Nghiên cứu được thực hiện bằng phương pháp nghiên cứu định lượng thông qua bảng câu hỏi để thu thập thông tin làm dữ liệu nghiên cứu. Dữ liệu thu thập được từ khảo sát sẽ thông qua quá trình làm sạch và loại bỏ các câu trả lời không phù hợp, và được phân tích bằng phần mềm Smart PLS và SPSS 20.
Dữ liệu thu thập được xử lý bằng phần mềm Smart PLS gồm: đối với mô hình đo lường thì phân tích độ tin cậy nhất quán nội bộ, hiệu lực hội tụ, giá trị phân biệt và hệ số tải; đối với mô hình cấu trúc thì sử dụng bootstrapping để đánh giá tầm quan trọng của hệ số đường dẫn. Các xử lý trên nhằm để đo lường mức độ ảnh hưởng của dịch vụ khách hàng và dịch vụ logistics lên sự hài lòng khách hàng và ý định mua lại của người tiêu dùng khi mua sắm trực tuyến trên nền tảng thương mại điện tử tại thành phố Hồ Chí Minh. Đồng thời, dữ liệu cũng được xử lý bằng phần mềm SPSS 20 để đo lường sự khác biệt có ý nghĩa thống kê của các biến kiểm soát như tuổi, giới tính, thu nhập và tần suất mua hàng trong vòng 3 tháng có tác động đến biến sự hài lòng khách hàng, từ đó có thể
kết luận rằng biến kiểm soát nào có ảnh hưởng nhiều nhất đến kết quả của sự hài lòng khách hàng trong lĩnh vực thương mại điện tử ở giai đoạn sau mua hàng.
Hiện nay có hai kỹ thuật cơ bản để phân tích mô hình phương trình cấu trúc (SEM) là mô hình phương trình cấu trúc hiệp phương sai (Covarience-based SEM hay viết tắt là CB-SEM) và mô hình phương trình cấu trúc bình phương tối thiểu từng phần (Partial Least Squares SEM hay viết tắt là PLS-SEM). CB-SEM chủ yếu được sử dụng để xác nhận (hoặc từ chối) các lý thuyết (nghĩa là, một tập hợp các mối quan hệ giữa nhiều biến có thể được kiểm định bởi thực nghiệm). Nó thực hiện điều này bằng cách xác định một mô hình lý thuyết được đề xuất có thể ước tính ma trận hiệp phương sai cho một tập dữ liệu mẫu tốt đến mức nào. Ngược lại, PLS-SEM chủ yếu được sử dụng để phát triển các lý thuyết trong nghiên cứu khám phá. Nó thực hiện điều này bằng cách tập trung vào giải thích phương sai trong các biến phụ thuộc khi kiểm tra mô hình (Pham, 2020). Dựa trên đặc điểm khác biệt cơ bản của CB-SEM và PLS-SEM, cũng như mối quan hệ nguyên nhân kết quả của mô hình nghiên cứu đề xuất và kích thước mẫu hạn chế, tác giả chọn sử dụng mô hình PLS-SEM để phân tích dữ liệu nghiên cứu thông qua phần mềm Smart PLS 3.0. Mô hình SEM được hình thành từ sự kết hợp của hai mô hình là mô hình đo lường và mô hình cấu trúc, vì vậy nên, khi phân tích dữ liệu các thông số đo lường cũng dựa trên hai mô hình này. Các thông số cần chú ý khi phân tích bằng Smart-PLS:
3.3.5.1. Mô hình đo lường
Có 2 loại mô hình đo lường thường gặp là là mô hình đo lường Formative (Formative Measurement Model) và mô hình đo lường Reflective (Reflective Measurement Scale). Với mô hình Formative thì các biến quan sát sẽ là từng thành phần cấu tạo nên biến tiềm ẩn. Ngược lại, mô hình đo lường Reflective là dạng mô hình mà biến tiềm ẩn là nguyên nhân gây ra các biến quan sát, hay nói cách khác, biến quan sát là kết quả có được từ biến tiềm ẩn. Mỗi thang đo lường đều có các thông số để kiểm tra
kết quả phân tích, ở mô hình đo lường cũng tương tự, các thông số về độ tin cậy và độ chuẩn xác cũng được kiểm tra.
Đối với mô hình Reflective, các kiểm tra về độ tin cậy và độ chuẩn xác của các
biến là cần thiết bởi các biến quan sát có xu hướng tương quan chặt chẽ với nhau, do nó đều là kết quả được tạo ra từ một điều gì đó. Chính vì vậy, tập hợp các biến quan sát từ mô hình Reflective tạo ra một thang đo có tính đơn hướng và sự ổn định nội bộ cao.
Bảng 3.4: Các chỉ số cần kiểm tra về độ tin cậy và độ chuẩn xác của mô hình Kiểm tra Yếu tố Chỉ số Giá trị phù hợp
Độ tin cậy (Reliability) Độ phù hợp của các nhân tố (Indicator Reliability) Outer loadings
Các giá trị cao hơn 0.7 là phù hợp (Joe và cộng sự, 2011) Độ tin cậy đồng nhất (Internal consistency reliability) Composite reliability
Các giá trị cao hơn 0,7 (trong nghiên cứu thăm dò, 0,60 đến 0,70 được coi là có thể chấp nhận được). (Joe và cộng sự, 2011) Độ chuẩn xác (Validity) Giá trị hội tụ (Convergent validity)
AVE Chỉ số AVE lớn hơn 0.5 (Joe và cộng sự, 2011)
Giá trị phân biệt (Discriminant validity) AVE và Latent Variable Correlations
So sánh căn bậc hai của AVE và Latent Variable Correlations, trong đó căn bậc hai của AVE của mỗi nhân tố đo lường đều phải lớn hơn hệ số tương quan (Tiêu chí của Fornel & Larcker, 1981) Chỉ số loadings cao hơn cross-loadings (Joe và cộng sự, 2011)
Đối với mô hình đo lường Formative thì khó có thể liệt kê đầy đủ các thành phần
cấu thành biến tiềm ẩn và các biến quan sát đại diện cho tửng mảng miếng cấu tạo nên biến tiềm ẩn nên không thực hiện các đo lường về độ tin cậy và độ chuẩn xác. Thay vào đó kiểm tra mức độ ý nghĩa t-values, đa cộng tuyến và tính đồng nhất.
Kiểm tra từng weights của chỉ số (tầm quan trọng tương đối) và loadings (tầm quan trọng tuyệt đối) và sử dụng bootstrapping để đánh giá ý nghĩa của chúng. Số lượng mẫu bootstrap tối thiểu là 5.000 và số lượng các trường hợp phải bằng số lượng quan sát trong mẫu ban đầu. Chỉ số t-values quan trọng cho thử nghiệm two-tails là 1,65 (mức ý nghĩa = 10 phần trăm), 1,96 (mức ý nghĩa = 5 phần trăm), và 2,58 (mức ý nghĩa = 1 phần trăm). Khi tất cả các trọng số chỉ số đều có ý nghĩa, có thể giữ lại tất cả các chỉ số. Nếu cả weights và loadings đều không đáng kể, có nghĩa là các mối liên hệ không có sự hỗ trợ về số liệu, và mức độ phù hợp về mặt lý thuyết của mô hình nên được xem xét.
Đa cộng tuyến: VIF nhỏ hơn 5 thì không có hiện tượng đa cộng tuyến.
Các chỉ số weights cần được kiểm tra để xác định xem chúng có bị ảnh hưởng bởi sự không đồng nhất (quan sát hoặc không quan sát) hay không, dẫn đến số nhóm khác nhau cụ thể là đáng kể. Nếu lý thuyết hỗ trợ sự tồn tại của các nhóm dữ liệu thay thế,
hãy tiến hành phân tích đa nhóm trong PLS-SEM hoặc điều chỉnh phân tích. Nếu không có lý thuyết hoặc thông tin nào về các nhóm dữ liệu cơ bản, việc đánh giá sự tồn tại không đồng nhất không quan sát được phải được thực hiện bằng phương pháp PLS (FIMIX-PLS) hữu hạn.
Khi nhiều chỉ số được sử dụng để đo lường một cấu trúc hình thành, với một số không đặc hiệu, thiết lập hai hoặc nhiều cấu trúc riêng biệt, miễn là có hỗ trợ về mặt lý thuyết cho bước này.
3.3.5.2. Mô hình cấu trúc
Giá trị R² theo lần lượt từng mức 0,75; 0,50 và 0,25 biểu thị cho mức độ giải thích của các biến lần lượt với ý nghĩa là giải thích cao, trung bình và thấp.
Sử dụng bootstrapping để đánh giá tầm quan trọng của hệ số đường dẫn. Số lượng mẫu bootstrap tối thiểu là 5.000 và số lượng các trường hợp phải bằng số lượng quan sát trong mẫu ban đầu. Giá trị t- values quan trọng cho thử nghiệm two-tails là 1,65 (mức ý nghĩa mức = 10 phần trăm), 1,96 (mức ý nghĩa = 5 phần trăm) và 2,58 (mức ý nghĩa = 1 phần trăm).
Mức độ tương quan dự đoán: Sử dụng chế độ bịt mắt (blindfolding) để có được các biện pháp dự phòng được xác thực chéo cho mỗi công trình. Đảm bảo số lượng quan sát hợp lệ không phải là số nguyên của khoảng cách bỏ sót d. Chọn các giá trị của d trong khoảng từ 5 đến 10. Kết quả giá trị Q² lớn hơn 0 chỉ ra rằng các cấu trúc ngoại sinh có liên quan dự đoán cho cấu trúc nội sinh được xem xét.
Tính không đồng nhất: Nếu lý thuyết hỗ trợ sự tồn tại của các nhóm dữ liệu thay thế, hãy thực hiện các phân tích đa nhóm trong PLS-SEM hoặc điều chỉnh phân tích. Nếu không có lý thuyết hoặc thông tin về các nhóm dữ liệu cơ bản có sẵn, việc đánh giá sự tồn tại không đồng nhất không quan sát được phải được thực hiện bằng phương pháp FIMIX-PLS, có sẵn trong gói phần mềm SmartPLS.
3.3.5.3. Phương pháp phân tích phương sai một yếu tố (Oneway-ANOVA) Phương pháp phân tích phương sai một yếu tố là phương pháp thống kê để kiểm định sự khác biệt giữa các thuộc tính đối với một vấn đề trong nghiên cứu. Quá trình phân tích sẽ bao gồm hai phần:
Thông qua Levene Test để kiểm định phương sai bằng nhau giữa các nhóm với giả thuyết rằng phương sai giữa các nhóm bằng nhau:
Nếu sig ≤0.05 thì giả thuyết phương sai đồng nhất giữa các nhóm giá trị biến định tính đã bị vi phạm. Nghĩa là phương sai giữa các nhóm bộ phận là không bằng nhau, sử dụng kiểm định Welch cho trường hợp vi phạm giả định phương sai đồng nhất.
Nếu sig ở kiểm định này > 0.05 thì phương sai giữa các lựa chọn của biến định tính ở trên không khác nhau, xem tiếp kết quả ở bảng ANOVA.
Sau khi đủ điều kiện, thực hiện nghiên cứu ANOVA với giả thuyết trung bình phương sai giữa các nhóm bằng nhau:
Nếu sig ở bảng ANOVA < 0.05 thì trung bình phương sai không bằng nhau có nghĩa là có sự khác biệt giữa các nhóm đối với biến phụ thuộc.
Nếu sig ở bảng ANOVA ≥ 0.05 thì trung bình phương sai bằng nhau có nghĩa là không có sự khác biệt giữa các nhóm đối với biến phụ thuộc.
Để tìm hiểu cụ thể sự khác biệt như thế nào giữa các nhóm, kiểm định sâu của ANOVA là Post Hoc sẽ được thực hiện. Ở nghiên cứu này, các số sig ở mỗi biến thể hiện bé hơn 0.05 tức là cặp biến đó có ý nghĩa thống kê
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU
Sau khi phân tích phương pháp nghiên cứu, ở chương 4, tác giả tiến hành trình bày kết quả phân tích dữ liệu bao gồm thống kê mô tả dữ liệu, các số liệu của mô hình đo lường và mô hình cấu trúc, kiểm định giả thuyết nghiên cứu và cuối cùng là điều chỉnh mô hình phù hợp.