Phân tích nhân tố khám phá EFA (exploratory factor analysis) được sử dụng để rút trích các nhân tố từ bộ dữ liệu nghiên cứu đồng thời đánh giá độ giá trị của thang đo thông qua giá trị hội tụ và phân biệt. Phương pháp này rất hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Theo Hair, Anderson, Tatham, & Black (1998), phân tích nhân tố khám phá là một nhóm các thủ tục, phương pháp phân tích thống kê được sử dụng để thu nhỏ và rút gọn một tập dữ liệu gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chấp nhận được hầu hết nội dung thông tin của tập biến ban đầu. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ (các biến quan sát hội tụ về cùng 1 nhân tố) và giá trị phân biệt (thuộc về nhân tố này và phải phân biệt với nhân tố khác).
Các tác giả Meyers, Gamst, & Guarino (2006) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất. Sử dụng phương pháp trích nhân tố Principal Axis Factoring với phép quay Promax (đối với các thang đo lường đa hướng – các biến tác động) vì theo (Anderson & Gerbing, 1988), phương pháp trích Principal Axis Factoring với phép xoay Promax sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal components với phép xoay Varimax. Tuy
nhiên với thang đo lường đơn hướng – biến tác động, nên sử dụng phương pháp trích Principal component analysis vì phương pháp trích này sẽ làm cho tổng phương sai trích tốt hơn.
Thang đo lường được chấp nhận khi thỏa mãn điều kiện tổng phương sai trích từ 50% trở lên (Anderson & Gerbing, 1988). Theo (Duy, 2009), nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phương pháp trích Principal components với phép xoay Varimax, còn nếu sau EFA là phân tích nhân tố khẳng định CFA và phân tích mô hình cấu trúc tuyến tính (SEM) thì nên sử dụng phương pháp trích Asis Factoring với phép xoay Promax. Trong nghiên cứu này, tác giả sử dụng phương pháp trích Asis Factoring với phép xoay Promax.
Tiêu chuẩn hệ số tải nhân tố (Factor loading) biểu thị tương quan đơn biến giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Hệ số tải nhân tố lớn nhất của mỗi biến phải lớn hơn hoặc bằng 0,5 theo Hair & ctg (1998). Hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích EFA (Ensuring Practical Significance). Factor loading lớn hơn 0,3 được xem là đạt mức tối thiểu; Factor loading lớn hơn 0,4 được xem là quan trọng; Factor loading lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Nếu chọn tiêu chuẩn Factor loading lớn hơn 0,3 thì cỡ mẫu ít nhất phải là n = 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading lớn hơn 0,55; nếu cỡ mẫu khoảng 50 thì Factor loading phải lớn hơn 0,75 (Hair & ctg, 1998). Ngoài ra, trường hợp các biến có Factor loading được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường chấp nhận nhỏ hơn 0,3), tức là không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó cũng bị loại và các biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix). Trên thực tế áp dụng, việc áp dụng từng mức hệ số tải với từng khoảng kích thước mẫu là khá khó khăn, do vậy người ta thường lấy hệ số tải 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350; lấy tiêu chuẩn hệ số tải là 0.3 với cỡ mẫu từ 350 trở lên. Trong nghiên cứu này, cỡ mẫu là xấp xỉ 300 quan sát, do đó những biến quan sát có hệ số tải lớn hơn 0,5 sẽ được giữ lại và được xem là có ý nghĩa thực tiễn.
3.3.2.1. Điều kiện để phân tích EFA
Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường, vì vậy, trước khi quyết định sử dụng EFA cần phải xem xét mối quan hệ giữa các biến đo lường này. Sử dụng ma trận hệ số tương quan có thể nhận biết được mức độ quan hệ giữa các biến (Nguyễn Đình Thọ, 2011). Nếu các hệ số tương quan nhỏ (<0,3) thì sử dụng EFA không phù hợp (Hair & ctg, 2006). Một số tiêu chí đánh giá mối quan hệ giữa các biến và sự phù hợp với dữ liệu trong phân tích EFA như sau:
- Kiểm định Bartlett: dùng để xem xét ma trận tương quan có phải là ma trận đơn vị I (identity matrix), là ma trận có các thành phần (hệ số tương quan giữa các biến) bằng không và đường chéo (hệ số tương quan với chính nó) bằng 1. Nếu phép kiểm định Bartlett có p < 5%, giả thuyết Ho bị từ chối (ma trận tương quan là ma trận đơn vị), nghĩa là các biến có quan hệ với nhau trong tổng thể, việc phân tích nhân tố là phù hợp đối với tập dữ liệu đang xét.
- Kiểm định KMO (Kaiser-Meyer-Olkin measure of sampling adequacy) là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa hai biến Xi và Xj với độ lớn của hệ số tương quan riêng phần của chúng (Norusis, 1994) dùng để đánh giá sự thích hợp của dữ liệu với phân tích nhân tố khám phá. Trị số KMO thích hợp có giá trị từ 0.5 – 1, còn nếu như chỉ số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không phù hợp với các dữ liệu (Trọng & Ngọc, 2008). Do đó, KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn. Để sử dụng EFA, KMO phải lớn hơn 0,5. Kaiser (1974) đề nghị KMO ≥ 0,9: rất tốt; KMO ≥ 0,8: tốt; KMO ≥ 0,7: được; KMO ≥ 0,6: tạm được; KMO ≥ 0,5: xấu và KMO < 0,5: không thể chấp nhận được.
- Hệ số phương sai trích (Variance explained criteria): là phần trăm phương sai toàn bộ được giải thích bởi các nhân tố. Phương sai trích cần đạt mức tiêu chuẩn từ 50% trở lên để phần trăm sự biến thiên của các nhân tố có thể giải thích được bằng phần trăm sự biến thiên của các biến quan sát.
- Kích thước mẫu: Để sử dụng EFA cần kích thước mẫu lớn. Vấn đề xác định kích thước mẫu phù hợp là vấn đề phức tạp, thông thường dựa theo kinh nghiệm.
(Hair & ctg, 2006) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỷ lệ quan sát/biến đo lường là 5:1, nghĩa là một biến đo lường cần tối thiểu 5 quan sát, tốt nhất là 10:1 trở lên. Ở nghiên cứu này cỡ mẫu đã phù hợp (xem lại phần chọn mẫu và kết quả nghiên cứu).
3.3.2.2. Tiêu chuẩn chọn số lượng nhân tố
Có nhiều phương pháp chọn nhân tố, còn gọi là chọn điểm dừng, cần chú ý thêm là các nhà nghiên cứu không sử dụng một phương pháp riêng biệt nào trong xác định số lượng các nhân tố mà họ thường kết hợp nhiều tiêu chí khác nhau (Hair & ctg, 2006). Ba phương pháp thường được sử dụng là: (1) tiêu chí eigenvalue, (2) tiêu chí điểm gãy (scree test criterion; Cattell 1996) và (3) xác định trước số lượng nhân tố.
- Tiêu chí eigenvalue: là một tiêu chí sử dụng phổ biến trong xác định số lượng nhân tố trong phân tích EFA, đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có eigenvalue tối thiểu bằng 1 (≥ 1) và phương sai trích > 0,5 (Gerbing và Anderson, 1988). (Trong nghiên cứu này, phương pháp này được tác giả sử dụng).
- Tiêu chí điểm gãy: cũng thường được sử dụng để xác định số lượng nhân tố. Tiêu chí này dựa vào được biểu diễn giữa số nhân tố (trục hoành) và giá trị eigenvalue (trục tung). Điểm gãy là điểm tại đó đường biểu diễn eigenvalue = f(số nhân tố) thay đổi đột ngột độ dốc.
- Chọn trước số lượng các nhân tố: số lượng nhân tố được xác định trước dựa vào lý thuyết.
3.3.3.Phân tích nhân tố khẳng định CFA và mô hình SEM
Sau khi phân tích EFA, tác giả tiến hành kiểm tra lại độ giá trị (giá trị phân biệt và giá trị hội tụ) của thang đo cũng như xác định sự phù hợp của các cấu trúc trong mô hình nghiên cứu bằng kỹ thuật phân tích nhân tố khẳng định CFA. Đồng thời, tính toán độ tin cậy tổng hợp (composite reliability) và phương sai trích (variance extracted). Mô hình cấu trúc tuyến tính SEM được sử dụng để kiểm tra
các giả thuyết của mô hình nghiên cứu. Tất cả các kỹ thuật trên được xử lý bằng phần mềm SPSS 22.0 và Amos 20.
Trong kiểm định thang đo, phương pháp CFA trong phân tích mô hình cấu trúc tuyến tính có nhiều ưu điểm hơn so với phương pháp truyền thống như phương pháp hệ số tương quan, phương pháp phân tích nhân tố khám phá EFA. Phương pháp CFA cho phép kiểm định cấu trúc lý thuyết của các thang đo lường như mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường. Mặt khác chúng ta có thể kiểm định giá trị hội tụ và giá trị phân biệt của thang đo một cách rất đơn giản, trực quan và nhanh chóng mà không cần nhiều thủ tục. Trong kiểm định giả thuyết cũng như mô hình lý thuyết, phương pháp CFA cũng có lợi hơn phương pháp hồi quy đa biến vì nó tính được sai số đo lường. Mặt khác, phương pháp này cho phép kết hợp được các khái niệm tiềm ẩn với đo lường của chúng và có thể xem xét các đo lường độc lập hay kết hợp chung với mô hình lý thuyết cùng một lúc, được sử dụng rộng rãi trong các lĩnh vực tiếp thị những năm gần đây.
Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, người ta thường sử dụng Chi-square (CMIN); Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI_ Comparative Fit Index). Chỉ số Tucker & Lewis (TLI Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value > 0.05. Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu mô hình nhận được các giá trị GFI, TLI, CFI ≥0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 được xem là rất tốt (Steiger, 1990). thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường. Thọ & Trang (2009) cho rằng nếu mô hình nhận được các giá trị TLI, CFI ≥0.9, CMIN/df ≤ 2, RMSEA ≤ 0.08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường.
Các tiêu chuẩn đánh giá mức độ phù hợp của mô hình theo các thuộc tính giá trị bao gồm:
- Độ tin cậy của thang đo được đánh giá thông qua hệ số tin cậy tổng hợp (ρ c), tổng phương sai trích được (ρ vc ), hệ số tin cậy α (Cronbach’s Alpha). Trong đó phương sai trích phản ánh lượng biến thiên chung của các biến quan sát được giải thích bởi biến tiềm ẩn (Hair & ctg, 1998); độ tin cậy tổng hợp đo lường độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); hệ số tin cậy Cronbach’s alpha đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời (Schumacker & Lomax, 2004). Tiêu chuẩn đánh giá mức độ phù hợp của mô hình bởi độ tin cậy của thang đo là ρ c > 0,5 hoặc ρ vc > 0,5 hoặc α ≥ 0,6.
- Tính đơn hướng/đơn nguyên của một thang đo thể hiện mỗi một biến quan sát chỉ được sử dụng để đo lường duy nhất một biến tiềm ẩn. Theo Steenkamp & Van Trijp (1991), mức độ phù hợp của mô hình đo lường với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để kết luận tập các biến quan sát đạt được tính đơn hướng, trừ khi các sai số của tập các biến quan sát có tương quan với nhau.
- Giá trị hội tụ (Convergent validity): thể hiện giá trị đo lường một khái niệm tương quan chặt chẽ với nhau sau những đo lường được lặp lại. Theo Anderson & Gerbing (1988), thang đo được coi là đạt được giá trị hội tụ khi các trọng số chuẩn hóa của thang đo đều cao (>0,5) và có ý nghĩa thống kê, tức P< 0,05.
- Giá trị phân biệt (Discrimnant validity) thể hiện sự khác biệt giữa các khái niệm trong mô hình nghiên cứu và điều này xảy ra khi hệ số tương quan giữa các khái niệm trên phạm vi tổng thể đều khác biệt với 1 và có ý nghĩa thống kê (P<0,05). Trong đó, việc đánh giá tiêu chuẩn này nếu được kiểm định theo từng cặp khái niệm sẽ có nhiều ưu điểm hơn, vì hệ số tương quan sẽ thay đổi khi có sự tham gia của một khái niệm khác. Hơn nữa, trong trường hợp khái niệm kiểm định là bậc cao thì cách kiểm định này sẽ cho phép so sánh hệ số tương quan giữa hai khái niệm và hệ số tương quan giữa hai thành phần của cùng một khái niệm. Do đó, giá trị phân biệt sẽ đạt được khi so sánh bình phương giá trị tương quan từng cặp khái niệm so với phương sai trích trung bình của khái niệm đó. Tuy nhiên cũng có thể kiểm định giá trị phân biệt các khái niệm thông qua mô hình tới hạn (Saturated model – mô hình trong đó có các khái niệm nghiên cứu được tự do quan hệ với
nhau), song kiểm định theo cách này đòi hỏi kích thước mẫu phải lớn vì số tham số cần ước lượng sẽ tăng cao.
Giá trị liên hệ lý thuyết (Nomological validity) thể hiện sự phù hợp giữa mô hình nghiên cứu với cơ sở lý thuyết xây dựng nên mô hình. Theo Anderson & Gerbing (1988), giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết và theo Churchill (1979) được coi là phù hợp khi “mỗi một đo lường có mối liên hệ với các đo lường khác như đã kỳ vọng về mặt lý thuyết”. Ngoài ra, theo Thọ & Trang (2009) điều cần lưu ý trong quá trình đánh giá các tiêu chuẩn trên, phương pháp ước lượng thường được sử dụng là ML (Maximum Likelihood). Lý do theo Muthén & Kaplan (1985) vì phép kiểm định này khi kiểm định cho phép phân phối của các biến quan sát lệch một ít so với phân phối chuẩn đa biến, nhưng hầu hết các Kurtoses và Skewnesses đều nằm trong giới hạn [-1, +1]. Tuy nhiên, cũng cần nhận thức rằng ít có mô hình đo lường nào cùng đạt được tất cả các tiêu chuẩn trên. Thực tế trong nhiều nghiên cứu, giá trị p-value và tính đơn hướng thường khó đạt được trên tất cả các thang đo của các khái niệm nghiên cứu.
3.3.4.Kiểm định sự khác biệt giữa hai nhóm độc lập (T-test)
Kỹ thuật T-test được sử dụng để kiểm định sự khác biệt giữa hai nhóm độc lập khảo sát Online và Offline, Nam và Nữ nhằm đánh giá tác động kiểm soát khác nhau giữa các nhóm đến biến định lượng.
3.4. Thang đo sử dụng trong nghiên cứu và thiết kế bảng khảo sát 3.4.1.Xây dựng thang đo sơ bộ
Thang đo được sử dụng trong nghiên cứu này chủ yếu được kế thừa từ các lý thuyết (mô hình TAM & UTAUT) và nghiên cứu (Taprial & Kanwar,2012; Davis, 1989; Venkatesh và cộng sự, 2003; Liwei Chen, 2014; Hsiu-Fen Lin, 2007; Lin, 2008; McKnight & Chervany, 2002…) đã thực hiện trước đó đã được kiểm chứng ở những bối cảnh nghiên cứu và lĩnh vực nghiên cứu khác nhau. Trong nghiên cứu này có tất cả 5 khái niệm nghiên cứu, bao gồm: hiệu quả kỳ vọng (mô hình TAM); nổ lực kỳ vọng, điều kiện vật chất, điều kiện xã hội (mô hình UTAUT); Ý định
hành vi chấp nhận Marketing mạng xã hội (mô hình TAM & UTAUT) được trình bày trong bảng:
Bảng 3.1: Các thang đo sử dụng trong nghiên cứu Các
khái niệm nghiên cứu
Thang đo được tác giả hiệu chỉnh trong bối cảnh
nghiên cứu (nguồn) Tác giả
Nỗ lực kỳ vọng
Tôi có thể nhanh chóng tìm kiếm sản phẩm và thông tin tôi
cần trên mạng xã hội. Taprial
&Kanwar,2012 (Davis, 1989) (Venkatesh et ak, 2003) Liwei Chen 2014 Tôi không cần biết các kỹ năng phức tạp và khó để sử dụng
các mạng xã hội.
Tôi sẽ có thêm được nhiều kỹ năng khi sử dụng các mạng xã hội.
Tôi có thể dễ dàng tìm kiếm sản phẩm và những thông tin