Nguồn: Tác giả
3.1.1. Thiết kế nghiên cứu
Căn cứ trên mục tiêu nghiên cứu, việc hệ thống lý thuyết, tổng hợp các kết quả nghiên cứu trước, từ đó đề xuất mơ hình nghiên cứu ban đầu. Để xác định các biến
Tổng quan nghiên cứu
Nghiên cứu định tính (10 người)
Nghiên cứu định lượng sơ bộ (50 người)
Kiểm định giả thuyết Bộ thang đo chính thức
Thước đo hồn chỉnh Mơ hình và thước đo điều
chỉnh vịng 1 Mơ hình sơ bộ / Xây dựng
thước đo ban đầu
Nghiên cứu định lượng chính thức (300 người)
Hoạt động Cơng cụ Kết quả
Kiểm định Cronbach Alpha, EFA Kiểm định Cronbach Alpha, EFA, CFA Mơ hình cấu trúc tuyến tinh SEM Giải pháp
được đưa vào mơ hình và lý giải rõ hơn kết quả khảo sát, nghiên cứu được thực hiện theo quy trình 4 bước, cụ thể như sau:
Bước 1: Nghiên cứu định tính ban đầu Bước 2: Nghiên cứu định lượng sơ bộ Bước 3: Nghiên cứu định lượng chính thức
Tác giả kết hợp nghiên cứu định tính và nghiên cứu định lượng. Quy trình nghiên cứu được thực hiện theo trình tự được trình bày trong bảng dưới đây:
STT Phương pháp
Mẫu
điều tra Mục tiêu
Thời gian 1 Nghiên cứu định tính: Phỏng vấn sâu
10 người Thông qua các nghiên cứu trước, tác giả tìm hiểu các nhân tố để đánh giá chất lượng dịch vụ cũng như sự hài lòng của doanh nghiệp đối với các đơn vị hành chính cơng. Nghiên cứu định tính được tiến hành với 10 người công tác tại 5 doanh nghiệp (5 lãnh đạo doanh nghiệp và 5 kế tốn thuế) có thực hiện giao dịch tại các cơ quan thuế trên địa bàn Hà Nội để tìm ra sự phù hợp của các biến quan sát và tìm ra các biến quan sát mới.
1-2/2016 2 Nghiên cứu định lượng sơ bộ: sử dụng phiếu hỏi 50 người (1 người/ doanh nghiệp)
Tác giả tiến hành khảo sát để kiểm định sự phù hợp của các biến với số lượng phiếu được phát ra là 50 phiếu. Đối tượng tham gia khảo sát là các cán bộ làm công tác thuế trong doanh nghiệp (50 kế toán thuế). Phiếu trả lời được NCS trực tiếp chuyển cho các đối tượng tham gia khảo sát thông qua sự giới thiệu của cán bộ thuế. 3-4/2016 3 Nghiên cứu định lượng chính thức: sử dụng phiếu hỏi 300 người (1 người/ doanh nghiệp)
Căn cứ vào kết quả kiểm định sơ bộ, tác giả tiến hành thiết kế phiếu khảo sát. Người trả lời phiếu là các kế toán thuế. Phương pháp lấy mẫu là phương pháp lấy mẫu thuận tiện. Dựa trên các mối quan hệ, NCS xin danh sách các doanh nghiệp có thực hiện giao dịch
5- 10/2016
STT Phương pháp
Mẫu
điều tra Mục tiêu
Thời gian
trực tuyến với cơ quan thuế trên địa bàn Hà Nôi. Từ danh sách trên, NCS nhờ cán bộ thuế trực tiếp quản lý doanh nghiệp lựa chọn ra doanh nghiệp có thể nhờ trả lời phiếu hỏi. Sau khi có danh sách 300 doanh nghiệp, NCS trực tiếp liên hệ với doanh nghiệp nhờ trả lời bảng hỏi thông qua sự giới thiệu của cán bộ thuế.
Căn cứ xác định quy mơ mẫu được trình bày cụ thể ở phần tiếp theo, trong mục 3.3.4.
3.1.2. Phương pháp phân tích dữ liệu
“Kiểm định độ tin cậy”
“Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach Alpha và hệ
số tương quan biến tổng (item- total coreclation). Hệ số Cronbach Alpha có giá trị biến thiên trong đoạn [0, 1]. Xét về mặt lý thuyết thì hệ số càng lớn mức độ tin cậy của thang đo càng cao. Tuy nhiên điều này khơng hồn tồn chính xác. Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0,95 trở lên) cho thấy có nhiều biến trong thang đo khơng có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo. Theo Hair và cộng sự (1998) thì hệ số Cronbach Alpha bằng 0,6 là chấp nhận được.”Tuy nhiên, hệ số này chỉ đo lường các thang đo có liên kết với nhau không chứ không quyết định việc nên giữ lại hay bổ đi một biến quan sát. Việc giữ lại hay bỏ đi biến quan sát còn phải“căn cứ vào hệ số tương quan biến tổng. Các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 thì cần được loại bỏ (Hair và cộng sự, 1998).”
Đánh giá thang đo bằng phân tích nhân tố khám phá (EFA)
“Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis,
gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát).”
phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất.
Theo Hair và cộng sự (1998), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố phụ thuộc vào quy mô mẫu. Với từng khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát có ý nghĩa thống kê là hồn tồn khác nhau. Cụ thể,”
• Quy mơ mẫu ≤ 50 thì hệ số tải nhân tố là 0,75 • Quy mơ mẫu ≤ 120 thì hệ số tải nhân tố là 0,5 • Quy mơ mẫu ≤ 350 thì hệ số tải nhân tố là 0,3
Trên thực tế áp dụng,“người ta thường lấy hệ số tải 0,45 hoặc 0,5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350; lấy tiêu chuẩn hệ số tải là 0,3 với cỡ mẫu từ 350 trở lên.
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:”
“0,5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để
xem xét sự thích hợp của phân tích nhân tố.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0,05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0,05) thì các biến quan sát có mối tương quan với nhau trong tổng thể.”
“Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần
trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.”
“Phân tích nhân tố khẳng định”
“Trong kiểm định thang đo, phương pháp CFA trong phân tích cấu trúc tuyến
tính SEM có nhiểu ưu điểm hơn so với phương pháp truyền thống như là: hệ số tương quan, phân tích nhân tố khám phá EFA bởi vì CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo như mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường”
“Sự phù hợp của toàn bộ mơ hình trên thực tế được đánh giá thơng qua các tiêu
chí về mức độ phù hợp như sau:
- Kiểm định Chi-Square (χ2) : Biểu thị mức độ phù hợp tổng qt của tồn bộ mơ hình tại mức ý nghĩa p-value = 0,05 (Joserkog và Sorbom, 1989). Điều này thực tế
rất khó xảy ra bởi vì χ2 rất nhạy với kích thước mẫu lớn và độ mạnh của kiểm định, nên thực tế người ta dùng chỉ số χ2 /df để đánh giá.”
“- Tỷ số Chi-Square/bậc tự do: χ2 / df: Cũng dùng để đo mức độ phù hợp một
cách chi tiết hơn của cả mơ hình. Một số tác giả đề nghị 1 < χ2/df < 3 (Hair và cộng sự, 1998); một số khác đề nghị χ2 càng nhỏ càng tốt (Segar và Grover, 1993) và cho rằng χ2/df < 3:1 (Chin và Todd, 1995). Ngoài ra, trong một số nghiên cứu thực tế người ta phân biệt ra 2 trường hợp : χ2/df < 5 (với mẫu N > 200) ; hay < 3 (khi cỡ mẫu N < 200) thì mơ hình được xem là phù hợp tốt (Kettinger và Lee, 1995).”
“- Các chỉ số liên quan khác: GFI, AGFI, CFI, NFI, ….. có giá trị > 0,9 được xem là mơ hình phù hợp tốt. Nếu các giá trị này bằng 1, ta nói mơ hình là hồn hảo. (Segar và Grover, 1993; Chin và Todd, 1995)
GFI: đo độ phù hợp tuyệt đối ( không điều chỉnh bậc tự do) của mơ hình cấu trúc và mơ hình đo lường với bộ dữ liệu khảo sát.”
“AGFI: Điều chỉnh giá trị GFI theo bậc tự do trong mơ hình.
RMR: Một mặt đánh giá phương sai phần dư của biến quan sát, mặt khác đánh giá tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến quan sát khác.. Giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao, nó phản ánh một mơ hình có độ phù hợp khơng tốt.”
“RMSEA : là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mơ
hình so với tổng thể.
Trong tạp chí nghiên cứu IS, các tác giả cho rằng chỉ số RMSEA, RMR yêu cầu < 0,05 thì mơ hình phù hợp tốt. Trong một số trường hợp giá trị này < 0,08 mơ hình được chấp nhận (Taylor và cộng sự, 1993).”
“NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mơ hình độc lập (đơn nhân tố,
có các hệ số bằng 0) với phép đo phương sai và mơ hình đa nhân tố. NFI = (χ2 null - χ2 proposed) / χ2 null = (χ2 Mo - χ2 Mn) / χ2 Mo Mo : Mơ hình gốc; Mn : Mơ hình phù hợp
Giá trị đề nghị NFI > 0,9 (Hair và cộng sự, 1998; Chin và Todd, 1995]”
“- Mức xác suất: Giá trị > ,05 được xem là mơ hình phù hợp tốt (Arbuckle và
Wothke, 1999; Rupp và Segal, 1989). Điều này có nghĩa rằng khơng thể bác bỏ giả thuyết H0 (là giả thuyết mơ hình tốt), tức là khơng tìm kiếm được mơ hình nào tốt hơn mơ hình hiện tại)”
“Ngoài ra các quan hệ riêng lẻ cũng được đánh giá tốt dựa trên các mức ý nghĩa
thống kê. Tác động của các biến ngoại sinh lên các biến nội sinh và tác động của các biến nội sinh lên các biến nội sinh được đánh giá qua các hệ số hồi quy. Mối quan hệ giữa các biến được biểu thị bằng mũi tên trên mơ hình. Chiều mũi tên biểu diễn chiều tác động của biến này lên biến kia.”
“- Chỉ số điều chỉnh mơ hình (MI - Modification Indices): Chỉ số điều chỉnh mơ
hình là chỉ số ước lượng sự thay đổi của χ2 ứng với mỗi trường hợp thêm vào một mối quan hệ khả dĩ (ứng với giảm một bậc tự do). Nếu MI chỉ ra rằng lượng giảm ∆ χ 2 >3,84 (ứng với giảm một bậc tự do), thì cho phép ta đề nghị một mối quan hệ làm tăng độ phù hợp của mơ hình (Hair và cộng sự, 1998). Điều này cũng tương tự như đưa từng biến độc lập vào trong mơ hình hồi quy tuyến tính. Các chỉ số phù hợp tốt chỉ ra rằng dữ liệu ủng hộ mơ hình đề nghị, nhưng chúng khơng có nghĩa rằng mơ hình lựa chọn là chính xác hay là mơ hình tốt nhất trong số các mơ hình khả thi về mặt lý thuyết. Như vậy sẽ tồn tại một số mơ hình với mức độ điều chỉnh độ phù hợp khác nhau, tuỳ theo quan điểm nhà nghiên cứu. Các mơ hình này được gọi là các mơ hình cạnh tranh.”
“Mơ hình cấu trúc tuyến tính (SEM)”
“Phương pháp phân tích mơ hình cấu trúc tuyến tính SEM được sử dụng để
kiểm định mơ hình lý thuyết nghiên cứu, phương pháp này có nhiểu lợi thế hơn so với phương pháp hồi quy đa biến truyền thống vì nó có thể tính được sau số đo lường. Tương tự như trong trường hợp kiểm định các mơ hình thang đo bằng CFA, phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số của mơ hình.”