7. Tổng quan tài liệu
2.1.5. Nghiên cứu chính thức:
Nghiên cứu chính thức đƣợc thực hiện bằng phƣơng pháp nghiên cứu định lƣợng. Nghiên cứu định lƣợng này đƣợc thực hiện thông qua phƣơng pháp phỏng vấn qua bảng câu hỏi trực tuyến ngƣời tiêu dùng mỹ phẩm là nữ giới trên địa bàn tỉnh Đắk Lắk nhằm đánh giá các thang đo và kiểm định lại mô hình lý thuyết đã đặt ra. Bảng câu hỏi sẽ đƣợc gửi qua email, tin nhắn riêng,…
Tác giả tiến hành phỏng vấn đối với 200 ngƣời tiêu dùng mỹ phẩm là nữ giới. Toàn bộ dữ liệu hồi đáp sẽ đƣợc mã hóa, nhập liệu và làm sạch với sự hỗ trợ của phần mềm SPSS 20.0. Dữ liệu sau khi thu thập và nhập liệu sẽ đƣợc xử lý bằng phần mềm SPSS 20.0 và AMOS 20.0 để có thể đánh giá độ phù hợp của mô hình lý thuyết đã đề xuất.
a. Phương pháp thu thập thông tin và cỡ mẫu
Dữ liệu trong nghiên cứu này có sử dụng phƣơng 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 thƣớc mẫu là ít nhất 5 mẫu trên 1 biến quan sát.
Trong quá trình điều tra thu thập dữ liệu, để đảm bảo tính đầy đủ, rõ ràng, các Bảng câu hỏi thu thập đƣợc cần phải trải qua hai lần hiệu chỉnh. Lần hiệu chỉnh thứ nhất, tiến hành ngay sau khi đối tƣợng 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 đƣợc xử lý bằng phần mềm SPSS 20.0 và AMOS 20.0 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 đƣợc theo các đặc trƣng cá nhân của khách hàng nhƣ tuổi, nghề nghiệp, thu nhập.
d. Đánh giá thang đo bằng hệ số tin cậy Cronbach’s Alpha
Phƣơng pháp này cho phép ngƣời 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‟s alpha.
Một tập hợp các mục hỏi đƣợc 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 đƣợc trong trƣờng hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995).
Theo Nunnally & Burnstein (1994), các biến có hệ số tƣơng quan biến tổng (total correlation) nhỏ hơn 0.3 sẽ bị loại khỏi thang đo do có tƣơng quan kém với các biến khác trong cùng mục hỏi.
Đề tài nghiên cứu đƣợc xem là mới đối với đối tƣợng nghiên cứu là khách hàng thƣờng xuyên sử dụng mỹ phẩm do đó thang đo có hệ số cronbach alpha từ 0.6 trở lên là có thể sử dụng đƣợc.
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 đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trƣớc khi tiến hành phân tích nhân tố, ta cũng cần kiểm tra xem việc dùng phƣơng pháp này có phù hợp hay không. Việc kiểm tra này sẽ đƣợc 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 tƣơng quan với nhau trong tổng thể còn KMO dùng để kiểm tra xem với kích thƣớc mẫu ta có đƣợc 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 nhƣ 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 lƣợng nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới đƣợc giữ lại trong mô hình. Đại lƣợng eigenvalue đại diện cho lƣợng biến thiên đƣợc 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 đƣợc 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 tƣơng quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phƣơng pháp trích Principal Axis Factoring với phép xoay Promax, theo Gerbing & Anderson (1988), Phƣơng pháp này phản ánh cấu trúc dữ liệu chính xác hơn phƣơng pháp trích Principal Components với phép xoay Varimax vì kết quả thu đƣợc có số lƣợng nhân tố là ít nhất, giải thích phƣơng 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 đƣợc xem là đạt đƣợc mức tối thiểu, Factor loading >0.4 đƣợc xem là quan trọng và Factor loading >0.5 đƣợc 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
Và một tiêu chuẩn cần quan tâm trong phân tích nhân tố khám phá là tổng phƣơng sai trích, tổng phƣơng sai trích cho biết các nhân tố rút trích ra giải thích đƣợc bao nhiêu phần trăm sự biến thiên của dữ liệu. Theo Gerbing & Anderson, 1988 thì tổng phƣơng 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 đƣợc từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì đƣợc các nhà nghiên cứu mặc nhiên thừa nhận trƣớc khi tiến hành kiểm định thống kê. Nhƣ vậy CFA là bƣớc tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trƣớc làm nền tảng cho một tập hợp các quan sát không và thực hiện trên mô hình đo lƣờng 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 lƣờng, bởi vì chúng cùng “tải” lên khái niệm lý thuyết cơ sở.
Để đo lƣờng 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 đƣợc đánh giá thông qua các tiêu chí về mức độ phù hợp nhƣ 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 thƣớc mẫu lớn và độ
mạnh của kiểm định, nên thực tế ngƣời 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 đƣợc 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 trƣờng hợp giá trị này <0.08 mô hình đƣợc chấp nhận. [Taylor, Sharland, Cronin và Bullard, 1993].
4. Mức xác suất: giá trị >0.05 đƣợc 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 đƣợc mô hình nào tốt hơn mô hình hiện tại.
Ngoài ra các quan hệ riêng lẻ cũng đƣợc 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 = 0.05) [Cohen, 1988].
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 đƣợc sử dụng rộng rãi trong các lĩnh vực nghiên cứu nhƣ 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 phƣơng trình hồi quy cùng một lúc.
SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu nhƣ 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 tƣơng quan, dữ liệu với các biến số không chuẩn (Non-Normality), hay dữ liệu bị thiếu (missing data).
Đặc biệt, SEM sử dụng để ƣớc lƣợng các mô hình đo lƣờng (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến.
Mô hình đo lƣờng 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 lƣờng 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 đƣợc tất cả các kỹ thuật nhƣ hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tƣơng (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. SEM ƣu việt hơn so với các kỹ thuật nghiên cứu trƣớc đây ở các nội dung phân tích nhƣ “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 lƣờng các biến quan sát, và (iv) Kiểm định việc đo lƣờng và mô hình đƣợc xây dựng thông qua dữ liệu thu thập đƣợc.