Phân tích nhân tố khẳng định (CFA)
+ Đánh giá độ tin cậy của khái niệm nghiên cứu: (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): “tổng phương sai trích (Variance Extracted) của mỗi yếu tố > 0,5”. Tổng phương sai trích phản ánh sự thay đổi chung của các biến quan sát được tính toán bởi biến tiềm ẩn. Schumacker và Lomax (2010) cho rằng trong phân tích nhân tố khẳng định, độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); hệ số tin cậy Cronbach’s Alpha vẫn thường được sử dụng.
+ Tính đơn hướng (unidimensionality): Theo Steenkamp & Van Trijp (1991) mức độ phù hợp của mô hình lý thuyết phù hợp với dữ liệu thị trường cho phép điều kiện cần và đủ để cho tập biến quan sát đo lường biến tiềm ẩn đạt được tính đơn hướng.
+ Giá trị hội tụ (Convergent validity): Gerbring và Anderson (1988) cho rằng các thang đo đảm bảo giá trị hội tụ khi các trọng số chuẩn hóa của thang đo > 0,5; và có ý nghĩa thống kê khi Sig < 0,05.
+ Giá trị phân biệt (Discriminant validity): Các khái niệm nghiên cứu trong mô hình tới hạn. Hệ số tương quan giữa các khái niệm nghiên cứu khác 1 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 mô hình đo lường. Riêng giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết (Anderson và Gerbing, 1988). Khi các vấn đề trên thỏa mãn và đạt yêu cầu thì mô hình đo lường là tốt. Tuy nhiên rất hiếm mô hình đo lường nào đạt được tất cả các vấn đề trên.
Để đánh giá mức độ phù hợp mô hình, nghiên cứu sử dụng 2
(CMIN/df); chỉ số (CFI), (TLI); RMSEA. Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định 2 có P-value < 0,1.
Tuy nhiên 2 có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu mô hình có các tiêu chí: GFI, TLI, CFI ≥ 0,9 (Bentler & Bonett, 1980); CMIN/df ≤ 2 (Carmines & McIver, 1981); RMSEA ≤ 0,08, RMSEA ≤ 0,05 được xem là rất tốt (Steiger, 1990); mô hình được xem là phù hợp với dữ liệu thị trường.
- Kiểm định mô hình bằng phân tích cấu trúc tuyến tính SEM: Trong kiểm định giả thuyết và mô hình nghiên cứu, mô 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 mô 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 mô hình nghiên cứu. Phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số trong các mô 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 được sử dụng để ước lượng lại các tham số mô hình ước lượng nhằm đánh giá độ tin cậy của các ước lượng. Kết quả ước lượng ML sẽ được sử dụng để kiểm định lại các giả thuyết.