng) liên quan đến mức độ phù hợp của các công cụđo lƣờng đƣợc sừ dụng (Bortz & Doring, 2006, tr. 200; Punch, 2005, tr.97). Phần này liên quan đến sự phù hợp của số liệu.

Một số nghiên cứu khác cho rằng Trị thống kê 2 chuẩn hoá nên tối thiểu là 3.00 (chẳng hạn nhƣ Hair và cộng sự, 2010).

- Ước lượng của sai số bình quân trung bình (RMSEA – Root Mean Square Error of Approximation) hiệu chỉnh của trị thống kê 2 theo hƣớng loại bỏ mô hình có cỡ mẫu lớn. Giá trị p-value liên quan đến việc kiểm tra việc tƣơng thích gần (test of close fit) hay còn gọi là giá trị p-close là xác suất của RMSEA  0.05 (Homburg & Baumgartner, 1998). Giá trị RMSEA nằm giữa từ 0.05 đến 0.08 thƣờng đƣợc dùng để xác định mức độ tƣơng thích tốt (Hair và cộng sự, 2010).

- Phần dư trung bình chuẩn hoá (SRMR – The Standardized Root Mean

Residual) là thang đo chuẩn hoá cho kích cỡ phần dƣ, là sai biệt giữa ma trận đồng phƣơng sai ƣớc lƣợng và ma trận đồng phƣơng sai của mẫu. SRMR trên 0.1 đƣợc xem nhƣ là có vấn đề (Hair và cộng sự, 2010) và giá trị gần với 0.08 là phù hợp (Hu & Bentler, 1999).

- Chỉ số GFI là một chỉ số tuyệt đối khác đƣợc phát triển nhằm làm giảm độ nhạy của cỡ mẫu. Quy tắc ngón tay cái truyền thống yêu cầu giá trị tối thiểu 0.9 để chấp nhận mức độ tƣơng thích của mô hình, trong khi các nghiên cứu khác yêu cầu giá trị cắt (cut-off value) tối thiểu 0.95 (Hair và cộng sự, 2010).

- Chỉ số tương thích chặt (PFI –Parsimony Fit Indice) cung cấp thông số đo lƣờng để so sánh giữa các mô hình, tính toán mức phức tạp trong mô hình. Tƣơng tự với chỉ số GFI, giá trị cắt của chỉ số AGFI đƣợc đề xuất là lớn hơn 0.9 hoặc 0.95.

- Chỉ số gia tăng độ tương thích (IFI – Incremental Fit Indices) đánh giá mức độ tƣơng thích của các mô hình đƣợc ƣớc lƣợng dựa trên mô hình cơ sở. Quy tắc ngón tay cái thƣờng đề xuất các chỉ số CFI và TLI lớn hơn 0.9, Hu và Bentler (1999) đề xuất giá trị cắt gần với giá trị 0.95 cho cả 2 chỉ số này.

Độ tin cậy đề cập đến tính nhất quán trong đo lƣờng một khái niệm (Bollen, 1989; Bryman, 2008)2. Nói ngắn gọn, giá trị cơ bản là ‗tính nhất quán‘ (Punch, 2005). Để thực hiện điều này, hƣớng, độ lớn và mức ý nghĩa của hệ số tải (factor loadings), độ tin cậy của chỉ số (IR-Indicator Reliabilty), phƣơng sai trích trung bình (AVE – Average Variance Extracted) và độ tin cậy tổng hợp (CR – Composite Reliability) sẽ đƣợc xem xét. Hệ số tải nên theo hƣớng dự kiến và giá trị của chúng khoảng 0.70 hoặc cao hơn (Hulland, Chow, & Lam, 1996).

- Độ tin cậy chỉ số(IR – Indicator Reliability) đề cập đến hệ số 2 hoặc hệ số R2, là phần phƣơng sai trong đo lƣờng đƣợc giải thích bởi các biến ảnh hƣởng trực tiếp đến các chỉ số (Bollen, 1989). Giá trị cắt chính xác vào khoảng 0.40 hoặc 0.50 (Backhaus và cộng sự, 2008).

- Phương sai trích trung bình (AVE – Average Variance Extracted) mở

rộng khung logic của độ tin cậy các chỉ số (IR) và bổ sung nhiều đo lƣờng. Giá trị AVE lớn hơn 0.50 đƣợc xem xét chấp nhận (Fornell & Larcker, 1981).

- Độ tin cậy liên kết (CR – Composite Reliability) và hệ số Cronbach‘s alpha () đo lƣờng độ tin cậy của các liên kết (chẳng hạn nhƣ các chỉ số tuyến tính tổng hợp có trọng số cân bằng) (Bollen & Lennox, 1991). Cronbach‘s Alpha thƣờng đƣợc sử dụng truyền thống, nhƣng chúng bộc lộ nhiều thiên lệch trong nhiều tình huống. Giá trị phù hợp cho CR là 0.50 (Backhaus và cộng sự, 2008) hoặc lớn hơn 0.60 (Bagozzi & Yi, 1998; Homburg & Baumgartner, 1998).

3.6.3.c Kiểm định sự phù hợp

Trong mô hình SEM, có 4 loại giá trị phân biệt gồm: phù hợp về nội dung (content validity), phù hợp với tiêu chuẩn (criterion validity), phù hợp về cấu trúc (construct validity), phù hợp trong tính hội tụ và phân biệt (convergent and discriminant validity) (Bollen, 1989).

Nghiên cứu này sử dụng dữ liệu khảo sát định lƣợng để kiểm định các lý thuyết đƣợc phát triển trong các chƣơng trƣớc. Dữ liệu chủ yếu thu thập từ cán bộ, công chức nhà nƣớc thông qua các bảng câu hỏi trực tuyến và bảng câu hỏi trực tiếp. Bảng câu hỏi đƣợc phát triển dựa trên các thang đo đo lƣờng hiện có và các nghiên cứu trƣớc. Trƣớc khi thực hiện khảo sát, bảng câu hỏi đƣợc kiểm tra cả về mặt định tính và mặt định lƣợng Có rất nhiều bƣớc cần thiết để kiểm tra các lý thuyết với dữ liệu khảo sát. Đầu tiên là mô tả thống kê và hiệu chỉnh số liệu, sau đó các mô hình đo lƣờng đƣợc thiết lập – đầu tiên là riêng phần, cuối cùng là kết hợp – cho các cấu trúc nội sinh và ngoại sinh. Đối với cấu trúc nội sinh, phân tích EFA đƣợc sử dụng để xác định số nhân tố trƣớc khi sử dụng phấn tích CFA. Sử dụng mô hình cấu trúc tuyến tính để xác định các biến kiểm soát có liên quan và các lý thuyết đƣợc kiểm tra ban đầu một cách riêng lẻ và sau đó kiểm tra toàn mô hình. Tất cả các mô hình này đều đƣợc ƣớc lƣợng ở mức độ tổng hợp (từng phần) để kiểm tra độ mạnh của các kết quả.

Các tiêu chuẩn đánh giá mô hình EFA, CFA và SEM đƣợc tóm lƣợc nhƣ sau:

Bảng 3.6Các chỉ số kiểm định các mô hình EFA, CFA và mô hình SEM Danh mục Trị thống kê/Kiểm định Tối thiểuGiá trị ngƣỡngTối ƣu

Sự phù hợp Không có hiện tƣợng Haywood - Tƣơng thích tuyệt đối  2/df  3.00  2.00 p  5% - RMSEA  8%  5% (p-close) ( 5%) - SRMR  10%  8% (GFI) ( 90%) ( 95%) Tƣơng thích chặt (AGFI) ( 90%) ( 95%)

Gia tăng độ tƣơng

thích CFI  90%  95%

TLI  90%  95% (adsbygoogle = window.adsbygoogle || []).push({});

Giá trị hội tụ (Độ

tin cậy) Hƣớng và ý nghĩa của hệ số tải (t-value)  1.96  2.56

  0.63  0.70 IR  0.40  0.50 (AVE) ( 0.50) Cronbach‘s Alpha  0.70 CR  0.50  0.60 Tƣơng thích về nội

dung Số biến đo lƣờng Phân tích định tính

Phù hợp về tiêu

chuẩn Đánh giá EO bậc 2 Phù hợp về cấu trúc Mối quan hệ đƣợc dự

báo Đánh giá SEM

Giá trị phân biệt Tiêu chuẩn Fornell- Lackner

AVE > R2

Ghi chú: Tác giả chỉ tập trung phân tích các chỉ tiêu không có dấu ngoặc đơn