Quy trình nghiên cứu về nhận thức bảo mật và nhận thức tin tƣởng đến sự tiếp tục sử dụng TTĐT của sinh viên TP.HCM đƣợc mô tả trong hình 3.1, cụ thể:
ƣớc 1: Thang đo chính thức đƣợc chỉnh sửa sau khi nghiên cứu sơ bộ sẽ đƣợc sử dụng để thực hiện khảo sát chính thức.
ƣớc 2: Tất cả dữ liệu đƣợc thu thập sẽ đƣợc làm sạch, loại bỏ những dữ liệu không đạt yêu cầu, sau đó đƣa vào phần mềm SPSS để tiến hành phân tích, kiểm định sự phù hợp của mô hình.
n 3.1: Sơ đồ quy trình nghiên cứu
ƣớc 3: Sử dụng phần mềm SPSS để phân tích hệ số tin cậy nhằm đánh giá sơ bộ thang đo, loại bỏ những biến quan sát không đạt yêu cầu. Hệ số Cronbach’s Alpha là một hệ số kiểm định thống kê về mức độ tin cậy và tƣơng quan giữa các biến trong thang đo, những biến quan sát có hệ số tƣơng quan biến tổng nhỏ hơn 0,3 đƣợc đánh giá là không có giá trị đo lƣờng và loại ra khỏi mô hình (Gerbing và Anderson, 1988). Thang đo có hệ số Cronbach’s Alpha lớn hơn 0,6 sẽ đƣợc chấp nhận (Hair và cộng sự, 2019).
ƣớc 4: Sau khi loại đi các biến không đảm bảo độ tin cậy bằng kỹ thuật phân tích Cronbach’s Alpha, tác giả tiếp tục thực hiện phân tích nhân tố khám phá EFA để thu nhỏ và tóm tắt các dữ liệu. Phƣơng pháp phân tích này rất hữu ích cho việc xác định tập hợp các biến cần thiết cho vấn đề nghiên cứu và tìm mối quan hệ giữa
các biến với nhau. Để có thể sử dụng phƣơng pháp này đạt hiệu quả, trƣớc tiên phải kiểm tra sự phù hợp của phƣơng pháp này đối với đề tài nghiên cứu. Theo Hair và cộng sự (2019), giá trị KMO (Kaiser–Meyer–Olkin) nằm giữa 0,5 đến 1 có nghĩa là đề tài sử dụng phƣơng pháp này là phù hợp, còn nếu trị số này nhỏ hơn 0,5 thì phƣơng pháp phân tích này có khả năng không phù hợp với dữ liệu.
ƣớc 5: Sau khi thực hiện phân tích nhân tố khám phá EFA, tác giả thực hiện phân tích nhân tố khẳng định nhằm kiểm định sự phù hợp của mô hình lý thuyết có sẵn với số liệu nghiên cứu.
Để đánh giá giá trị thang đo trong phân tích CFA, theo Hair và cộng sự (2019), chỉ số Chi–square có P–value < 0,05; Chi–square/ df =< 3; hệ số GFI, TLI, CFI >= 0,9 và RMSEA =< 0,08 đƣợc xem là mô hình phù hợp với dữ liệu thị trƣờng. Hệ số tin cậy tổng hợp, tổng phƣơng sai trích > 0,5. Trọng số chuẩn hóa của các thang đo > 0.5 và có ý nghĩa thống kê (p < 0,05). Để đo lƣờng sự khác biệt các khái niệm thì xem xét sự tƣơng quan giữa các thành phần của khái niệm hoặc giữa các khái niệm thực sự khác biệt so với 1.
ƣớc 6: Phân tích dữ liệu bằng mô hình SEM. Mô hình cấu trúc tuyến tính SEM là một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ phức tạp trong mô hình nhân quả.
Theo Hair và cộng sự (2019), để đo lƣờng mức độ phù hợp với thông tin thị trƣờng, ngƣời ta thƣờng sử dụng: Chi–square (CMIN), Chi–square điều chỉnh theo bậc tự do (CMIN/df), chỉ số GFI (Good of Fitness Index), chỉ số CFI (Comparative Fit Index), chỉ số TLI (Tucker and Lewis Index), chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình đƣợc xem là thích hợp với dữ liệu thị trƣờng nếu kiểm định Chi–square có P–value > 0,05; CMIN/df =< 3; GFI, TLI, CFI >= 0,9; và RMSEA =< 0,08 (Hair và cộng sự, 2019). Tuy nhiên, theo Doll và cộng sự (1994) thì GFI vẫn có thể chấp nhận đƣợc khi nhỏ hơn 0,9 nhƣng lớn hơn 0,8. Thang đo đạt đƣợc giá trị hội tụ khi trọng số chuẩn hóa của các thang đo đều > 0,5 và có ý nghĩa thống kê. Ngoài ra, cần kiểm định giá trị phân biệt. Giá trị phân biệt đạt đƣợc khi: Tƣơng quan giữa hai thành phần của khái niệm hoặc hai khái niệm thực sự khác biệt so với 1.