Các giá trị của thang đo đạt yêu cầu sau khi phân tích EFA hoặc kiểm tra lại thang đo nếu thay đổi. Nếu tất cả đều đạt yêu cầu thì ta tiến hành phân tích CFA nhằm kiểm định sự phù hợp giữa mô hình đề xuất có phù hợp với dữ liệu thị trường.
a. Kiểm tra tính đơn hướng (Unidimensionality)
Sự phù hợp giữa mô hình nghiên cứu cần đo lường với dữ liệu thực tế khảo sát điều này chứng tỏ nhóm biến quan sát đo lường cho nhân tố đạt được tính đơn hướng. Hay nói cách khác, tính đơn hướng chỉ đạt được khi không có sự tương quan sai số giữa các biến quan sát với nhau (Steenkamp và Van Trijp, 1991).
Để kiểm tra sự phù hợp của mô hình thì theo Hair và cộng sự (2010, trang 654) cho rằng cần kiểm tra các giá trị: “Chi-square (CMIN), CMIN/df: Chi-square điều chỉnh theo bậc tự do, GFI (Good of Fitness Index) chỉ số phù hợp tuyệt đối, CFI (Comparative Fit Index) chỉ số phù hợp so sánh, TLI (Tucker and Lewis Index), RMSEA (Root Mean Square Error Approximation)”.
Chỉ số CMIN: Theo Jöreskog và Sörbom (1989) thì Chi-square (CMIN) dùng để kiểm định mức độ phù hợp tổng quát của mô hình. Tuy nhiên hệ số này phản ứng rất nhạy với quy mô mẫu lớn và độ mạnh của kiểm định. Do vậy, trên thực tế người ta hay dùng chỉ số CMIN/df.
Chỉ số CMIN/df: Theo Hair và cộng sự (2010) thì yêu cầu: 1 < CMIN/df < 3 Theo Kettinger và Lee (1994) thì cho rằng: CMIN/df < 5 khi mẫu N > 200; còn khi mẫu N < 200 thì CMIN/df < 3 thì được cho là đạt yêu cầu.
Chỉ số GFI, CFI, TLI: Theo Chin và Todd (1995) và Hair và cộng sự (2010) thì các giá trị này phải lớn hơn 0,9. Tuy nhiên, theo Hair và cộng sự (2010) thì GFI nhỏ hơn 0,9 vẫn đạt yêu cầu.
Chỉ số RMSEA: Theo Taylor và cộng sự (1993) thì RMSEA < 0,05 thì rất tốt, tuy nhiên nếu giá trị này nhỏ hơn 0,08 thì vẫn chấp nhận được.
Chỉ số PCLOSE: Thực chất chỉ số này dùng để kiểm định giả thuyết H0 của chỉ số RMSEA. Giả thuyết H0 cho rằng RMSEA nhỏ hơn 0,05 thì mô hình phù hợp tốt (Close Fit) nên giá trị kiểm định có tên gọi là PCLOSE. Do vậy, theo Browne và Cudeck (1993) thì giá trị PCLOSE này phải lớn hơn 0,05.
Tác giả có thể tóm tắt lại các chỉ số cần đo lường tính đơn hướng như sau:
Bảng 3.5: Tổng hợp chỉ số đo lường tính đơn hướng
Chỉ số CMIN CMIN/df GFI CFI TLI RMSEA PCLOSE Mức P-value > 0,05 1 < CMIN/df < 3 > 0,9 > 0,9 > 0,9 <0,05 >0,05
b. Kiểm định độ tin cậy thang đo
Độ tin cậy thang đo trong phân tích CFA thường được đánh giá qua 2 chỉ tiêu đó là: 1. Độ tin cậy tổng hợp (Composite Reliability)
Theo Jöreskog (1971) đề xuất tính độ tin cậy thang đo tổng hợp bằng công thức:
Trong đó:
P: là số biến quan sát
: là hệ số chuẩn hóa của biến quan sát i
Theo Gerbing và Anderson (1988) thì hệ số độ tin cậy thang đo không mắc phải sai lầm giả định độ tin cậy các biến giống nhau như trong phân tích Cronbach’s Alpha, do đó nó tốt hơn. Và theo Hair và cộng sự (2010) thì hệ số này phải lớn hơn 0,6.
2. Phương sai trích (Average Variance Extracted)
Fornell và Larker (1981) cho rằng: “Phương sai trích phản ánh lượng biến thiên
chung của biến quan sát được tính toán bởi biến tiềm ẩn”. Công thức được đề xuất
như sau:
Gerbing và Anderson (1988) thì hệ số chặn để loại biến trong phương pháp trích nhân tố với phép quay Promax là 0,4. Và theo Hair và cộng sự (2010) thì hệ số phương sai trích phải lớn hơn 0,5.
c. Kiểm định giá trị hội tụ (Convergent Validity)
Theo Gerbing và Anderson (1988) cho rằng: “hệ số chuẩn hóa phải lớn hơn 0,5 và hệ số P-value phải nhỏ hơn 0,05 thì thang đo mới đạt giá trị hội tụ”.
d. Kiểm định giá trị phân biệt
Theo Bagozzi và Foxall (1996) thì cần kiểm định hai nội dung:
Một là, kiểm định sự tương quan giữa 2 thành phần cùng một khái niệm. Hệ số
Hai là, kiểm định sự tương quan từng cặp giữa các khái niệm với nhau. Hệ số
tương quan này phải nhỏ hơn 1. Và hệ số tương quan này phải nhỏ hơn hệ số tương quan thành phần của cùng 1 khái niệm (Gerbing và Anderson, 1988).
Như vậy, ta có thể tổng kết lại quá trình phân tích CFA như sau:
Một là, phân tích nhân tố khẳng định cho từng nhân tố để kiểm tra độ tin cậy
tổng hợp, kiểm định phương sai trích, kiểm định tính đơn hướng, kiểm định giá trị phân biệt và giá trị hội tụ.
Hai là, phân tích nhân tố khẳng định cho tất cả các khái niệm để kiểm định giá trị
phân biệt và giá trị hội tụ.
3.2.2.4 Kiểm định mô hình nghiên cứu và các giả thuyết nghiên cứu bằng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling)
Thông thường trong nghiên cứu định lượng, từ 1 một mẫu lớn chúng ta phải chia thành hai mẫu nhỏ dùng để ước lượng và đánh giá chéo. Theo Gerbing và Anderson (1988) thì việc làm như vậy rất mất thời gian và công sức. Chính vì vậy, Schumacker và Lomax (1996) đã đề xuất sử dụng phương pháp Boostrap để kiểm định mô hình. Phương pháp này là phương pháp lấy mẫu tạo ra n mẫu từ một mẫu nghiên cứu ban đầu. Kết quả ước lượng trung bình từ n mẫu nếu gần sát với ước lượng mô hình mẫu ban đầu thì có thể coi là ước lượng mô hình nghiên cứu đáng tin cậy.
Phần này nghiên cứu sẽ kiểm định giả thuyết nghiên cứu và mô hình nghiên cứu bằng phân tích SEM. Sau đó, tiến hành phân tích cấu trúc đa nhóm để kiểm định có sự khác biệt trong nhận định của những nhà đầu tư vào khách sạn khác biệt với nhà đầu tư vào điểm tham quan giải trí về vấn đề tính hấp dẫn điểm đến hay không. Ngoài ra, tác giả cũng tiến hành kiểm định sự khác biệt giữa nhà đầu tư trong nước và nhà đầu tư nước ngoài xem thử có sự khác biệt trong nhận định của họ về tính hấp dẫn điểm đến hay không.