2.1. Phƣơng pháp nghiên cứu
2.1.3. Phương pháp phân tích nhân tố khẳng định
Phân tích khẳng định là một trong các kỹ thuật cho phép kiểm định các chỉ số đại diện cho các yếu tố tốt đến mức nào. Phân tích CFA là bƣớc tiếp theo của phân tích EFA vì phân tích CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc của yếu tố, trong đó mối quan hệ hay giả thuyết (có đƣợc từ lý thuyết hay thực nghiệm) giữa chỉ số và yếu tố thì đƣợc nhà nghiên cứu mặc nhiên thừa nhận trƣớc khi tiến hành kiểm định thống kê. CFA thƣờng đƣợc sử dụng trong giai đoạn sau của phát triển thang đo hoặc xác định cấu trúc, sau khi các cấu trúc cơ bản đã đƣợc thành lập bằng phƣơng pháp phân tích thực nghiệm EFA trƣớc đó. Phƣơng pháp phân tích CFA chấp nhận các giả thuyết của các nhà nghiên cứu, đƣợc xác định căn cứ theo quan hệ giữa các yếu tố với nhau [29].
Khi sử dụng phƣơng pháp CFA các giá trị tham số chi-Square/df, RMSEA, CFI, GFI, TFI, AFI … kết quả trong việc phân tích phải thỏa mãn một số điều kiện:
Chi-Square/df (χ2 / df) < 3 : dùng để đo mức độ phù hợp một cách chi
tiết hơn của cả mô hình, dùng so sánh model với data, càng nhỏ càng tốt.
SRMR: là sự khác biệt giữa phần data thực tế và phần mô hình dự đoán.
Dao động từ 0->1,càng nhỏ càng tốt, SRMR=0 thì mô hình dự đoán hoàn toàn trùng khớp với dữ liệu, <=5% thì tốt.
CFI: lấy độ phù hợp của một mô hình với một bộ data và so sánh với độ phù hợp của một mô hình khác với chính data đó. Dao động từ 0->1 , càng lớn càng tốt. CFI>=90% . Những chỉ số dạng này:TLI, BL89, RNI. CFI là một phiên bản đƣợc hiệu chỉnh của RNI. CFI dùng để tránh đánh giá thấp độ
phù hợp khi cỡ mẫu nhỏ khi sử dụng NFI. Vì thế, ƣu điểm của CFI so với NNFI là ít bị tác động của cỡ mẫu.
RMSEA: cũng dạng nhƣ SRMR, nhƣng sự phù hợp sẽ xấu đi khi số
biến trong mô hình tăng, <=8% thì tốt, nên SRMR đƣợc ƣu tiên dùng hơn.
GFI: dao động từ 0.0 đến 1.0, đôi khi âm, >=90% là tốt. Đo lƣờng quan hệ của phƣơng sai và hiệp phƣơng sai trong ma trận hiệp phƣơng sai. Ý là mô hình phù hợp cỡ nào khi so sánh với mô hình null ( các tham số đã đƣợc fix về 0)
AGFI: dao động từ 0.0 đến 1.0, >= 85 % là tốt, điều chỉnh kết quả của
một mô hình phức tạp, điều chỉnh bậc tự do df với số biến quan sát, vì thế đề cao những mô hình đơn giản với ít biết quan sát.
Có rất nhiều bảng, nhiều thông số, nhƣng luân án sẽ chỉ chú ý tới những giá trị quan trọng. Ngƣỡng chấp nhận chỉ số độ phù hợp mô hình có những tiêu chí chung nhƣng cũng có nhiều tiêu chí riêng tùy theo công trình nghiên cứu khác nhau. Do vậy, khi tra ngƣỡng chấp nhận các chỉ số của phù hợp của mô hình NCS sẽ dẫn nguồn cụ thể là ngƣỡng đó lấy từ tác giả cụ thể. Dƣới đây là 2 công trình nghiên cứu đƣợc trích dẫn nguồn phổ biến nhất hiện nay:
Các chỉ số đƣợc xem xét để đánh giá Model Fit [74]gồm: CMIN/df ≤ 3 là tốt, CMIN/df ≤ 5 là chấp nhận đƣợc.
CFI ≥ 0,9 là tốt, CFI ≥ 0,95 là rất tốt, CFI ≥ 0,8 là chấp nhận đƣợc. GFI ≥ 0,9 là tốt, GFI ≥ 0,95 là rất tốt.
RMSEA ≤ 0,06 là tốt, RMSEA ≤ 0,08 là chấp nhận đƣợc. PCLOSE ≥ 0,05 là tốt, PCLOSE ≥ 0,01 là chấp nhận đƣợc. Các chỉ số đƣợc xem xét để đánh giá Model Fit [74] gồm: CMIN/df ≤ 2 là tốt, CMIN/df ≤ 5 là chấp nhận đƣợc.
CFI ≥ 0,9 là tốt, CFI ≥ 0,95 là rất tốt, CFI ≥ 0,8 là chấp nhận đƣợc. GFI ≥ 0,9 là tốt, GFI ≥ 0,95 là rất tốt.
Khi dùng phƣơng pháp CFA có thể có một vài thông số chƣa thỏa mãn điều kiện. Cách cải thiện độ phù hợp của mô hình trong CFA có thể dùng chỉ số MI
Chỉ số MI đƣa ra các biện pháp khắc phục cho các sai lệch giữa mô hình đƣợc đề xuất và mô hình ƣớc lƣợng. Trong CFA, chúng ta không thể thêm các đƣờng hồi qui để sửa mô hình phù hợp, vì tất cả các đƣờng hồi qui giữa các biến tiềm ẩn và biến quan sát đƣợc đã có sẵn. Vì vậy, trong CFA, chúng ta xem xét các chỉ số sửa đổi cho hiệp phƣơng sai. Nói chung, chúng ta không đƣợc sử dụng các mũi tên hiệp phƣơng sai giữa phần dƣ với chỉ số hoặc yếu tố. Đồng thời cũng không đƣợc sử dụng giữa những phần dƣ mà không thuộc cùng một yếu tố. Do đó, cách phù hợp nhất để sử dụng chỉ số MI là nối các mũi tên hai chiều hiệp phƣơng sai giữa các phần dƣ trong cùng một yếu tố.
Luận án đã sử dụng phƣơng pháp CFA để khẳng định lại tính đơn biến, đa biến, giá trị hội tụ và phân biệt của mối quan hệ của các chỉ số đến các yếu tố KNTƢ với BĐKH đồng thời kiểm tra giả thuyết về cấu trúc bộ chỉ số KNTƢ với BĐKH đã lựa chọn; phƣơng pháp mô hình cấu trúc SEM để phân tích và đánh giá vai trò các yếu tố ảnh hƣởng đến KNTƢ của thành phố Đà Nẵng với BĐKH.