13. Hành vi mua sắm trực tuyến của khách hàng (Online shopping behavior)
3.4.3. Kiểm định mô hình cấu trúc
Sau khi đánh giá được mô hình đo lường đạt yêu cầu, Kiểm định mô hình cấu trúc là bước tiếp theo trong quá trình phân tích kết quả PLS-SEM. Những chỉ tiêu đo lường tiêu chuẩn được xem xét bao gồm sự phù hợp của mô hình SRMR (Goodness of fit), hệ số đa cộng tuyến (VIF) hệ số xác định (R2), độ hiệu quả của mô hình (f2) và hệ số ước lượng chính xác (Q2).
Kiểm định sự phù hợp của mô hình (Goodness of fit)
SRMR (Standardized root mean square residua): là sự khác biệt giữa phần dữ liệu thực tế và mô hình dự đoán. Henseler và cộng sự (2014) cũng cho rằng chỉ số SRMR là chỉ số goodness of fit của mô hình PLS-SEM có thể được sử dụng để tránh hiện tượng sai lệch thông số trong mô hình. Giá trị SRMR là sự khác biệt giữa phần data thực tế và phần mô hình dự đoán. SRMR dao động từ 0 đến 1, càng nhỏ càng tốt, SRMR = 0 thì mô hình dự đoán hoàn toàn trùng khớp với dữ liệu, SRMR ≤ 5% được đánh giá là tốt. Như trong bảng 3.20 có thể thấy SRMR = 0.058, như vậy mô hình nghiên cứu là phù hợp.
Bảng 3.20. Giá trị SRMR của mô hình
Saturated Model Estimated Model
d_ULS 3.159 3.219
d_G 0.817 0.823
Chi-Square 1620.549 1629.169
NFI 0.816 0.815
Kiểm định hiện tượng đa cộng tuyến (VIF)
Các hệ số của mô hình cấu trúc biểu thị mối quan hệ giữa các nhân tố được suy ra từ việc ước lượng một loạt các phương trình hồi quy. Phải kiểm tra tính đa cộng tuyến trước khi đánh giá các mối quan hệ cấu trúc để đảm bảo rằng kết quả hồi quy không bị sai lệch.
Hệ số phóng đại phương sai (Variance Inflation Factor-VIF) được sử dụng để phát hiện sự hiện diện của các mối quan hệ tuyến tính giữa hai hoặc nhiều biến độc lập (tức là tính đa cộng tuyến) trong mô hình hồi quy đa tuyến tính (Gomez, 2016).
Kinh nghiệm thực tế chỉ ra rằng nếu bất kỳ VIF nào vượt quá 5 hoặc 10, thì đó là một dấu hiệu cho thấy hệ số hồi quy liên quan được ước tính kém vì đa cộng tuyến (Douglas Montgomery, Peck, & Vinning, 2012). Hay (theo Becker và cộng sự, 2015) Hiện tượng đa cộng tuyến xảy ra giữa các nhân tố dự đoán khi các giá trị VIF lớn hơn 5, nhưng nếu giá trị VIF rơi vào khoảng từ 3 đến 5 cũng không loại trừ tính đa cộng tuyến xuất hiện. Do đó lý tưởng nhất là các giá trị VIF không vượt quá 3.
Theo bảng 3.21 43/43 chỉ số có giá trị VIF < 3, do đó có thể kết luận mô hình không vi phạm đa cộng tuyến.
Bảng 3.21. Kiểm định hiện tượng đa cộng tuyến của các nhân tố
VIF VIF VIF VIF
DR1 1,934 FUR3 1,892 RR2 2,002 TR5 1,655
DR2 1,952 FUR4 1,826 RR3 2,026 WP1 2,071
DR3 1,999 FUR5 2,089 RR4 2,195 WP2 2,021
DR4 2,030 OSB1 2,393 RR5 2,138 WP3 2,190
FIR1 1,558 OSB3 2,141 SI2 1,906 WP5 2,160 FIR2 1,845 PPR1 1,753 SI3 1,641 WP6 1,877 FIR3 1,887 PPR2 1,541 SI4 1,873 FIR4 1,905 PPR3 1,870 TR1 2,388 FIR5 1,529 PPR4 1,638 TR2 2,468 FUR1 2,017 PR1 1,000 TR3 2,130 FUR2 1,668 RR1 1,954 TR4 1,631
Kiểm định hệ số xác định R-Squared (coefficient of determination-R2)
Hệ số xác định (coefficient of determination) thường ký hiệu là R2, một con số thống kê tổng hợp khả năng giải thích của một phương trình. Nó biểu thị tỷ lệ biến thiên của biến phụ thuộc do tổng mức biến thiên của các biến giải thích gây ra. (Ngọc, 2012)
R2 luôn nằm trong khoảng từ 0 đến 1 hay 0% đến 100%. 0% có nghĩa là mô hình không giải thích được sự biến thiên nào của dữ liệu phản hồi xung quanh giá trị trung bình của nó. 100% chỉ ra rằng mô hình giải thích tất cả sự biến thiên của dữ liệu phản hồi xung quanh giá trị trung bình của nó. Nói chung, bình phương R càng cao, mô hình càng phù hợp với dữ liệu.
Hình 3.11. Mô hình cấu trúc tuyến tính SEM
Nhân tố Hành vi mua sắm trực tuyến của người lao động có chỉ số R2 = 0.6, điều này chỉ ra rằng bốn biến: Nền tảng website, Cảm nhận rủi ro, Uy tín người bán và Ảnh hưởng xã hội giải thích được 60% sự biến thiên của biến. Còn lại 40% chưa giải thích được do còn thêm yếu tố mà mô hình chưa đề cập đến. Cả bốn biến trên có quan hệ tiêu cực đến Hành vi mua sắm trực tuyến của người tiêu dùng. Trong đó Cảm nhận rủi ro có ảnh hưởng mạnh nhất đến Hành vi mua sắm với hệ số β = -0,449 lớn hơn ba giá trị -0,244 của Nền tảng Website, -0,199 của Uy tín người bán hàng và - 0,111 của Ảnh hưởng xã hội.
Trong mô hình trên, có một biến trung gian là Cảm nhận rủi ro, nhận ảnh hưởng của 8 yếu tố: Nền tảng website, Uy tín người bán, Ảnh hưởng xã hội, Rủi ro sau mua hàng, Rủi ro tài chính, Rủi ro chức năng, Rủi ro vận chuyển, và Rủi ro thời gian. Tám yếu tố trên đã giải thích được 64,6% sự biến thiên của nhân tố này, như vậy còn một số yếu tố tác động đến Cảm nhận rủi ro chưa được xét đến.
Tám yếu tố trên đều có quan hệ tích cực tới Cảm nhận rủi ro, trong đó Rủi ro tài chính có tác động lớn hơn cả với hệ số β = 0,239, ngay tiếp theo là Rủi ro sau mua hàng với hệ số β = 0,190, và các yếu tố còn lại Rủi ro chức năng, Ảnh hưởng xã hội, Uy tín người bán, Nền tảng website, Rủi ro thời gian và Rủi ro vận chuyển lần lượt có hệ số β là 0,170; 0,159; 0,157; 0,149; 0,147 và 0,115.
Kiểm định mức độ ảnh hưởng của các giả thuyết (Effect size - f2)
Mức độ ảnh hưởng – f2 là một bổ sung quan trọng cho kiểm định ý nghĩa giả thuyết, trong đó chúng cung cấp một thước đo có ý nghĩa thực tế về mức độ của ảnh hưởng và độc lập của yếu tố. Như một lợi ích bổ sung, các phép đo về mức độ ảnh hưởng cho phép so sánh trực tiếp hai hoặc nhiều yếu tố, ví dụ các biến được đo lường trên các quy mô khác nhau hoặc các nghiên cứu độc lập trong phân tích tổng hợp (Selya và cộng sự, 2012).
Theo Cohen (1988), các giá trị f2 cao hơn 0,02, 0,15 và 0,35 lần lượt thể hiện các tác động nhỏ, trung bình và lớn.
Bảng 3.22. Kiểm định mức độ ảnh hưởng của các giả thuyết
f Square
DR FIR FUR OSB PPR PR RR SI TR WP
DR 0.027 FIR 0.128 FUR 0.060 OSB PPR 0.077 PR 0.286
RR 0.070 0.048
SI 0.024 0.060
TR 0.041
WP 0.114 0.048
Kết quả kiểm định mức độ ảnh hưởng của giả thuyết cho thấy, có 11 giả thuyết có mức độ ảnh hưởng nhỏ trong mô hình, và 1 giả thuyết có mức độ ảnh hưởng trung bình. Trong đó giả thuyết Cảm nhận rủi ro tác động tới hành vi mua sắm trực tuyến có mức độ ảnh hưởng lớn nhất với f2 = 0,286. Mức độ ảnh hưởng thấp nhất là Ảnh hưởng xã hội tác động tới Hành vi mua sắm trực tuyến với f2 = 0,024.
Kiểm định độ ước lượng chính xác (Q2)
Kiểm định Q2, được phát triển bởi Geisser (1975) và Stone (1974), được sử dụng để đánh giá độ ước ượng chính xác của mô hình. Thống kê Q2 này có thể được sử dụng như một đánh giá bổ sung về sự phù hợp của mô hình trong phân tích PLS (Vinzi, 2010). Theo Chin, 2018, Các mô hình có Q2 lớn hơn 0 được coi là có mức độ phù hợp dự đoán. Các mô hình có giá trị Q2 càng lớn được coi là có mức độ phù hợp dự đoán càng nhiều.
Theo quy luật chung, các giá trị Q2 cao hơn 0,00 0,25 và 0,50 mô tả mức độ ước lượng nhỏ, trung bình và lớn của mô hình đường dẫn PLS
Bảng 3.23. Kiểm định độ ước lượng chính xác
Q2
OSB 0.469
PR 0.630
Kết quả kiểm định độ ước lượng chính xác cho thấy biến “Hành vi mua sắm trực tuyến (OSB)” có mức độ ước lượng trung bình tương ứng với Q2 = 0,469, và “Cảm nhận rủi ro (PR) “có hệ số Q2 = 0,63 thể hiện mức độ ước lượng cao.
Kiểm định bootstrapping
Bootstrapping là một thủ tục phi tham số làm tăng mức độ kết luận có thể được rút ra từ phân phối mẫu (Henseler và cộng sự, 2016). Nó được định nghĩa là quá trình
lấy lại mẫu ngẫu nhiên với sự thay thế từ mẫu hiện có và ước tính ảnh hưởng gián tiếp trong mỗi lần lấy lại mẫu bootstrap (Preacher và Hayes, 2008). Ngoài ra, nó không giả định tính chuẩn mực của một tập dữ liệu mà đánh giá mức độ chính xác hoặc xác suất mà các ước tính phân phối mẫu đại diện cho dân số thực (Preacher và Hayes, 2008)
Hơn nữa, Henseler và cộng sự (2016) khuyến nghị sử dụng 4.999 lần lặp bootstraping vì nó gần đến vô cùng và hợp lý về thời gian tính toán.
Bảng 3.24. Kết quả Bootstrapping mô hình cấu trúc
Original Sample (O) Sample Mean (M) Standard Deviation (STDEV) P Values DR -> PR 0.115 0.116 0.036 0.001 FIR -> PR 0.239 0.239 0.035 0.000 FUR -> PR 0.170 0.170 0.034 0.000 PPR -> PR 0.190 0.190 0.033 0.000 PR -> OSB -0.449 -0.446 0.060 0.000 RR -> OSB -0.199 -0.200 0.042 0.000 RR -> PR 0.157 0.155 0.038 0.000 SI -> OSB -0.111 -0.112 0.038 0.004 SI -> PR 0.159 0.161 0.039 0.000 TR -> PR 0.147 0.149 0.040 0.000 WP -> OSB -0.244 -0.245 0.038 0.000 WP -> PR 0.149 0.149 0.035 0.000