Kỹ thuật xử lý dữ liệu

CHƯƠNG 3 : THIẾT KẾ NGHIÊN CỨU

3.3. Nghiên cứu định lượng

3.3.3. Kỹ thuật xử lý dữ liệu

3.3.3.1. Thống kê mô tả mẫu dữ liệu

Mô tả mẫu nghiên cứu là phương pháp sử dụng các giá trị lớn nhất, nhỏ nhất,

giá trị trung bình, độ lệch chuẩn, tần suất, tỷ lệ phần trăm để đánh giá tổng thể mẫu nghiên cứu (đối tượng khảo sát) hay phân tích đánh giá khái quát thang đo các nhân tố trong mô hình nghiên cứu.

3.3.3.2. Kiểm định độ tin cậy của thang đo Cronbach’ Alpha

Phương pháp phân tích Cronbach’s Alpha dùng để kiểm định sự tin cậy của các thang đo, từ đó loại đi các biến hoặc thang đo không đạt yêu cầu. Giá trị của hệ số Cronbach’s Alpha biến thiên từ 0 đến 1, được phân thành 3 bậc như sau:

 Từ 0.8 đến bằng 1: Thang đo rất tốt

 Từ 0.7 đến gần bằng 0.8: Thang đo có thể sử dụng được

 Từ 0.6 trở lên: có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới trong bối cảnh nghiên cứu.

(Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008)

Hệ số Cronbach’s Alpha được xem xét cùng với hệ số tương quan biến tổng (item – total correlation) để quyết định loại biến. Khi hệ số tương quan biến – tổng nhỏ hơn 0.3 thì biến sẽ bị loại (Hồng Trọng & Chu Nguyễn Mợng Ngọc, 2008).

 Các chỉ tiêu được sử dụng để đánh giá các thang đơ trong phân tích độ tin cậy thông qua hệ số Cronbach’s Alpha:

(i) Hệ số Cronbach’s Alpha tổng thể của thang đo

Hệ số Cronbach’s Alpha tổng thể của các thang đo cần phải lớn hơn 0,6 (Nunnally và Burnstein, 1994).

(ii) Hệ số tương quan giữa biến so với tổng của các biến quan sát (Corrected Item – Total Correlation)

Hệ số tương quan giữa biến so với tổng của các biến quan sát cần phải lớn hơn 0,3 (Nunnally và Burnstein, 1994).

3.3.3.3. Phân tích nhân tố EFA

Phân tích nhân tố khám phá (Exploratory Factor Analysis) là phương pháp thu nhỏ tập hợp biến quan sát để trở nên có ý nghĩa hơn. Phương pháp này giúp ta đánh giá 2 loại giá trị quan trọng là giá trị hội tụ và giá trị phân biệt.

Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.

 Các chỉ tiêu đánh giá các thang đo trong phân tích EFA:

(i) Tính tích hợp của mơ hình EFA so với dữ liệu thu thập từ thị trường

Hệ số KMO (Kaiser – Meyer – Olkin) được sử dụng để đánh giá tính tích hợp của mơ hình EFA với dữ liệu thu thập từ thị trường.

Hệ số KMO thỏa điều kiện: 0,5 < KMO < 1 thì phân tích nhân tố khám phá được xem là phù hợp với dữ liệu thị trường (Hair và cộng sự, 2006).

(ii) Tính tương quan của các biến quan sát trong thước đo đại diện

Kiểm định Bartlett được sử dụng để đánh giá các biến quan sát có tương quan với nhau trong một thang đo (nhân tố). Khi mức ý nghĩa của kiểm định Bartlett nhỏ hơn 0,05 (Sig < 0,05) thì các biến quan sát có tương quan tuyến tính với nhân tố đại diện (Hair và cộng sự, 2006).

(iii) Trọng số của các biến quan sát

Trọng số của các biến quan sát (Factor Loading) cần phải lớn 0,40 (Gerbing và Anderson, 1988).

(iv) Mức đợ giải thích của các biến quan sát đối với nhân tố

Phương sai trích (% Cumulative Variance) được sử dụng để đánh giá mức đợ giải thích của các biến quan sát đối với nhân tố. Để đạt được mức đợ giải thích thì phương sai trích cần phải lớn hơn 50% và Eigenvalue phải có giá trị lớn hơn 1 (Gerbing và Anderson, 1988).

3.3.3.4. Phân tích nhân tố khẳng định (CFA)

“Phân tích nhân tố khẳng định (Confirmatory Factor Analysis) là một trong các kỹ thuật thống kê của mơ hình cấu trúc tún tính (SEM). CFA cho chúng ta kiểm định các biến quan sát (mesured variables) đại diện cho các nhân tố (constructs) tốt đến mức nào”. (Ng̀n: Bài Giảng “Thực hành mơ hình cấu trúc tún tính (SEM) với phần mềm AMOS - Nguyễn Khánh Duy, Đại học Kinh Tế TP.HCM). CFA là bước tiếp theo của phân tích nhân tố khám phá EFA, chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn kiến thức về cấu trúc tiềm ẩn cơ sở, trong đó mối liên hệ hay giả thiết có được hay thực nghiệm giữa biến quan sát và nhân tố cơ sở thì được nhà nghiên cứu mặc nhiên thừa nhận trước khi kiểm định thống kê. Phương pháp CFA được sử dụng để khẳng định lại tính đơn biến, đa biến của bộ thang đo.

Độ tin cậy tổng hợp (CR) và phương sai rút trích (AVE):

Độ tin cậy tổng hợp (pc) (Joreskog 1971) và tổng phương sai trích (pvc) (Fornell & Larcker 1981) được tính theo cơng thức sau:

Trong đó:

- i: Trọng số chuẩn hóa của biến quan sát thứ i

- (1-i2): Phương sai của sai số đo lường biến quan sát thứ i - p là số biến quan sát của thang đo

Bảng 3.3. Các chỉ tiêu đánh giá mức độ phù hợp của mơ hình cấu trúc

Chỉ sớ u cầu Nguồn

Chi-square điều chỉnh theo bậc tự do (Giá trị CMIN/df ở bảng output khi chạy AMOS)

CMIN/df <3 thì tốt

CMIN/df <5 đơi khi chấp nhận được

Hair et al. (2010)

Root mean squared error of approximation

(RMSEA)

RMSEA < 0.08: phù hợp RMSEA > 0.1: ít phù hợp

Byrne, (2001)

Goodness-of-fit (GFI) 0 < GFI < 1

GFI ≈ 1: phù hợp tốt TLI - Tucker & Lewis

index

0 < TLI < 1

TLI ≈ 1: phù hợp tốt

3.3.3.5. Phân tích mơ hình cấu trúc (SEM)

Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mô hình cổ điển (mô hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổn định (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư. Với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị. Công dụng và lợi thế của mô hình mạng (SEM)

- Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp (FIT) với dữ liệu thực nghiệm hay không.

-Kiểm định các quan hệ giữa các biến quan sát và không quan sát (biến tiềm ẩn)

-Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ đồ đường (path analysis). Cung cấp các chỉ số độ phù hợp cho các mô hình kiểm định.

- Cho phép cải thiện các mô hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số điều chỉnh MI (Modification Indices).

-SEM cung cấp các công cụ có giá trị về thống kê, khi dùng thông tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn.

- SEM giúp giả thuyết các mô hình, kiểm định thống kê chúng (vì EFA và hồi quy có thể không bền vững nhất quán về mặt thống kê).

-SEM thường là một phức hợp giữa một số lượng lớn các biến quan sát và tiềm ẩn, các phần dư và sai số.

- SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyến tính của các biến quan sát, hoặc là các biến tham gia trong một chuỗi nhân quả.

 Các chỉ tiêu đánh giá mức độ phù hợp của mơ hình trong SEM:

χ2/ d.f. ratio < 5 (Schumacker & Lomax, 2004), TLI > 0.90 (Hair et al., 2006),

CFI > 0.90 (Hair et al., 2010),

RMSEA < 0.07 (Hair & et al., 2006), p - value > 0.05 (Hair & et al., 2006).

3.3.3.6. Kiểm định Boostrap

Mơ hình cuối cùng cũng như các mơ hình phù hợp khác cần thiết phải có bợ dữ liệu đợc lập với nhau, hay cỡ mẫu ban đầu khá lớn. Trong phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải chia mẫu thành 02 mẫu con. Mẫu con thứ nhất dùng để ước lượng các tham số mơ hình và mẫu con thứ hai dùng để đánh giá lại:

Chỉ số đánh giá chéo CVI (Cross-Validation Index) đo khoảng cách giữa ma trận Covariance phù hợp trong mẫu con thứ nhất với ma trận Covariance của mẫu. Chỉ số CVI nhỏ nhất cho phép kỳ vọng trạng thái mẫu lặp lại càng ổn định.

Cách khác là lặp lại nghiên cứu bằng một mẫu khác. Hai cách trên đây thường không thực tế vì phương pháp phân tích mô hình cấu trúc thường đòi hỏi mẫu lớn nên việc làm này tốn kém nhiều thời gian, chi phí [Anderson và Gerbing, 1998]. Trong những trường hợp như vậy thì Boostrap là phương pháp phù hợp để thay thế [Schumacker và Lomax, 1996]. Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đơng.

TĨM TẮT CHƯƠNG 3

Chương này trình bày phương pháp nghiên cứu được thực hiện nhằm xây dựng, đánh giá các thang đo cho các khái niệm nghiên cứu và kiểm định mơ hình nghiên cứu cùng các giả thuyết. Phương pháp nghiên cứu được thực hiện qua 02 giai đoạn chính: nghiên cứu định tính sơ bợ và nghiên cứu định lượng chính thức. Nghiên cứu định tính sơ bợ được thực hiện bằng hỏi ý kiến chuyên gia và thảo luận nhóm với những khách hàng tiêu dùng. Tiếp theo, nghiên cứu định lượng chính thức được thực hiện để điều chỉnh và hoàn thiện bảng câu hỏi khảo sát. Nghiên cứu định lượng chính thức được tiến hành ngay sau khi bảng câu hỏi khảo sát được chỉnh sửa hoàn tất. Dữ liệu sau khi được thu thập sẽ được tiến hành mã hóa, nhập liệu vào chương trình phân tích số liệu thống kê SPSS 20, AMOS 20 để phân tích thơng tin, xử lý số liệu phục vụ cho nghiên cứu. Nợi dung chính của chương 3 bao gờm 3 phần:

- Quy trình nghiên cứu

- Nghiên cứu định tính sơ bợ

- Nghiên cứu chính thức định lượng

Trong chương tiếp theo, các kết quả kiểm định thang đo, phân tích nhân tố, kiểm định mơ hình và các giả thiết nghiên cứu sẽ được trình bày cụ thể.