CHƯƠNG 3 PHƯƠNG PHÁP VÀ THIẾT KẾ NGHIÊN CỨU
3.4.Phương pháp phân tích và xử lý số liệu
Trong nghiên cứu này, phần mềm Smart-PLS (PLS-SEM) được sử dụng để phân tích dữ liệu nghiên cứu. Theo thống kê của MIS Quarterly, số lượng bài báo sử dụng PLS-SEM được đăng trên Journal xếp thứ hạng cao thuộc ngành Marketing, Quản trị chiến lược tăng rất nhanh kể từ năm 2010 (Hair và cộng sự, 2017; và Astrachan, Patel và Wanzenried, 2014). Phần mềm PLS-SEM là thế hệ thứ hai của công cụ phân tích dữ liệu đa biến và được sử dụng khi mục tiêu nghiên cứu là phát triển lý thuyết (Hair và cộng sự, 2017) và dự đoán các mối quan hệ phức tạp (Astrachan, Patel và Wanzenried, 2014). Đặc biệt, PLS-SEM cung cấp kết quả có giá trị thống kê cao đối với lượng mẫu lớn; đồng thời, cũng có thể cho kết quả chính xác đối với lượng mẫu nhỏ (Hair và cộng sự, 2017).
Luận án này có mục tiêu là nghiên cứu tác động của phương thức xử lý khủng hoảng thương hiệu tới người tiêu dùng dựa trên lý thuyết SCCT và lý thuyết phản hồi có nhận thức. Các giả thuyết nghiên cứu được thiết lập nhằm xem xét mối quan hệ giữa các phương thức phản ứng và các biến hành vi người tiêu dùng. Hơn nữa, số lượng người tham gia và nghiên cứu tương đối lớn (485 người). Vì vậy, SmartPLS được cho là phù hợp và là công cụ mới để phân tích số liệu thu thập được.
Bên cạnh đó, luận án sử dụng các tình huống nghiên cứu khác nhau, vì vậy, để kiểm định việc kiểm soát sự khác biệt giữa các tình huống trong nhận thức của người tiêu dùng, nghiên cứu sinh quyết đinh sử dụng paired-T-test để kiểm định. Đây là lý do nghiên cứu sinh sử dụng phần mềm SPSS trong quá trình kiểm định tính khác biệt trong nhận thức người tiêu dùng trong các tình huống khác nhau (manipulation check).
102
Phương pháp xử lý số liệu được triển khai theo các bước trong hình sau:
Hình 3.2. Quá trình xử lý số liệu
Bước 1: Kiểm định sự tin cậy của thang đo (Reliability)
Hệ số kiểm định Cronbach’s Alpha là phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Theo quy ước, một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt phải có hệ số α ≥ 0,8. Nhiều nhà nghiên cứu đồng ý với điều kiện 0,8 ≤ α < 1 là thang đo tốt, 0,7 ≤ α ≤ 0,8 là có thể chấp nhận được (Nunally và Burstein, 1994). Tuy nhiên, theo Hair và cộng sự (2014), chỉ số α cần > 0.6 đồng thời hệ số tương quan biến tổng > 0.3 thì có thể xác định thang đo có độ tin cậy phù hợp cho những bước tiếp theo
Bước 2: Kiểm định tính hội tụ (Convergent Validity)
Giá trị hội tụ có nghĩa là các biến trong một yếu tố có mối tương quan cao. Bằng SmartPLS, tính hội tụ được xác định khi các biến trong từng nhân tố có hệ số tải >0.5 và phương sai giải thích AVE >0.5 (>50%) (Hair và cộng sự, 2010)
Bước 3: Kiểm định tính phân biệt (Discriminant Validity)
Giá trị phân biệt là mức độ mà các yếu tố khác biệt với nhau và không tương quan với nhau. Theo Hair và cộng sự (2010), nguyên tắc là các biến phải liên quan
Bước
1 • Kiểm định sự tin cậy của thang đo (Reliability) Bước
2 • Kiểm định tính hội tụ (Convergent Validity) Bước
3 • Kiểm định tính phân biệt (Discriminat Validity) Bước
4 • Kiểm định sự khác biệt (Manipulation check) Bước
5 • Kiểm định hiện tượng đa cộng tuyến (VIF) Bước
6 • Kiểm định tính phù hợp của mô hình (Model fit) Bước
103
nhiều hơn tới yếu tố của chúng so với các yếu tố khác. Trong SmartPLS, độ phân biệt được xác định qua kết quả căn bậc hai của AVE. Nếu căn bậc hai của AVE (Square Root of AVE) lớn hơn hệ số tương quan của từng cặp biến thì bước kiểm định này đạt tiêu chuẩn và phù hợp để tiến hành các bước tiếp theo.
Bước 3: Kiểm định sự khác biệt – thay đổi (Manipulation Check)
Đây là một bước quan trọng để xác định hiệu quả về mặt thao tác trong nghiên cứu thí nghiệm. Các nhà nghiên cứu kiểm tra thí nghiệm của mình để đảm bảo người tham gia nhận thức và hiểu đúng tình huống được thiết kế để đảm bảo đưa ra kết luận chính xác về mối quan hệ (Daumiller và Janke, 2020). Trong nghiên cứu này, sáu phương thức xử lý tương ứng với hai trường hợp khủng hoảng được sử dụng trong nghiên cứu thí nghiệm. Vì vậy, Mean, SD và pair-test được sử dụng để kiểm chứng có sự khác biệt trong nhận thức và thái độ người tiêu dùng trong các trường hợp.
Bước 5: Kiểm tra hiện tượng đa cộng tuyến (VIF)
Đa cộng tuyến là hiện tượng mà các biến độc lập có mối tương quan mạnh với nhau. Nếu mô hình hồi quy xảy ra hiện tượng đa cộng tuyến thì khiến nhiều chỉ số bị sai lệch, dẫn đến kết quả của phân tích định lượng không còn nhiều ý nghĩa. Nói cách khác, hiện tượng đa cộng tuyến vi phạm giả định của mô hình hồi quy là các biến độc lập không có mối quan hệ tuyến tính với nhau. Có hai cách để phát hiện ra hiện tượng này, một là dựa vào hệ số phóng đại phương sai VIF (Variance Inflation Factor) hoặc dựa vào ma trận hệ số tương quan. Trong luận án này, hệ số phóng đại phương sai VIF sẽ được sử dụng để kiểm tra hiện tượng đa cộng tuyến.
Theo Hair và cộng sự (2010), nếu hệ số VIF<2 thì không có mối tương quan giữa biến độc lập này và bất kỳ biến nào khác. 2<VIF<5 được cho là độ tương quan vừa phải và không cần phải khắc phục VIF, nếu VIF>10 thì chắc chắc có đa cộng tuyến.
Bước 6: Kiểm định độ phù hợp của mô hình (Model fit)
Sự phù hợp của mô hình được xác định bởi sự tương ứng giữa ma trận hiệp phương sai giữa các biến đo lường trong mô hình. Trong SmartPLS, theo Hair
104
(2010), chỉ số SRMR được sử dụng để kiểm định tính phù hợp của mô hình, chỉ số này chỉ ra sự khác biệt giữa phần số liệu và phần mô hình dự đoán. Theo đó, chỉ số này dao động từ 0 tới 1 (Henserler và Schuberth, 2020).
Bước 7: Kiểm định giả thuyết bằng mô hình tuyến tính PLS-SEM (adsbygoogle = window.adsbygoogle || []).push({});
Kết quả phân tích mô hình SEM được chạy trong phần mềm SmartPLS, giả thuyết nhân quả được chứng minh dựa trên hệ số beta và giá trị p-value. Trong khi, giả thuyết so sánh được chứng minh thông qua sự so sánh giữa các hệ số beta trong mô hình hồi quy.
105
CHƯƠNG 4.
KẾT QUẢ NGHIÊN CỨU VỀ ẢNH HƯỞNG CỦA PHƯƠNG THỨC XỬ LÝ KHỦNG HOẢNG THƯƠNG HIỆU TRONG NGÀNH SẢN XUẤT THỰC
PHẨM TIÊU DÙNG NHANH 4.1. Thống kê mô tả
Sau khi thu thập và nhập dữ liệu, bảng 4.1 sau đây tóm tắt về phân loại mẫu được điều tra trong nghiên cứu này.
Bảng 4.1. Phân loại mẫu điều tra
Nhóm Thành phần Tần suất Giới tính Nam 268 (55.3%) Nữ 217 (44.7%) Độ tuổi 18-30 485 (100%) Thu nhập <7 triệu 344 (70%) 7-15 triệu 103 (21.2%) >15 triệu 38 (8.8%)
Trong tổng số 520 phiếu được phát đi, có 485 phiếu hợp lệ được thu về. Để đảm bảo tính tin cậy cho các câu trả lời và hạn chế lỗi phát sinh trong quá trình thí nghiệm, luận án sử dụng phương pháp thí nghiệm và thu thập số liệu bằng bảng hỏi trực tiếp thay vì điều tra trực tuyến. Đối tượng nghiên cứu trong luận án được tập trung vào độ tuổi 18-30 do đây là độ tuổi có tần suất sử dụng thực phẩm tiêu dùng nhanh lớn và là thị trường mục tiêu của các ngành hàng. Ở độ tuổi này, người tiêu dùng là sinh viên và người mới đi làm, do đó, phần lớn thu nhập của người tiêu dùng được xếp vào mức thu nhập thấp và trung bình tại Việt Nam.
4.2. Đánh giá sơ bộ thang đo
4.2.1. Kiểm định sự tin cậy của thang đo
Thông thường, trong SPSS, độ tin cậy chỉ dựa vào hệ số Cronbach Alpha, tuy nhiên trong AMOS và PLS-SEM còn sử dụng thêm một khái niệm nữa để
106
khẳng định độ tin cậy của thang đo, đó là độ tin cậy tổng hợp – Composite Reliability.
Hệ số Cronbach Alpha nói lên tính nhất quán nội tại của thang đo, tuy nhiên, hạn chế của hệ số này là đánh giá thấp độ nhất quán nội tại. Hệ số tin cậy Cronhach’s Alpha chỉ cho biết các đo lường có liên kết với nhau và chỉ rõ biến quan sát nào cần bỏ đi và được giữ lại. Từ đó, việc tính toán hệ số tương quan giữa biến – tổng sẽ giúp loại ra những biến quan sát không đóng góp nhiều.
Theo Hair và cộng sự (2018) và Nunally và Burstein (1994), nếu hệ số Alpha >0.6 đồng thời không có biến đo lường nào có hệ số tương quan biến tổng <0.3.
Đối với độ tin cậy tổng hợp, các nhân tố có độ tin cậy tổng hợp >0.7 (Hair và cộng sự, 2010) thì thang đo của các nhân tố được sử dụng trong mô hình đạt tính tin cậy cần thiết. Bảng 4.2 trình bày kết quả của kiểm định sự tin cậy của thang đo.
Bảng 4.2. Kiểm định độ tin cậy của thang đo
Trường hợp Nhân tố Hệ số Cronbach’s Alpha Độ tin cậy tổng hợp (Composite Reliability) Loại khủng hoảng Phương thức xử lý khủng hoảng thương hiệu Khủng hoảng liên quan tới sản phẩm
Từ chối ATT 0.858 0.903
BI 0.881 0.944
WOM 0.859 0.914
Biện minh ATT 0.917 0.941
BI 0.908 0.956
WOM 0.915 0.946
Cải tiến ATT 0.908 0.935
BI 0.905 0.955
WOM 0.908 0.943
Khủng hoảng liên quan tới giá trị
Từ chối ATT 0.901 0.931 (adsbygoogle = window.adsbygoogle || []).push({});
BI 0.899 0.952
WOM 0.924 0.952
Biện minh ATT 0.928 0.948
BI 0.898 0.952
WOM 0.917 0.948
Cải tiến ATT 0.916 0.941
BI 0.909 0.956
WOM 0.919 0.949
107
Kết quả kiểm định độ tin cậy bằng hệ số Cronbach’s Alpha cho thấy các thành phần của thang đo được trình bày trong Bảng 4.5. Kết quả kiểm định các thành phần của thang đo đều có hệ số Cronbach Alpha > 0.6 và không có biến đo lường nào có tương quan <0.3. Bên cạnh đó, độ tin cậy tổng hợp của các biến đo lường đều >0.7. Vì vậy, theo Hair và cộng sự (2010), các thang đo đạt yêu cầu về độ tin cậy và tiếp tục được kiểm định ở các bước tiếp theo.
4.2.2. Kiểm định giá trị hội tụ
Để kiểm định độ hội tụ của thang đo, nghiên cứu này sử dụng hai điều kiện bao gồm hệ số tải và phương sai trích (hay còn gọi là phương sai giải thích – AVE). Về hệ số tải, hệ số tải của từng nhân tố phải >= 0.5 để đạt giá trị hội tụ (Hair và cộng sự, 2010). Về phương sai trích, nếu kết quả AVE>0.5 thì có thể kết luận thang đo đạt chuẩn và được chấp nhận. Các thang đo đạt yêu cầu về giá trị hội tụ khi hai điều kiện này thoả mãn.
Bảng 4.3 trình bày kết quả phân tích của kiểm định giá trị hội tụ của thang đo.
Bảng 4.3. Kiểm định giá trị hội tụ
Trường hợp Nhân tố Hệ số phương sai trích Average Variance Extracted (AVE) Loại KHTH Phương thức xử lý KHTH
Khủng hoảng liên quan tới sản phẩm
Từ chối ATT 0.700
BI 0.893
WOM 0.780
Biện minh ATT 0.800
BI 0.916
WOM 0.855
Cải tiến ATT 0.783
BI 0.913
WOM 0.845 Khủng hoảng liên quan
tới giá trị Từ chối ATT BI 0.771 0.908
WOM 0.868
Biện minh ATT 0.822
BI 0.908
WOM 0.858 (adsbygoogle = window.adsbygoogle || []).push({});
Cải tiến ATT 0.800
BI 0.917
WOM 0.861
108
Kết quả phân tích cho thấy, từng nhân tố đều có hệ số tải >0.5 (Phụ lục) và hệ số phương sai trích đều > 0.5 chỉ ra các nhân tố đạt giá trị hội tụ. Việc đưa các nhân tố vào bước phân tích tiếp theo là phù hợp. Phần tiếp theo sẽ trình bày về kết quả kiểm định độ giá trị phân biệt của các nhân tố.
4.2.3 Kiểm định độ giá trị phân biệt (Discriminant Validity)
Để tiếp tục phân tích độ phân biệt, nghiên cứu tiến hành so sánh mối quan hệ giữa các nhân tố với phương sai trích AVE. Theo Hair và cộng sự (2018), độ giá trị phân biệt khi căn bậc hai của phương sai trích (AVE) lớn hơn hệ số tương quan giữa các nhân tố.
Bảng 4.4 trình bày kết quả kiểm định độ giá trị phân biệt của các nhân tố của nghiên cứu này
Bảng 4.4. Kết quả kiểm định độ giá trị phân biệt
Trường hợp Kết quả kiểm định Loại KHTH
Phương thức xử lý khủng hoảng
thương hiệu
ATT IB WOM Khủng hoảng liên quan
tới sản phẩm
Từ chối ATT 0.837
BI 0.682 0.945
WOM 0.695 0.687 0.883
Biện minh ATT 0.894
BI 0.799 0.957
WOM 0.801 0.755 0.925
Cải tiến ATT 0.885
BI 0.812 0.956
WOM 0.798 0.794 0.919
Khủng hoảng liên quan tới giá trị
Từ chối ATT 0.878
BI 0.773 0.953
WOM 0.812 0.753 0.932
Biện minh ATT 0.906
BI 0.789 0.953
WOM 0.834 0.783 0.926 (adsbygoogle = window.adsbygoogle || []).push({});
Cải tiến ATT 0.894
BI 0.769 0.957
WOM 0.795 0.785 0.928
109
Kết quả phân tích cho thấy căn bậc hai AVE của mỗi nhân tố đều lớn hơn hệ số tương quan giữa các nhân tố khác. Nói cách khác, hệ số tải nhân tố của từng chỉ bảo đều lớn nhất trong ma trận hệ số tương quan chéo. Do đó, các nhân tố đều đạt giá trị phân biệt và phù hợp để đưa vào các bước phân tích tiếp theo.
Ngoài ra, kiểm định hiện tượng đa cộng tuyến đều cho giá trị VIF < 5 với giá trị lớn nhất là 4.327, vì vậy, theo Hair và cộng sự (2018), các nhân tố có dấu hiệu đa cộng tuyến.
4.3. So sánh sự khác nhau giữa các kịch bản
Trong trường hợp khủng hoảng thương hiệu hoạt động, Kết quả so sánh về thái độ chỉ ra có khác biệt về thái độ người tiêu dùng giữa các kịch bản. Trong đó, ATT1 có xu hướng thấp hơn so với ATT2 và ATT3. ATT2 thấp hơn ATT3. WOM1 và WOM2 không có sự khác biệt (p-value 0.401 >0.05) WOM1 thấp hơn WOM3; WOM2 thấp hơn WOM3. BI1 và BI2 không có sự khác biệt (p-value 0.404 >0.05) BI1 thấp hơn BI3; BI2 thấp hơn BI3
Bảng 4.5. Kết quả so sánh Paired Differences t Sig. (2- tailed) Mean Std. Deviation
Pair 1 ATT1 - ATT2 -.11029 1.11436 -1.999 .046
Pair 2 ATT1 - ATT3 -.95343 1.35101 -14.255 .000
Pair 3 ATT2 - ATT3 -.84314 1.34334 -12.678 .000
Pair 4 WOM1 - WOM2 -.04493 1.08039 -.840 .401 Pair 5 WOM1 - WOM3 -.79984 1.34372 -12.023 .000 Pair 6 WOM2 - WOM3 -.75490 1.40175 -10.878 .000
Pair 7 BI1 - BI2 -.05147 1.24456 -.835 .404
Pair 8 BI1 - BI3 -.86642 1.50263 -11.647 .000
Pair 9 BI2 - BI3 -.81495 1.44793 -11.369 .000
Đối với trường hợp khủng hoảng thương hiệu liên quan tới giá trị, Với giá trị p-value của kiểm định Paired test giữa các kịch bản đều nhỏ hơn 0.05 nên có sự khác nhau giữa các kịch bản ở ATT, WOM, và BI.
110
Bảng 4.6. Kết quả so sánh
Mean Std. Deviation t Sig. (2-tailed)
Pair 1 ATT1 - ATT2 -.32169 1.03749 -6.263 .000
Pair 2 ATT1 - ATT3 -1.30453 1.50590 -17.498 .000
Pair 3 ATT2 - ATT3 -.98284 1.18473 -16.757 .000
Pair 4 WOM1 - WOM2 -.29575 1.09360 -5.463 .000
Pair 5 WOM1 - WOM3 -1.28268 1.52749 -16.962 .000
Pair 6 WOM2 - WOM3 -.98693 1.27786 -15.600 .000
Pair 7 BI1 - BI2 -.21078 1.07675 -3.954 .000
Pair 8 BI1 - BI3 -1.13848 1.58690 -14.491 .000
Pair 9 BI2 - BI3 -.92770 1.32414 -14.151 .000 (adsbygoogle = window.adsbygoogle || []).push({});
4.4. Kiểm định mô hình tuyến tính PLS-SEM
4.4.1. Sự phù hợp của mô hình (Model fit)
Theo Hair và cộng sự (2010), sự phù hợp của mô hình sẽ phản ánh về mức độ giải thích các mối tương quan trong mô hình được đề xuất với dữ liệu thu thập được. Các chỉ số sử dụng để đo độ phù hợp của mô hình trong SEM như Chi- square/df (cmin/df), χ2 / df hay SRMR (standardized root mean square residual). Trong nghiên cứu này, chỉ số SRMR sẽ được sử dụng để kiểm chứng mức độ phù hợp của mô hình. Theo đó, chỉ số sẽ dao động trong khoảng từ 0 tới 1 (Henserler và cộng sự, 2016). Trong trường hợp KHTH liên quan tới giá trị, tại ba phương thức xử lý có chỉ số SRMR lần lượt là 0.66, 0.59 và 0.71. Tiếp đó, trong trường hợp KHTH liên quan tới hoạt động, tại ba phương thức xử lý có chỉ số SRMR lần lượt là 0.53, 0.48 và 0.69. Như vậy, có thể kết luận là mô hình có sự phù hợp tốt.