Để đánh giá được độ chuẩn xác của mô hình, tác giả tiến hành đánh giá hai yếu tố là giá trị hội tụ (Convergent validity) và giá trị phân biệt (Discriminant validity).
4.2.2.1. Giá trị hội tụ (Convergent validity)
Theo Hair và cộng sự (2013) việc đánh giá giá trị hội tụ nhằm kiểm chứng mức độ mà một thang đo tương quan tích cực với các biện pháp thay thế trong cùng một biến. Để tính toán mức độ này, ta đánh giá thông qua chỉ số AVE (Average Variance Extracted), các biến được xem là hội tụ khi có giá trị phù hợp lớn hơn 0.5 (Joe và cộng sự, 2011). Vì vậy, nếu AVE của biến nhỏ hơn 0.5 thì biến đó sẽ được xem xét để loại khỏi mô hình nghiên cứu. Chỉ số AVE được trình bày ở bảng 4.3.
Từ bảng 4.3 cho thấy, tất cả các chỉ số AVE của các biến đều lớn hơn 0.5 cho thấy các biến đều có giá trị hội tụ được chấp thuận và hợp lệ. Trong đó, biến FPI có chỉ số AVE là 0.723 là lớn nhất, chứng tỏ các biến quan sát ở biến này có giá trị hội tụ tốt hơn ở các biến còn lại, và biến có giá trị hội tụ thấp nhất trong các biến là biến SAT với AVE bằng 0.566 nhưng vẫn lớn hơn 0.5, vậy nên các biến có đủ điều kiện để tiếp tục phân tích ở các yếu tố tiếp theo.
4.2.2.2. Giá trị phân biệt (Discriminant validity)
Theo Hair và cộng sự (2013), việc đánh giá giá trị phân biệt nhằm để kiểm tra mức độ khác nhau của một biến so với các biến còn lại, xem xét mức độ tương quan của các biến lẫn nhau và việc mỗi chỉ số đại diện cho đặc tính của một biến riêng biệt. Điều đó có nghĩa là hệ số loadings ở các biến quan sát của mỗi biến nên cao hơn hệ số loadings ở những biến còn lại cùng hàng với nó hay còn gọi là chỉ số loadings ở mỗi biến phải cao hơn cross-loadings của nó (Joe và cộng sự, 2011).
Vậy để xem xét mức độ phân biệt và khả năng đại diện cho mỗi biến, kết quả phân tích dữ liệu ở bảng 4.4 sẽ được trình bày:
Bảng 4.4: Hệ số loadings chéo (Cross-loadings) của các nhân tố
CS SP TR RT SAT FPI CS2 0.804 0.391 0.335 0.356 0.433 0.422 CS3 0.782 0.278 0.207 0.368 0.282 0.351 CS4 0.849 0.365 0.222 0.359 0.374 0.373 SP1 0.346 0.809 0.261 0.281 0.396 0.401 SP2 0.364 0.785 0.335 0.406 0.41 0.391 SP3 0.323 0.767 0.332 0.352 0.397 0.424 SP4 0.318 0.763 0.292 0.297 0.373 0.436 SP5 0.323 0.762 0.355 0.306 0.411 0.437 SP6 0.277 0.711 0.367 0.243 0.393 0.369 SP7 0.363 0.743 0.355 0.339 0.404 0.446 TR1 0.228 0.345 0.708 0.304 0.39 0.35 TR2 0.257 0.277 0.812 0.423 0.456 0.465 TR3 0.243 0.265 0.786 0.433 0.434 0.363 TR4 0.254 0.434 0.727 0.351 0.407 0.402 RT1 0.307 0.361 0.381 0.843 0.493 0.358 RT2 0.415 0.352 0.39 0.775 0.37 0.321 RT3 0.376 0.31 0.451 0.819 0.463 0.35
SAT1 0.352 0.425 0.438 0.395 0.757 0.406 SAT2 0.423 0.415 0.452 0.417 0.749 0.388 SAT3 0.288 0.38 0.448 0.456 0.781 0.49 SAT4 0.321 0.348 0.324 0.381 0.72 0.361 FPI1 0.423 0.414 0.464 0.33 0.502 0.875 FPI2 0.385 0.521 0.422 0.396 0.429 0.824 (Nguồn: Tác giả tổng hợp)
Từ kết quả bảng 4.4, ta có thể thấy rằng ở biến CS-Dịch vụ khách hàng có hệ số loadings của CS2, CS3,CS4 lần lượt là 0.804, 0.782, 0.849 đều lớn hơn các cross- loadings của biến này. Tương tự, ở biến SP- Dịch vụ giao hàng có hệ số loadings từ SP1 đến SP7 đều có giá trị lớn hơn các cross-loadings của biến SP. Đồng thời, ở biến TR- Dịch vụ theo dõi đơn hàng, RT- Dịch vụ đổi trả hàng hóa, SAT-Sự hài lòng khách hàng và biến FPI- Ý định tái mua hàng trong tương lai đều có hệ số loadings lớn hơn hệ số cross-loadings của nó. Vì vậy nên, các biến CS, SP, TR, RT, SAT, FPI đều có giá trị phân biệt cao, mức độ tương quan giữa các biến thấp, và mỗi biến đều chỉ đại diện cho duy nhất một nhân tố.
Tuy nhiên, để đảm bảo tính chính xác cho giá trị phân biệt của từng biến, tác giả tiến hành phân tích giá trị phân biệt thông qua chỉ số AVE và chỉ số tương quan giữa các biến ẩn (LVC- Latent Variable Correlations). Giá trị phân biệt của nhân tố được đánh giá bằng cách so sánh căn bậc hai của AVE và LVC, trong đó căn bậc hai của AVE mỗi nhân tố đều phải lớn hơn hệ số tương quan thì mô hình có giá trị phân biệt phù hợp với mô hình nghiên cứu (tiêu chí Fornell & Larcker, 1981; Joe và cộng sự, 2011). Vì vậy, sau khi đã kiểm tra giá trị phân biệt thông qua hệ số loadings và cross-loadings, tác giả tiếp tục phân tích thông qua chỉ số AVE và LVC thông qua bảng 4.5.
Bảng 4.5: Giá trị phân biệt của các nhân tố theo tiêu chí Fornell & Larcker CS SP TR RT SAT FPI CS 0.812 SP 0.434 0.763 TR 0.323 0.431 0.759 RT 0.443 0.417 0.5 0.813 SAT 0.459 0.522 0.557 0.549 0.752 FPI 0.475 0.544 0.522 0.423 0.55 0.85 (Nguồn: Tác giả tổng hợp)
Giá trị in đậm là căn bậc hai của AVE
Theo kết quả từ bảng 4.5, ta có thể thấy căn bậc hai của AVE đều lớn hơn LVC nên theo tiêu chí của Fornell & Larcker thì giá trị phân biệt của mô hình được xác nhận, mẫu nghiên cứu đáp ứng được độ phân biệt của các nhân tố trong mô hình nghiên cứu.
Ngoài ra, tác giả cũng đồng thời kiểm tra chỉ số VIF của các nhân tố để xem xét hiện tượng đa cộng tuyến ở mô hình nghiên cứu. Theo Hair và cộng sự (2013) việc kiểm tra hiện tượng đa cộng tuyến dựa trên chỉ số VIF, theo đó, chỉ số này phải nhỏ hơn 5 thì mới không có hiện tượng đa cộng tuyến xảy ra. Dựa trên kết quả ở bảng 4.3, tất cả các giá trị VIF của các nhân tố đều nhỏ hơn 5, trong đó giá trị VIF lớn nhất là 2.478 của biến SP1, và thấp nhất là 1.251 của biến FPI1 và FPI2, điều đó thể hiện rằng không có hiện tượng đa cộng tuyến xảy ra ở dữ liệu của mô hình nghiên cứu.
Sau khi đã phân tích các yếu tố ở mô hình đo lường, loại các biến không hợp lệ và ảnh hưởng đến kết quả cuối cùng, tác giả tiếp tục phân tích ở mô hình cấu trúc.