Trên cơ sở nghiên mô hình nghiên cứu và lý thuyết nền, kết hợp với nghiên cứu định tính, tác giả đã hoàn thiện các biến quan sát, đo lường các nhân tố. Từ đó hình thành nên bảng câu hỏi sơ bộ để phục vụ cho việc nghiên cứu định lượng sơ bộ.
Trước tiên tác giả tiến hành kiểm tra độ tin cậy và giá trị của thang đo qua hệ số Cronbach’s Alpha. Sau đó, tác giả tiến hành bước tiếp theo là phân tích nhân tố khám phá EFA (Exploratory Factor Analysis), bước này giúp chúng ta đánh giá: giá trị hội tụ, giá trị phân biệt và giá trị nội dung của thang đo. Đây chính là 2 bước quan trọng và cần thiết trước khi chúng ta tiến hành phân tích CFA, kiểm định các giả thuyết và lý thuyết khoa học, đồng thời là bước cơ bản trước khi sử dụng thang đo này cho nghiên cứu định lượng chính thức (Hair và cộng sự, 2010; Meyers và cộng sự, 2016).
Để kiểm định độ tin cậy thang đo bằng phân tích hệ số Cronbach’s alpha và phân tích EFA, tác giả tiến hành sử dụng phần mềm phân tích dữ liệu SPSS 22.0. Trình tự tiến hành công việc nghiên cứu định lượng như sau:
Bước 1: Thực hiện việc thu thập dữ liệu bằng cách gửi các phiếu khảo sát qua email, điện thoại trả lời trực tiếp, gửi phiếu khảo sát trực tiếp cho doanh nghiệp. Việc lấy mẫu khảo sát này theo phương pháp lấy mẫu ngẫu nhiên, nghĩa là danh sách các nhà đầu tư du lịch thuộc vùng Duyên hải Nam Trung Bộ được đưa vào máy tính chọn ngẫu nhiên 200 doanh nghiệp. Tác giả tiến hành gửi các phiếu khảo sát này đến các nhà đầu tư đã được máy tính chọn, kết quả thu được 162 phiếu hợp lệ được nhà đầu tư phản hồi. Trong đó có 59 doanh nghiệp trong nước và 11 doanh nghiệp ngoài nước.
Bước 2: Tác giả nhập liệu thu thập được từ phiếu khảo sát và sử dụng phần mềm SPSS 22.0 để tiến hành phân tích hệ số Cronbach’s Alpha và EFA.
Thứ nhất, tác giả tiến hành đánh giá độ tin cậy và giá trị của thang đo
Việc đánh giá thang đo nhằm loại bỏ các biến quan sát không đạt yêu cầu. Chúng ta phải thực hiện việc này trước khi phân tích EFA nhằm để tránh các biến quan sát không đạt yêu cầu này có thể tạo ra các nhân tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2008).
Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) đã chỉ ra rằng: “Hệ số Cronbach’s Alpha chỉ cho biết các biến đo lường có liên kết với nhau hay không, nhưng không cho biết biến nào cần loại đi. Do đó, việc tính hệ số tương quan biến tổng sẽ giúp chúng ta loại đi các biến đo lường không đóng góp nhiều cho sự đo lường nhân tố cần đo”.
Như vậy, để phân tích độ tin cậy và giá trị của thang đo, chúng ta căn cứ vào hệ số Cronbach’s Alpha và hệ số tương quan biến tổng. Vậy giá trị của 2 hệ số này là bao nhiêu thì đạt yêu cầu của một thang đo tốt? Điều này đã được nhiều nhà nghiên cứu trước đây chứng minh và được sử dụng rộng rãi và phổ biến như sau:
Theo Nunnally và Bernstein (1994b), Habing (2003); Nguyễn Đình Thọ (2011); Pituch và Stevens (2015) chỉ ra rằng một thang đo phải tối thiểu có 3 biến quan sát để đo lường. Một thang đo có giá trị tốt khi hệ số Cronbach’s Alpha nằm trong khoảng từ 0,7 đến 0,8; đồng thời hệ số tương quan biến tổng (Corrected item-total correlation) phải lớn hơn 0,3. Nếu các biến quan sát nào không thỏa mãn điều kiện này thì chứng tỏ biến quan sát đó không có ý nghĩa nhiều trong việc đo lường, cho nên chúng ta tiến hành loại đi biến quan sát đó. Tuy nhiên, cũng có nhiều nhà nghiên cứu trước đây cho rằng một thang đo tốt khi có hệ số tương quan biến tổng lớn hơn 0,3 và hệ số Cronbach’s Alpha chỉ cần lớn hơn hoặc bằng 0,6. Hệ số Cronbach’s Alpha >= 0,6 được áp dụng trong trường hợp dùng để đo lường các khái niệm mới, hoặc mới đối với đối tượng được khảo sát (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008; Nunnally và Bernstein, 1994a; Peterson, 1994). Ngoài ra, Nguyễn Văn Thắng (2014); DeVellis (2016) cho rằng một thang đo có độ tin cậy tốt thì hệ số phải từ 0,7 trở lên, tuy nhiên giá trị chấp nhận được cũng có thể là từ 0,63 trở lên.
Dựa trên các công trình khoa học nghiên cứu trước đây và thực tiễn đề tài nghiên cứu của mình, tác giả đề xuất chọn hệ số tương quan biến tổng phải lớn hơn 0,3 và hệ số Cronbach’s Alpha phải lớn hơn bằng 0,7 để đánh giá thang đo.
Thứ hai, sau khi phân tích độ tin cậy thang đo tác giả tiến hành phân tích nhân tố
khám phá EFA (Exploratory Factor Analysis)
Hair và cộng sự (2010) đã đưa ra khái niệm phân tích EFA: “Một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu”. Phân tích này giúp chúng
ta đánh giá giá trị nội dung, giá trị phân biệt, giá trị hội tụ và tính đơn hướng của thang đo.
Theo Gerbing và Anderson (1988) thì cho rằng: “đối với phương pháp rút trích nhân tố thì nên dùng phương pháp Principal Axis Factoring, kết hợp với phép xoay nhân tố Promax sẽ cho phương sai trích nhỏ nhưng phản ánh dữ liệu rút trích nhân tố tốt hơn, phương pháp này thường dùng để phân tích CFA”.
Tuy nhiên, DeCoster (1998); Meyers và cộng sự (2016) thì cho rằng: “nếu phân tích EFA, sau đó tiến hành phân tích hồi quy thì đối với phương pháp rút trích nhân tố nên sử dụng phương pháp Principal Component, kết hợp với phép xoay nhân tố Varimax. Ngược lại, nếu phân tích nhân tố khẳng định CFA (Confirmatory Factor Analysis) thì nên sử dụng phương pháp Principal Axis Factoring kết hợp với phép xoay nhân tố Promax”.
Trước khi phân tích EFA thì chúng ta cần kiểm định các điều kiện sau: 1. Kiểm định mức độ tương quan giữa các biến
Để phân tích mức độ tương quan giữa các biến quan sát, chúng ta sẽ phân tích ma trận tương quan (Correlation Matrix) được hiển thị khi phân tích EFA dùng trong phần mềm SPSS. Nếu hệ số tương quan giữa các biến đo lường ≤ 0,3 thì chứng tỏ các biến quan sát này không giải thích được cho nhân tố cần đo, ta cần loại biến không phù hợp này (Hair và cộng sự, 2010).
2. Kiểm định KMO (Kaiser – Meyer – Olkin)
KMO là chỉ số để so sánh độ lớn của hệ số tương quan biến quan sát với độ lớn của tương quan từng phần. Chỉ số này dùng để kiểm tra tính đầy đủ của dữ liệu đo lường (Kaiser, 1974; Kaiser và Rice, 1974). Một mẫu đầy đủ dữ liệu có thể sử dụng cho phân tích EFA thì theo Kaiser (1974) đề nghị:
Bảng 3.3 Hệ số KMO theo Kaiser
Hệ số KMO Ý nghĩa
a. 1 ≥ KMO ≥ 0,9 Hệ số này rất tốt b. 0,8 ≤ KMO < 0,9 Hệ số này tốt
c. 0,7 ≤ KMO < 0,8 Hệ số này đủ dùng được d. 0,6 ≤ KMO < 0,7 Hệ số này tạm dùng được e. 0,5 ≤ KMO < 0,6 Hệ số này xấu
f. KMO < 0,5 Hệ số này không chấp nhận được
Nguồn: Theo Kaiser, 1974 và Kaiser và Rice 1974
3. Kiểm định Bartlett
Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) cho rằng: “Kiểm định Bartlett
dùng để kiểm tra xem ma trận hệ số tương quan có phải là ma trận đơn vị hay không (Identity Matrix). Ma trận đơn vị là ma trận có hệ số tương quan giữa các biến bằng không, và hệ số tương quan với chính nó bằng một”. Hay nói cách khác kiểm định này
dùng để kiểm định giả thuyết: H0: Các biến quan sát dùng để đo lường không có tương quan với nhau; H1: Các biến quan sát dùng để đo lường có tương quan với nhau. Để hệ số dùng có ý nghĩa dùng được thì P-value < 0,05, nghĩa là bác bỏ Ho, chấp nhận H1. Các biến quan sát dùng để đo lường có tương quan với nhau (Bartlett, 1937; Bartlett, 1950).
Tiến hành phân tích nhân tố khám phá EFA, chúng ta cần đánh giá các chỉ tiêu:
1. Hệ số tải nhân tố (HSTNT)
Hair và cộng sự (2010) có đề xuất hệ số tải nhân tố có liên quan đến quy mô mẫu được chỉ cụ thể như sau:
Bảng 3.4: Quy mô mẫu và hệ số Factor Loadings Quy mô mẫu (X) Factor Loadings
X ≥ 350 0,3 250 ≤ X < 350 0,35 200 ≤ X < 250 0,40 150 ≤ X < 200 0,45 120 ≤ X < 150 0,50 100 ≤ X < 120 0,55 85 ≤ X < 100 0,60 70 ≤ X < 85 0,65 60 ≤ X < 70 0,70 50 ≤ X < 60 0,75 Nguồn: Hair và cộng sự (2010)
Hair và cộng sự có đề xuất hệ số tải nhân tố tương ứng với quy mô mẫu như trên, tuy nhiên tùy vào cách tiếp cận, phương pháp nghiên cứu, nhân tố mới... Ngày nay, các nhà nghiên cứu thường loại bỏ các biến có hệ số tải nhân tố nhỏ hơn 0,5. Tuy nhiên, có những biến quan sát 0,5 < X ≤ 0,4, nhưng giá trị nội dung của biến đo lường đó có ý nghĩa quan trọng thì ta nên giữ lại để tiếp tục kiểm định biến đó (Nguyễn Đình Thọ, 2011). Chính vì lý do trên, nên trong nghiên cứu tính hấp dẫn điểm đến thu hút vốn đầu tư thì tác giả chọn hệ số tải lớn hơn bằng 0,5.
2. Hair và cộng sự (2010) đề xuất hệ số Total Variance Explained ≥ 50%, nghĩa là các biến quan sát dùng để đo lường nhân tố giải thích được tối thiểu 50%.
3. Hair và cộng sự (2010); Nguyễn Đình Thọ (2011) đề xuất hệ số trích xuất nhân tố Eigenvalue có giá trị phải lớn hơn 1.
4. Đạt giá trị hội tụ (GTHT)
Gerbing và Anderson (1988) cho rằng: “Giá trị hội tụ có nghĩa là các biến đo lường trong một nhân tố có mối tương quan cao. Thang đo đạt giá trị hội tụ khi các hệ số chuẩn hóa của thang đo đều lớn hơn 0,5 và có ý nghĩa thống kê (thông thường p < α =0,05)”. Các giá trị này thỏa mãn điều kiện trên tuy nhiên phải tập trung đo lường cho 1 nhân tố nhất định, thì mới thỏa mãn đạt giá trị hội tụ.
5. Giá trị phân biệt (GTPB)
Steenkamp và Van Trijp (1991), Bagozzi và Foxall (1996) cho rằng: “Giá trị
phân biệt thể hiện được cấp độ phân biệt giữa các khái niệm đo lường”. Với khái niệm
này, thì ta có thể loại bỏ những biến mà 1 biến mà đo lường cho nhiều nhân tố.