Thang đo được kế thừa từ Lee và cộng sự (2016) và bổ sung thang đo PI4 từ Kim và Han (2014). Sau khi thực hiện nghiên cứu định tính, thang đo được sử dụng trong nghiên cứu định lượng được thể hiện trong Bảng 3.6.
3.3. Nghiên cứu định lượng
3.3.1. Mẫu nghiên cứu
Đơn vị chọn mẫu: đối tượng là người đã xem video quảng cáo trực tuyến
trên nền tảng Youtube hoặc Facebook trong một tháng qua.
Phạm vi mẫu: đối tượng là người xem video quảng cáo trong vòng 1 tháng
tại thành phố Hồ Chí Minh
Kích thước mẫu:
Kích thước mẫu dựa vào phương pháp phân tích, trong nghiên cứu này tác giả sử dụng phương pháp phân tích EFA và mơ hình cấu trúc tuyến tính (Structural equation modeling - SEM).
Trong EFA, kích thước mẫu dựa vào kích thước tối thiểu và số lượng biến đo lường đưa vào phân tích. Theo Hoelter (1983) cho rằng kích thước mẫu tới hạn phải là 200. Theo Hair và cộng sự (2006) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỉ lệ quan sát/biến đo lường là 5/1. Tức là kích thước mẫu n = số biến đưa vào phân tích nhân 5, hay nói cách khác cứ mỗi biến đo lường cần tối thiểu 5 biến quan sát. Tuy nhiên, kích thước mẫu bao nhiêu là phù hợp thì hiện nay chưa được xác định rõ ràng. Theo nghiên cứu hiện tại của tác giả, có tất cả 36 biến đo lường vì vậy kích thước mẫu tối thiểu phải là 140 mẫu (28*5).
Nghiên cứu sử dụng mơ hình cấu trúc tuyến tính SEM để phân tích. Các nhà nghiên cứu trong lãnh vực này đều đồng ý là phương pháp này địi hỏi kích thước
Mã hóa Nội dung
Đối với sản phẩm/dịch vụ được quảng cáo trong Video:
PI1 Tôi sẽ dùng thử
PI2 Tơi có khả năng sẽ mua PI3 Tơi xem xét về việc sẽ mua PI4 Tôi dự định sẽ mua
mẫu lớn (Raykov và Widaman, 1995), tuy nhiên bao nhiêu là lớn thì vẫn chưa được xác định rõ ràng. Theo Hair và cộng sự (1998) khi sử dụng phương pháp ước lượng (Maximum likelihood – ML) thì kích thước mẫu tối thiểu phải từ 100 đến 150, theo Hoelter (1983) thì kích thước mẫu tới hạn là 200.
Do đó, trong nghiên cứu này, để tăng mức độ tin cậy của các ước lượng và kiểm định tác giả sẽ lấy cỡ mẫu cho nghiên cứu định lượng chính thức là 300 mẫu, chia đều cho mỗi nền tảng nghiên cứu là 150 mẫu cho Youtube và 150 mẫu cho Facebook.
3.3.2. Phương pháp thu thập dữ liệu
Nghiên cứu định lượng được thực hiện bằng phương pháp khảo sát bằng bảng câu hỏi (Phụ lục 4) và phân tích bằng phần mền SPSS và AMOS. Phương pháp thuận tiện được sử dụng việc thu thập dữ liệu do vấn đề thời gian và kinh phí hạn chế. Đối tượng phỏng vấn trong nghiên cứu này là học viên tại các trường đại học và gửi qua bạn bè của tác giả. Tuy nhiên, đối tượng trả lời là những người đã xem video quảng cáo trong 1 tháng vừa qua trên nền tảng Youtube hoặc Facebook để đảm bảo mức độ tin cậy của nghiên cứu.
Quá trình thu thập dữ liệu bằng các cách sau: (1) gửi bảng câu hỏi online (được thiết kế bằng Google form) cho bạn bè qua Facebook, gửi qua các nhóm trên Zalo (học viên cao học cùng khóa). (2) Nhờ bạn bè gửi bảng câu hỏi qua những người khác. (3) Phỏng vấn trực tiếp tại các trường đại học (cơ sở A và cơ sở E của trường đại học Kinh tế thành phố Hồ Chí Minh, trường đại học Tài chính - Marketing).
3.3.3. Phân tích và xử lý số liệu 3.3.3.1. Làm sạch số liệu 3.3.3.1. Làm sạch số liệu
Kiểm tra tính logic của các bảng khảo sát thu được bằng phương pháp trực quan, lượt bỏ những bảng kém chất lượng như:
(1) Lượt bỏ những bảng đánh trả lời toàn bộ bằng 1 hoặc 2 số liên tục (ví dụ: tồn bộ điểm là mức 5 hoặc mức 5 và mức 4)
(2) Bảng bị thiếu nhiều câu trả lời
(3) Bảng không ghi rõ ràng hoặc nhiều hơn một tên sản phẩm/dịch vụ đã xem quảng cáo
(4) Những bảng đánh trả lời song song 2 nền tảng đã xem quảng cáo (cùng đánh vào ô Youtube và Facebook).
Cuối cùng, làm sạch số liệu bằng SPSS bằng phương pháp dùng bảng tần số lý các câu hỏi bị thiếu và kiểm tra các giá trị ngoại lai trước khi tiến hành các phân tích kiểm định khác. Sau đó sẽ kiểm tra đối chiếu với bảng khảo sát (giấy hoặc online), nếu do sai sót trong q trình nhập liệu sẽ tiến hành sửa chữa. Nếu phát hiện câu trả lời bị thiếu hoặc giá trị ngoại lai sẽ ưu tiên làm bổ sung.
3.3.3.2. Phân tích độ tin cậy Cronbach Alpha
Là một phương pháp phân tích cho phép loại bỏ những thang đo khơng phù hợp trong các khái niệm nghiên cứu và đánh giá mức độ tin cậy của thang đo cho các khái niệm đó. Độ tin cậy của các thang đo được đánh giá thông qua hệ số Cronbach’s Alpha (CA) và hệ số tương quan biến – tổng. Hệ số tương quan biến – tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao, sự tương quan của biến với các biến khác trong nhóm càng cao.
Theo nghiên cứu hiện tại của tác giả các tham số dùng để phân tích và kiểm định thang đo như sau: tiêu chuẩn chọn thang đo khi Cronbach’s Alpha từ 0.6 trở lên, các biến quan sát có hệ số tương quan biến – tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại (Nunnally và Burnstein, 1994).
3.3.3.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (Exploratory factor analysis – EFA) là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn đảm bảo chứa đựng hầu hết nội dung thông tin của tập biến ban đầu.
Trong nghiên cứu ngày, tác giả sử dụng phương pháp phân tích nhân tố EFA với phương pháp trích Principal Axis Factoring với phép xoay Promax nhằm phản ánh cấu trúc dữ liệu tốt hơn (Nguyễn Đình Thọ, 2013). Tiếp đến, tác giả sử dụng các tham số dùng để phân tích và kiểm định sau đây. Trị số Kaiser – Meyer – Olkin (KMO) là trị số được dùng để xem xét sự thích hợp của phân tích nhân tố, trong đó KMO có giá trị trong khoảng từ 0.5 đến 1 thì phân tích này là thích hợp (thể hiện phần chung của các biến lớn), nếu nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu; Cùng với trị số KMO, kiểm định Bartlett phải có Sig < 0.05 (thể hiện các biến độc lập có quan hệ với nhau). Thang đo được chấp nhận khi tổng phương sai trích được bằng hoặc lớn hơn 50% (Gerbing and Anderson, 1988) và sử dụng điểm dừng Eigenvalues = 1 để trích số lượng nhân tố. Tiếp theo, điều kiện để các biến đo lường có thể đo tốt nhân tốt là hệ số tải nhân tố phải lớn hơn 0.5 (Hair et al., 2006) và chênh lệch giữa các hệ số tải nhân tố trong mỗi biến không nhỏ hơn 0.3 (Jabnoun and Al-Tamimi, 2003).
3.3.3.4. Phân tích nhân tố khẳng định CFA
Phương pháp phân tích nhân tố khẳng định (Confirmatory Factor Analysis - CFA) có nhiều ưu điểm hơn phương pháp phân tích truyền thống như phân tích hệ số tương quan, phân tích nhân tố khám phá EFA. Bởi vì, CFA cho ta khả năng kiểm tra cấu trúc đo lường của các khái niệm, đồng thời đo lường mối quan hệ giữa các khái niệm với nhau mà không bị chệch do sai số đo lường (Steenkamp và Van Trijp, 1991).
Để đo lường mức độ phù hợp của mơ hình với thơng tin thị trường, tác giả sử dụng các chỉ tiêu kiểm định Chi-bình phương có giá trị p > 0,05. Chi-bình phương điều chỉnh theo bậc tự do (χ2/df) khơng lớn hơn 2, một số trường hợp có thể khơng lớn hơn 3 (McIver và Carmines, 1981). Đồng thời, chỉ số thích hợp so sánh Comparatrive Fit Index (CFI) và chỉ số Tucker and Lewis Index (TLI) không nhỏ hơn 0.92, cũng như chỉ số Root Mean Square Error Approximation (RMSEA) không lớn hơn 0.08, nếu nhỏ hơn hoặc bằng 0.05 được xem là rất tốt tương ứng với số lượng mẫu lớn hơn 250 và số lượng thang đo nhỏ hơn 30 – tương ứng với nghiên
cứu hiện tại (Hair và cộng sự, 2010). Ngoài ra, để cải thiện độ phù hợp của mơ hình thì có thể dựa vào các chỉ tiêu Modification Indices (MI) trong ma trận hiệp phương sai (Covariances/Modification Indices). Vì mơ hình nào có chi-bình phương càng nhỏ càng tốt nên căn cứ vào ma trận hiệp phương sai và cột MI, dịng nào có tương quan lớn nhất thì phân tích hiệp phương sai giữa chúng (nối mũi tên hai đầu vào sai số) rồi chạy lại mơ hình. Từ đó, chi-bình phương giảm đúng một lượng tương quan trong cột MI so với chi-bình phương ban đầu, đồng thời các giá trị TLI, CFI, RMSEA cũng được cải thiện.
Mặt khác, thang đo của một khái niệm được xem là có thể sử dụng trong nghiên cứu khoa học khi đạt độ tin cậy (reliability), tính đơn hướng (unidimensionality), và giá trị (Nguyễn Đình Thọ, 2013). Trong đó,
(1) Độ tin cậy được đánh giá bằng hệ số tin cậy tổng hợp (composite reliability - CR) lớn hơn 0.7 (Hair và cộng sự, 2010).
(2) Tính đơn hướng (unidimensionality). (3) Có giá trị (validity), bao gồm:
(i) Giá trị hội tụ (convergent validity) khi các trọng số chuẩn hóa đều lớn hơn 0.5 và có ý nghĩa thống kê p < 0.05 (Gerbing & Anderson, 1988) và trung bình phương sai trích được (average variance extracted - AVE) khơng nhỏ hơn 0.5 (Hair và cộng sự, 2010).
(ii) Giá trị phân biệt (discriminant) khi căn bậc hai AVE của khái niệm nghiên cứu lớn hơn tương quan của nó với các khái niệm khác (Hair và cộng sự, 2010).
Ngoài ra, (4) giá trị liên hệ lý thuyết (nomoligical validity) được đánh giá trong mơ hình lý thuyết (Gerbing & Anderson, 1988), cũng là giá trị cần xem xét khi đánh giá giá trị của thang đo.
3.3.3.5. Kiểm định mơ hình lý thuyết
Trong kiểm định giả thuyết và mơ hình nghiên cứu, mơ hình cấu trúc tuyến tính cũng có lợi thế hơn các phương pháp truyền thống như: hồi qui đa biến vì nó có thể tính được sai số đo lường. Khi kiểm định mối quan hệ nhân quả giữa các khái
niệm trong mơ hình cấu trúc, mức độ phù hợp của mơ hình sẽ đánh giá như các tham số ở kiểm định CFA cũng như cách cải thiện độ phù hợp của mơ hình. Và giả thuyết nghiên cứu sẽ dựa vào trọng số chuẩn hóa và chưa chuẩn hóa của các tham số được ước lượng và mức ý nghĩa thống kê lần lượt là 5% và 10% (tương ứng với độ tin cậy là 95% và 90%) để đánh giá chấp nhận hay từ chối giả thuyết cũng như đánh giá mối quan hệ là tích cực hay tiêu cực và các mối quan hệ là mạnh hay yếu.
3.3.3.6. Phương pháp Bootstrap
Để kiểm định tính tin cậy và xác đáng của các ước lượng, tác giả sử dụng phương pháp Bootstrap. Nghiên cứu này sử dụng phương pháp Bootstrap bằng việc lấy mẫu trùng lập với số lần lấy mẫu từ mẫu ban đầu (N) là BT=1.000 lần theo Pattengale và cộng sự (2010) và Kline (2005). Từ đó, khi giá trị trung bình từ kết quả Bootstrap có xu hướng tương đồng với ước lượng của tổng thế bằng phương pháp ML hoặc khơng có sự chênh lệch q nhiều thì có thể kết luận rằng các ước lượng ML đang được sử dụng trong mơ hình nghiên cứu có thể tin cậy. Sự chênh lệch dựa vào độ chệch (bias) của ước lượng trong kết quả Bootstrap và sai lệch chuẩn có giá trị dao động nhỏ và ổn định.
3.3.3.7. Phân tích đa nhóm
Phương pháp phân tích đa nhóm dùng để kiểm định sự khác biệt của mơ hình nghiên cứu giữa hai nền tảng nghiên cứu khác nhau là: cộng đồng thông tin (Youtube) và mạng xã hội (Facebook). Trong nghiên cứu này, phương pháp phân tích đa nhóm bao gồm khả biến và bất biến từng phần. Trong mơ hình khả biến, các tham số ước lượng trong từng mơ hình của các nhóm khơng bị ràng buộc. Trong mơ hình bất biến từng phần thì thành phần đo lường (biến quan sát) và các mối quan hệ giữa các khái niệm trong mơ hình lý thuyết khơng bị rằng buộc, nhưng mối quan hệ đang xem xét (mối quan hệ đang được kiểm định là có sự khác biệt giữa các nhóm hay khơng?) bị rằng buộc có giá trị như nhau. Trong đó, phương pháp ước lượng ML được sử dụng. Kiểm định khác biệt chi-bình phương được dùng để kiểm định sự khác biệt giữa hai mơ hình (khả biến và bất biến từng phần), nếu kiểm định p >
5% thì mơ hình bất biến từng phần được chọn (có bậc tự do cao hơn), nếu p < 5% thì mơ hình khả biến được chọn (có độ tương thích cao hơn).
TĨM TẮT CHƯƠNG 3
Chương này trình bày quy trình thực hiện nghiên cứu. Cụ thể, tác giả trình bày các thang đo khái niệm nghiên cứu. Phương pháp thực hiện nghiên cứu định tính và kết quả nghiên cứu định tính là thang đo nghiên cứu và bảng câu hỏi chính thức.
Cuối cùng, tác giả trình bày quy trình thu thập dữ liệu trong nghiên cứu định lượng chính thức. Cũng như trình bày lý thuyết về các phương pháp pháp thống kê như: kiểm định độ tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá EFA, phân tích nhân tố khẳng định CFA và mơ hình cấu trúc tuyến tính SEM cũng như phương pháp Bootstrap và phân tích đa nhóm. Chương này cũng trình bày các ngưỡng giới hạn thống kê được sử dụng trong nghiên cứu cho từng loại kiểm định và phân tích.