TT Bệnh viện, trung tâm y tếtỉnh BRVT Số lượngBác sĩ hiện cóTỷ lệ % Số lượng phiếukhảo sát
1 Bệnh viện Bà Rịa 139 32% 74
2 Bệnh viện Lê Lợi 63 15% 33
3 Bệnh viện Tâm Thần 10 2% 5
4 Bệnh viện Mắt 11 3% 6
5 Bệnh viện Y học cổ truyền 7 2% 4
6 Bệnh viện Phổi Phạm Hữu Chí 7 2% 4
7 TTYT huyện Xuyên Mộc 37 9% 20
8 TTYT huyện Tân Thành 29 7% 15
9 TTYT huyện Châu Đức 39 9% 20
10 TTYT huyện Đất Đỏ 18 4% 10
11 TTYT huyện Long Điền 21 5% 11
12 TTYT QDY Côn Đảo 7 2% 5
13 TTYT Thành phố Bà Rịa 18 4% 10
14 TTYT Thành phố Vũng Tàu 27 6% 14
Tổng cộng 433 100% 230
(Nguồn: tác giả tính tốn và tổng hợp)
Phương pháp khảo sát: Tác giả tiến hành lấy mẫu bằng cách gửi bảng câu hỏi đến bác sĩ hàng thơng qua hình thức khảo sát trực tiếp. Hình thức khảo sát trực tiếp: tác giả đi đến từng bệnh viện và trung tâm y tế để tiến hành khảo sát. Tác giả gặp trực tiếp các bác sĩ để gửi bảng câu hỏi, các bác sĩ trả lời, và tác giả giải thích một số thắc mắc của bác sĩ trong quá trình trả lời. Cho đến khi đủ số lượng 230 thì tác giả dừng khảo sát.
3.5. CÁC PHƯƠNG PHÁP PHÂN TÍCH DỮ LIỆU
Các bảng câu hỏi khảo sát sau khi thu thập sẽ được xem xét tính hợp lệ. Những phiếu trả lời hợp lệ sẽ được mã hóa, nhập liệu và làm sạch dữ liệu trên phần mềm SPSS 20.0 và AMOSS 20.0. Thông qua phần mềm SPSS và AMOSS, việc phân tích dữ liệu được thực hiện thơng qua các bước sau:
-Thống kê mô tả: lập bảng tần số, để thống kê các đặc điểm của mẫu thu thập theo giới tính, nhóm tuổi, mức thu nhập/tháng, trình độ, tình trạng hơn nhân, thâm niên cơng tác.
-Đánh giá thang đo: kiểm định độ tin cậy của các thang đo thông qua kiểm định hệ số tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá (EFA).
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Với phương pháp này, người phân tích có thể loại bỏ các biến khơng phù hợp và hạn chế các biến rác trong quá trình nghiên cứu. Các biến có hệ số tương quan biến-tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại và tiêu chuẩn chọn thang đo khi nó có độ tin cậy Cronbach Alpha từ 0,6 trở lên (Nunnally & Burnstein, 1994).
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008): “Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0,8 trở lên đến gần 1 thì thang đo đo lường là tốt, từ gần 0,7 đến gần 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu”. Trong nghiên cứu này, Cronbach’s Alpha từ 0,6 trở lên là sử dụng được.
Phân tích nhân tố khám phá (EFA) là kỹ thuật được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu sau khi đã đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy. Phương pháp này phát huy tính hữu ích trong việc xác định các tập biến cho vấn đề nghiên cứu cũng như được sử dụng để tìm kiếm mối liên hệ giữa các biến với nhau. Khi phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
+Thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0,5 với mức ý nghĩa Barlett
≤0,05. KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5 ≤ KMO ≤1 thì phân tích nhân tố là thích hợp. Kaiser (1974) đề nghị KMO ≥ 0,90 là rất tốt; KMO ≥ 0,80: tốt; KMO ≥ 0,70: được; KMO ≥ 0,60: tạm được; KMO≥ 0,50: xấu; KMO < 0,50: khơng thể chấp nhận được (Nguyễn Đình Thọ, 2011).
+Thứ hai: hệ số tải nhân tố (factor loading) ≥ 0,5. Theo Hair và cộng sự
(2006), hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0,3 được xem là đạt được mức tối thiểu; > 0,4 được xem là quan trọng; ≥ 0,5 được xem là có ý nghĩa thực tiễn.
+Thứ ba: thang đo được chấp nhận khi tổng phương sai trích ≥ 50% và hệ số
eigenvalue > 1 (Gerbing và Anderson, 1988).
+Thứ tư: khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥
0,5 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun và Al_Tamimi, 2003). Sau khi phân tích EFA, các thang đo được chấp nhận sẽ tiếp tục được kiểm định mơ hình bằng CFA và SEM nên cần quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra có thể tương 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 phương pháp trích Principal Axis Factoring với phép xoay Promax trong phân tích EFA khi phân tích định lượng chính thức. Theo Gerbing và Anderson (1988), phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal). Đối với thang đo đa hướng, sử dụng phương pháp trích yếu tố là Principal Axis Factoring với phép quay Promax và điểm dừng khi trích các yếu tố Eigenvalues lớn hơn hoặc bằng 1. Phương pháp này được cho rằng sẽ phản ánh dữ liệu tốt hơn khi dùng phương pháp trích Principal Components với phép quay Varimax.
-Kiểm định thang đo bằng phân tích nhân tố khẳng định CFA: Phân tích nhân tố khẳng định (Confirmatory Factor Analysis) là một trong các kỹ thuật thống kê của mơ hình cấu trúc tuyến tính (SEM). CFA cho chúng ta kiểm định các biến quan sát đại diện cho các nhân tố tốt đến mức nào. CFA là bước tiếp theo của EFA vì CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc 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 nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê.
+Đánh giá độ tin cậy của thang đo thông qua: (a) Hệ số tin cậy tổng hợp
(composite reliability) (Joreskog, 1971), (b) tổng phương sai trích (Fornell & Larcker, 1981) và (c) hệ số tin cậy Cronbach’s Alpha. Theo Hair (1998): “phương sai trích (Variance Extracted) của mỗi khá niệm nên vượt quá giá trị 0,5”; và phương sai trích cũng là một chỉ tiêu đo lường độ tin cậy. Nó phản ánh biến thiên chung của các biến quan sát được tính tốn bởi biến tiềm ẩn. Schumacker và Lomax (2010) 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 lường một khái niệm (nhân tố); và như truyền thống, hệ số tin cậy Cronbach’s Alpha vẫn thường được sử dụng. Nó đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời (Nguyễn Đình Thọ, 2011).
+Tính đơn hướng/ đơn nguyên (unidimensionality): Theo Steenkamp & Van
Trijp (1991), mức độ phù hợp của mơ hình với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng, trừ trường hợp các sai số của các biến quan sát có tương quan với nhau.
+Giá trị hội tụ (Convergent validity): Gerbring và Anderson (1988) cho rằng
thang đo đạt được 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).
+Giá trị phân biệt (Discriminant validity): Có thể kiểm định giá trị phân biệt
của các khái niệm trong mơ hình tới hạn (saturated model) mơ hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau). Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thể giữa các khái niệm có thực sự khác biệt so với 1 hay khơng. Nếu nó thực sự có khác biệt thì các thang đo đạt được giá trị phân biệt.
+Giá trị liên hệ lý thuyết (Nomological validity): Các vấn đề từ (1) đến (4)
được đánh giá thông qua mơ hình đo lường. Riêng giá trị liên hệ lý thuyết được đánh giá trong mơ hình lý thuyết (Anderson và Gerbing, 1988). Khi các vấn đề trên thỏa mãn thì mơ hình đo lường là tốt. Tuy nhiên rất hiếm mơ hình đo lường nào đạt được tất cả các vấn đề trên. Ví dụ, mơ hình đo lường vẫn có thể được sử dụng khi thang đo khơng đạt được tính đơn hướng (Nguyễn Đình Thọ, 2011).
Để đo lường mức độ phù hợp của mơ hình với thơng tin thị trường, thường sử dụng Chi-square (CMIN); Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI_ Comparative Fit Index). Chỉ số Tucker & Lewis (TLI_ Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation). Mơ hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value < 0,1.
Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu một mơ hình nhận được các giá trị GFI, TLI, CFI ≥ 0,9 (Bentler & Bonett, 1980); CMIN/df ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0,08, RMSEA ≤ 0,05 được xem là rất tốt (Steiger, 1990); thì mơ hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường.
-Kiểm định mơ hình bằng phân tích cấu trúc tuyến tính SEM: Trong kiểm định giả thuyết và mơ hình nghiên cứu, mơ hình cấu trúc tuyến tính SEM cho phép chúng ta kết hợp được các khái niệm tiềm ẩn với những đo lường của chúng ta và có thể xem xét đo các trường hợp độc lập hay kết hợp chung với mơ hình lý thuyết cùng một lúc. Chính vì vậy, phương pháp phân tích SEM được sử dụng rất phổ biến trong các ngành khoa học xã hội trong những năm gần đây và thường được gọi là phương pháp phân tích dữ liệu thế hệ thứ hai (Nguyễn Đình Thọ, 2011).
Phương pháp phân tích cấu trúc tuyến tính được sử dụng để kiểm định mơ hình nghiên cứu. Phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số trong các mơ hình. Lý do là khi kiểm định phân phối của các biến quan sát thì phân phối này lệch một ít so với phân phối chuẩn đa biến, tuy nhiên hầu hết các Kurtosis và Skewness đều nằm trong khoảng [-1;+1] nên ML vẫn là phương pháp ước lượng thích hợp (Muthen & Kaplan, 1985). Phương pháp Bootstrap sẽ được sử dụng để ước lượng lại các tham số mơ hình để kiểm tra độ tin cậy của các ước lượng. Kết quả ước lượng ML sẽ được sử dụng để kiểm định lại các giả thuyết.
-Kiểm tra độ tin cậy các tham số bằng phương pháp Bootstrap: Phương pháp Bootstrap là tập hợp một số kỹ thuật phân tích dựa vào ngun lý chọn mẫu có hồn lại để ước tính các thơng số mà thống kê thơng thường khơng giải được. Phương
pháp Bootstrap có thể cung cấp nhiều thơng tin chi tiết hơn về phân bố của số trung bình, khoảng tin cậy cũng như xác suất của số trung bình dựa trên một mẫu duy nhất. Để đánh giá độ tin cậy của các ước lượng, trong các phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải chia mẫu ra làm hai mẫu con. Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trị là đám đơng (Nguyễn Đình Thọ, 2011).
-Kiểm định mơ hình đa nhóm: Phương pháp phân tích cấu trúc đa nhóm sử dụng trong nghiên cứu này bao gồm khả biến và bất biến từng phần. Trong phương pháp khả biến, các tham số ước lượng trong từng mơ hình của các nhóm khơng bị ràng buộc. Trong phương pháp bất biến từng phần, thành phần đo lường không bị ràng buộc nhưng các mối quan hệ giữa các khái niệm trong mơ hình nghiên cứu được ràng buộc có giá trị như nhau cho tất cả các nhóm. Phương pháp ước lượng ML được sử dụng trong phân tích đa nhóm. Kiểm định Chi-square được sử dụng để so sánh giữa 2 mơ hình bất biến và khả biến. Nếu kiểm định Chi-square cho thấy giữa mơ hình bất biến và mơ hình khả biến khơng có sự khác biệt (P-value > 0,1) thì mơ hình bất biến sẽ được chọn (có bậc tự do cao hơn). Ngược lại, nếu sự khác biệt Chi-square là có ý nghĩa giữa hai mơ hình (P–value < 0,05) thì chọn mơ hình khả biến. (Nguyễn Đình Thọ, 2011).
3.6. KẾT QUẢ NGHIÊN CỨU ĐỊNH LƯỢNG SƠ BỘ
Kết quả nghiên cứu định lượng sơ bộ được tác giả trình bày trong bảng 3.12, 3.13 trang 47, 48.