Quy trình nghiên cứu của đề tài sử dụng phương pháp nghiên cứu hỗn hợp (Mixed Methods approach) và được tiến hành theo hai giai đoạn bao gồm: giai đoạn nghiên cứu sơ bộ (nghiên cứu định tính) và giai đoạn nghiên cứu chính thức (nghiên cứu định lượng) (Hình 3.1).
- Nghiên cứu sơ bộ được thực hiện thông qua phương pháp phỏng vấn trực tiếp khoảng 5 khách hàng. Mục đích của nghiên cứu sơ bộ này nhằm đánh giá độ giá trị nội dung, ngôn từ của các thang đo. Sau đó, tác giả tiến hành khảo sát sơ bộ 40 khách hàng để đánh giá sơ bộ độ tin cậy Cronbach alpha, tính phân phối chuẩn của các biến quan sát và phân tích nhân tố khám phá EFA nhằm loại các biến rác làm nhiễu hoặc sai lệch thang đo.
- Nghiên cứu chính thức được thực hiện bằng phương pháp định lượng. Dữ liệu được thu thập bằng bảng câu hỏi được gởi trực tiếp đến các khách hàng. Kích thước mẫu của nghiên cứu này tối thiểu phải là 180 khách hàng (18 quan sát x 10). Nghiên cứu chính thức được thực hiện từ tháng 11 đến tháng 12 năm 2020. Thang đo được kiểm định bằng hệ số tin cậy Cronbach Alpha và phân tích nhân tố khám phá EFA, sau đó được kiểm định tính tương quan Pearson, cuối dùng kiểm định các giả thuyết thông qua phân tích mô hình cấu trúc tuyến tính SEM.
3.2.Phương pháp thu thập dữ liệu và cỡ mẫu
Dữ liệu được thu thập bằng cách phát bảng câu hỏi khảo sát trực tiếp đến tay các khách hàng đã và đang thụ hưởng các hình thức Marketing trực tuyến tại các mạng xã hội phổ biến nhất hiện nay gồm: Facebook, youtube, Instagram, Zalo, Zing, Twitter, Forum, Web, Blog. Quá trình khảo sát phần lớn được thực hiện với sự giúp đỡ của một số cộng tác viên và sinh viên. Mẫu được chọn theo phương pháp thuận tiện. Đối với phương pháp chọn mẫu này nhà nghiên cứu tiếp cận với phần tử mẫu bằng phương pháp thuận tiện (Thọ & Trang, 2009, p.77).
Phương pháp phân tích được sử dụng để rút trích nhân tố là phương pháp phân tích nhân tố khám phá EFA. Phân tích nhân tố cần ít nhất 200 quan sát (Gorsuch, 1983). Dựa theo quy luật kinh nghiệm (Bollen, 1989) với năm mẫu cho một tham số cần ước lượng. Cụ thể:
- Cỡ mẫu quan sát cần thỏa mãn điều kiện: N ≥ max [5x, 50 + 8m]
- Đối với phân tích nhân tố EFA thì: N ≥ 5x (Hair, Black, Babin, Anderson, & Tatham, 2006)
- Đối với phân tích hồi quy đa biến thì: N ≥ 50 + 8m (Tabachnick & Fidell, 2007)
Trong đó:
- x: là tổng số biến quan sát - m: là biến độc lập
Do đó, cỡ mẫu cần thiết tối thiểu phải là N ≥ [ 5x18, 50 + 5x4] = 90
Nghiên cứu này có 18 biến quan sát do đó kích thước mẫu tối thiểu cần cho nghiên cứu này là 90 (5* 18 tham số ước lượng). Tuy nhiên trong nghiên cứu này tác giả chọn phương pháp kiểm định mô hình cấu trúc tuyến tính SEM. Do vậy kích thước mẫu tối thiểu phải là 18 x 10 = 180 mẫu. Thông thường, tỷ lệ hồi đáp 50%, như vậy để đạt được kích thước mẫu trên, tác giả sẽ gửi bảng hỏi và link khảo sát đến 300 người.
3.3. Phương pháp phân tích dữ liệu
Phương pháp phân tích dữ liệu được dùng cho nghiên cứu chính thức bao gồm phân tích hệ số tin cậy Cronbach alpha, phân tích nhân tố khám phá EFA, phân tích nhân tố khẳng định CFA, và phân tích mô hình cấu trúc tuyến tính SEM.
3.3.1.Phân tích hệ số tin cậy Cronbach alpha
Sử dụng Cronbach alpha nhằm phân tích độ tin cậy của thang đo. Hệ số α của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau, là phép kiểm định về chất lượng của thang đo sử dụng cho từng mục hỏi, xét trên mối quan hệ của mục hỏi với một khía cạnh đánh giá. Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach alpha. Những mục hỏi không đóng góp nhiều sẽ tương quan yếu với tổng số điểm, như vậy chúng ta chỉ giữ lại những mục hỏi có tương quan mạnh với tổng số điểm. Do đó, những biến có hệ số với tương quan biến tổng (Item Total Corelation) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm
đang nghiên cứu mới (Nunnally, 1978; Slater, 1995). Thông thường, thang đo có Cronbach alpha từ 0.7 đến 0.8 là sử dụng được (Nunnally & Bernstein, 1994). Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lường tốt. Hệ số Cronbach’s Alpha càng lớn thì các biến quan sát trong thang đo càng tương quan chặt chẽ với nhau. Tuy nhiên kết quả phân tích cho hệ số Cronbach’s Alpha không cho biết được những biến quan sát nào phù hợp và không phù hợp, do đó cần phải xem xét thêm “hệ số Cronbach’s Alpha nếu bỏ biến quan sát đang xét” để kiểm tra và loại bỏ những biến quan sát không phù hợp với yếu tố cần đo (Trọng & Ngọc, 2008).
3.3.2.Phân tích nhân tố khám phá EFA
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