CBCC CSVC HLDV KQDV TCDV TTHC CBCC 0,785 CSVC 0,232 0,788 HLDV 0,715 0,316 0,891 KQDV 0,366 0,13 0,502 0,839 TCDV 0,229 0,027 0,244 0,203 0,722 TTHC 0,245 0,208 0,365 0,239 0,193 0,828
Nguồn: Kết quả xử lý số liệu điều tra từ phần mềm SmartPLS 3.0
Bên cạnh đó, giá trị phân biệt còn đƣợc đánh giá qua tiêu chí HTMT (Heterotrait - Monotrait) < 0,9 [16]. Nhƣ thể hiện trong Sơ đồ 3.11, tất cả các giá trị HTMT đều dƣới ngƣỡng 0,90, điều này xác nhận rằng giá trị phân biệt đƣợc thiết lập cho các cấu trúc phản ánh của nghiên cứu này.
Hình 3.11. Hệ số Heterotrait - Monotrait
3.5.1.4. Dị tìm đa cộng tuyến
Hiện tƣợng đa cộng tuyến trong mơ hình cấu trúc đƣợc đánh giá qua hệ số phóng đại phƣơng sai (Variance Inflation Factor – VIF). Nếu hệ số phóng đại phƣơng sai khơng vƣợt q 5 thì mơ hình đƣợc xem nhƣ khơng vi phạm đa cộng tuyến [76].
Bảng 3.20: Hệ số phóng đại phƣơng sai (VIF)
Biến Hệ số VIF Biến Hệ số VIF
CBCC1 1,635 KQCV1 1,834 CBCC2 2,324 KQCV2 2,667 CBCC3 2,418 KQCV3 2,257 CBCC4 2,312 KQCV4 1,816 CBCC5 2,183 TCDV1 1,521 CBCC6 1,992 TCDV2 1,653 CBCC7 2,296 TCDV4 1,365 CSVC1 1,912 TCDV5 1,306 CSVC2 2,166 TTHC1 1,581 CSVC3 2,222 TTHC2 3,094 CSVC4 1,655 TTHC3 2,956 CSVC5 2,592 TTHC4 1,574 CSVC6 3,074 HLDV1 2,018 CSVC7 2,342 HLDV2 2,498 HLDV3 2,626
Nguồn: Kết quả xử lý số liệu điều tra từ phần mềm SmartPLS 3.0
Kết quả bảng thống kê ở Bảng 3.20 cho thấy các biến quan sát trong mơ hình nghiên cứu khơng bị hiện tƣợng đa cộng tuyến do hệ số phóng đại phƣơng sai < 5, do vậy mơ hình thỏa mãn điều kiện để thực hiện các phân tích tiếp theo.
3.5.2. Đánh giá mơ h nh cấu trúc và kiểm định giả thuyết
Sau khi thực hiện phân tích mơ hình đo lƣờng, mơ hình bên trong (mơ hình cấu trúc) đƣợc phân tích để ƣớc lƣợng cụ thể mối quan hệ giữa các biến tiềm ẩn. Đánh giá kết quả mơ hình cấu trúc đƣợc thực hiện thơng qua phân tích Bootstrap phi tham số (kiểm định Bootstrap).
Hình 3.11: Mơ hình kết quả đƣợc lấy từ PLS Bootstrap output
Nguồn: Kết quả xử lý số liệu điều tra từ phần mềm SmartPLS 3.0
Bootstrap là kỹ thuật lấy mẫu lại bằng phƣơng pháp thay thế. Bootstrap đƣợc sử dụng trong SEM-PLS để cung ứng khoảng tin cậy cho tất cả các ƣớc lƣợng tham số, xây dựng cơ sở để suy luận thống kê. Bootstrap đối xử với các mẫu đƣợc quan sát nhƣ thể nó đại diện cho tổng thể mẫu và kết quả PLS đối với tất cả các mẫu bootstrap cung cấp các giá trị trung bình và sai số chuẩn cho mỗi hệ số các đƣờng dẫn. Thông tin của T-test thể hiện cho ý nghĩa thống kê của mối quan hệ của mơ hình đƣờng dẫn.
Nghiên cứu này thực hiện Bootstrap 5000 lần nhƣ khuyến cáo đã thực hiện [55], việc đánh giá mơ hình đo lƣờng bao gồm các nội dung sau: (1) Đánh giá sự phù hợp của mơ hình, (2) Đo lƣờng hệ số R2
và (3) Kiểm định giả thuyết nghiên cứu bằng hệ số đƣờng dẫn Path Coefficient và giá trị T-value.
3.5.2.1. Đánh giá sự phù hợp của mơ hình:
Để đo lƣờng mức độ phù hợp của mơ hình với thực tế nghiên cứu, chỉ số SRMR (Standardized Root Mean Square Residual) cần đƣợc xem xét. Theo Henseler
[78], chỉ số SRMR là chỉ số Goodness of Fit (GoF) của mơ hình PLS-SEM có thể đƣợc sử dụng để tránh hiện tƣợng sai lệch thơng số trong mơ hình. Chỉ số SRMR phải đạt giá trị nhỏ hơn 0,08 hoặc 0,1. Kết quả bảng 3.21 cho thấy, giá trị SRMR = 0,065 < 0,08 cho thấy mơ hình cấu trúc là phù hợp với bộ dữ liệu.