Mã Câu hỏi các biến quan sát
BK1 Theo tôi, sữa mẹ tốt hơn sữa công thức.
BK2 Theo tôi, trẻ sơ sinh nên được bú sữa non của mẹ.
BK3 Theo tôi, trẻ bú sữa mẹ sẽ giảm nguy cơ bị mắc các bệnh nhiễm trùng. BK4 Theo tôi, trẻ bú sữa mẹ sẽ giảm nguy cơ bị béo phì.
BK5 Theo tơi, trẻ bú sữa mẹ sẽ được tăng cường phát triển nhận thức.
BK6 Theo tôi, nuôi con bằng sữa mẹ sẽ giúp bà mẹ phục hồi sau khi sinh nhanh hơn.
BK7 Theo tôi, nuôi con bằng sữa mẹ sẽ giúp bà mẹ giảm nguy cơ mắc bệnh ung thư vú.
BK8 Theo tôi, nên bắt đầu cho trẻ ăn các thức ăn lỏng khác ngoài sữa mẹ khi trẻ trên sáu tháng tuổi.
BK9 Tơi biết cách để có đủ sữa mẹ cho con bú.
(Nguồn: Kết quả nghiên cứu định tính của tác giả)
(6) Thang đo giá trị cảm nhận
Thang đo giá trị cảm nhận trong việc nuôi con hoàn toàn bằng sữa mẹ trong sáu tháng đầu, ký hiệu là PV. Thang đo này ban đầu có 03 biến quan sát và được kế thừa từ thang đo của Hussein (2012). Sau khi thảo luận nhóm, các bà mẹ đều cho rằng, có 02 biến quan sát là: “Những lợi ích của việc ni con hoàn toàn bằng sữa mẹ trong sáu tháng đầu sẽ xứng đáng để tôi đánh đổi những việc khác” và “Ý tưởng của việc ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu là hấp dẫn với tôi” đã được bao hàm trong nội dung của các biến quan sát trong thang đo kiến thức nuôi con bằng sữa mẹ; bên cạnh đó, các bà mẹ cũng cho rằng, biến quan sát “Ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu là việc tôi mong muốn” cũng đã được bao hàm trong nội dung của thang đo ý định ni con hồn toàn bằng sữa mẹ trong sáu tháng đầu. Do đó, tác giả loại bỏ thang đo giá trị cảm nhận và không đưa yếu tố giá trị cảm nhận vào mơ hình nghiên cứu đề xuất ban đầu cũng như loại bỏ giả thuyết H6.
Như vậy, mơ hình nghiên cứu chính thức được điều chỉnh lại cụ thể như sau: - Biến phụ thuộc là là ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu
của bà mẹ mang thai tại TP. HCM.
- Biến độc lập bao gồm 05 biến: (1) Thái độ; (2) Chuẩn chủ quan; (3) Nhận thức kiểm soát hành vi; (4) Cho con bú tự hiệu quả; và (5) Kiến thức nuôi con bằng sữa mẹ.
- Các giả thuyết nghiên cứu như sau:
• Giả thuyết H1: Thái độ có tác động tích cực (+) đến ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
• Giả thuyết H2: Chuẩn chủ quan có tác động tích cực (+) đến ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
• Giả thuyết H3: Nhận thức kiểm sốt hành vi có tác động tích cực (+) đến ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
• Giả thuyết H4: Cho con bú tự hiệu quả có tác động tích cực (+) đến ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
• Giả thuyết H5: Kiến thức nuôi con bằng sữa mẹ có tác động tích cực (+) đến ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
(7) Thang đo ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu
Thang đo ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu, ký hiệu là BI. Thang đo này ban đầu có 03 biến quan sát và được kế thừa từ thang đo của Hussein (2012); Nguyen, Q.T. và cộng sự (2013). Sau khi thảo luận nhóm, có 01 biến quan sát thay đổi cụ thể như sau: Loại bỏ biến “Tơi muốn ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu” và thay thế bằng phát biểu “Tơi có kế hoạch ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu”. Kết quả thang đo này được đo bởi 03 biến quan sát, ký hiệu từ BI1 đến BI3 (Bảng 3.7).
Bảng 3.6: Thang đo ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
Mã Câu hỏi các biến quan sát
BI1 Tơi mong đợi sẽ ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu. BI2 Tơi có ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu. BI3 Tơi có kế hoạch ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
(Nguồn: Kết quả nghiên cứu định tính của tác giả) 3.3 . Nghiên cứu định lượng
3.3.1. Thiết kế mẫu nghiên cứu
Nghiên cứu này được thực hiện tại TP. HCM với phương pháp chọn mẫu thuận tiện, phi xác suất, bảng câu hỏi được gửi trực tiếp đến bà mẹ mang thai.
- Đối tượng khảo sát: là bà mẹ mang thai từ 28 tuần trở lên đang sinh sống tại TP.
HCM, có độ tuổi từ 18 đến 45. Các bà mẹ này có vai trị ra quyết định trong việc lựa chọn hình thức ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu.
- Kích thước và cách chọn mẫu:
Kích thước mẫu bao nhiêu được gọi là lớn thì hiện nay chưa được xác định rõ ràng. Hơn nữa, kích thước mẫu còn tùy thuộc vào phương pháp ước lượng sử dụng (ví dụ: ML, GLS, hay ADF). Tuy nhiên, có nhà nghiên cứu cho rằng, nếu sử dụng phương pháp ước lượng ML thì kích thước mẫu tối thiểu phải từ 100 đến 150 (Hair và cộng sự, 1998). Cũng có nhà nghiên cứu cho rằng, kích thước mẫu tối thiểu phải là 200 (Hoelter, 1983); hay kích thước mẫu tối thiểu phải là năm mẫu cho một tham số cần ước lượng (Bollen, 1989).
Theo Nguyễn Đình Thọ (2011), để sử dụng EFA, chúng ta cần kích thước mẫu lớn. Vấn đề xác định kích thước mẫu phù hợp là vấn đề phức tạp, thông thường dựa theo kinh nghiệm. Trong EFA, kích thước mẫu thường được xác định dựa vào (1) kích thước tối thiểu và (2) số lượng biến thiên đo lường đưa vào phân tích. Hair và cộng sự (2006) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỷ lệ quan sát (observations)/biến đo lường (items) là 5:1, nghĩa là 1 biến đo lường cần tối thiểu là 5 quan sát, tốt nhất là 10:1 trở lên. Theo cơng thức
này, với 32 biến quan sát thì mẫu nghiên cứu của đề tài này cần phải có tối thiểu là: n = 5 x 32 = 160 mẫu.
Kích thước mẫu cũng là một vấn đề quan tâm khi sử dụng mơ hình hồi quy bội (Multiple Linear Regression – MLR): tác động của nhiều biến độc lập định lượng vào một biến phụ thc định lượng. Chọn kích thước mẫu trong MLR phụ thuộc vào nhiều yếu tố, ví dụ, mức ý nghĩa (significant level), độ mạnh của phép kiểm định, số lượng biến độc lập,…(Tabachnick và Fidell, 2007; trích trong Nguyễn Đình Thọ, 2011). Một cơng thức kinh nghiệm thường dùng để tính kích thước mẫu cho MLR như sau:
n ≥ 50 + 8p
Trong đó, n là kích thước mẫu tối thiểu cần thiết và p là số lượng biến độc lập trong mơ hình. Theo đó, số mẫu nghiên cứu tối thiểu cần phải có là: n = 50 + 8 x 6 = 98 mẫu.
Vậy, số mẫu tối thiểu cần thu thập để thực hiện nghiên cứu này phải là 160 mẫu. Tuy nhiên, để đảm bảo tính đại diện và dự phịng cho những bà mẹ không trả lời hoặc trả lời không đầy đủ, tác giả lựa chọn quy mơ mẫu là 300 bà mẹ. Với kích thước mẫu này, số lượng 320 bảng câu hỏi được phát ra.
3.3.2. Thiết kế bảng câu hỏi và quá trình thu thập dữ liệu
* Các giai đoạn thết kế bảng câu hỏi
- Bước 1: Trên cơ sở thang đo nháp được phát triển từ kết quả nghiên cứu định tính (mục 3.2.2), đồng thời bổ sung thêm phần thông tin cá nhân bà mẹ mang thai được phỏng vấn, tác giả thiết kế bảng câu hỏi ban đầu.
- Bước 2: Bảng câu hỏi ban đầu được sử dụng để phỏng vấn thử với 30 bà mẹ mang thai từ 28 tuần trở lên tại TP. HCM đang có ý định ni con hồn toàn bằng sữa mẹ trong sáu tháng đầu nhằm đánh giá mức độ hồn chỉnh của các câu hỏi (phát biểu) về mặt hình thức và khả năng cung cấp thơng tin của bà mẹ mang thai, đồng thời điều chỉnh lại một số từ ngữ cho phù hợp và dễ hiễu hơn.
- Bước 3: Sau khi căn cứ vào kết quả phỏng vấn thử, tác giả hiệu chỉnh thành bảng câu hỏi chính thức sử dụng để thu thập thơng tin mẫu nghiên cứu. Bảng câu
hỏi được thiết kế gồm 32 câu tương ứng 32 biến quan sát, trong đó có 29 biến quan sát thuộc thành phần biến độc lập, 3 biến quan sát thuộc thành phần ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu của bà mẹ mang thai.
* Phương pháp thu thập dữ liệu
Việc khảo sát được tiến hành bằng phương pháp phỏng vấn trực tiếp bà mẹ mang thai từ 28 tuần trở lên, có độ tuổi từ 18 đến 45 tại một số bệnh viện phụ sản, phòng khám thai tư nhân trên địa bàn TP. HCM bằng bảng câu hỏi chi tiết. Bảng câu hỏi được gửi đến bà mẹ được khảo sát dưới hình thức phỏng vấn trực tiếp bằng phiếu khảo sát giấy đã được in sẵn.
Dưới hình thức này, tác giả trực tiếp phỏng vấn và giải thích thắc mắc cho bà mẹ được khảo sát. Bà mẹ được khảo sát điền vào phiếu khảo sát giấy đã được in sẵn, sau 30 phút tác giả thu phiếu lại.
3.3.3. Phương pháp phân tích dữ liệu
Trình tự tiến hành phân tích dữ liệu được thực hiện như sau:
• Bước 1 – Chuẩn bị thông tin: thu nhận bảng câu hỏi, tiến hành làm sạch thơng tin, mã hóa các thơng tin cần thiết trong bảng trả lời, nhập liệu và phân tích dữ liệu bằng phần mềm xử lý thống kê SPSS 20.0.
• Bước 2 – Thống kê: tiến hành thống kê mô tả dữ liệu thu thập được. • Bước 3 – Đánh giá độ tin cậy thang đo bằng phân tích Cronbach’s Alpha.
• Bước 4 - Kiểm định thang đo bằng phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA).
• Bước 5 – Thực hiện phân tích hồi quy bội và kiểm định các giả thuyết của mơ hình với mức ý nghĩa là 5%.
3.3.3.1. Đánh giá sơ bộ thang đo bằng hệ số tin cậy Cronbach’s Alpha
Hệ số Cronbach’s Alpha là hệ số sử dụng phổ biến để đánh giá độ tin cậy của thang đo. Độ tin cậy thường dùng nhất là tính nhất qn nội tại, nói lên mối quan hệ của các biến quan sát trong cùng một thang đo. Để tính Cronbach’s Alpha cho một thang đo thì thang đo phải có tối thiểu là ba biến đo lường. Hệ số Cronbach’s Alpha có giá trị biến thiên trong khoảng [0,1] (Nguyễn Đình Thọ, 2011).
Các biến đo lường dùng để đo lường cùng một khái niệm nghiên cứu nên chúng phải có mối tương quan chặt chẽ với nhau. SPSS sử dụng hệ số tương quan biến-tổng hiệu chỉnh. Nếu một biến đo lường có hệ số tương quan biến-tổng (hiệu chỉnh) ≥ 0,30 thì biến đó đạt u cầu (Nunnally và Bernstein, 1994; trích trong Nguyễn Đình Thọ, 2011).
Tuy nhiên, nếu chúng trùng lắp hồn tồn (r = 1) thì hai biến đo lường này thật sự chỉ làm một việc, và chúng ta chỉ cần một trong hai biến là đủ. Vì vậy, một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0,70 – 0,80]. Nếu Cronbach’s Alpha ≥ 0,60 là thang đo có thể chấp nhận được về mặt độ tin cậy trong trường hợp thang đo lường các khái niệm là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally và Bernstein, 1994; trích trong Nguyễn Đình Thọ, 2011).
Hệ số Cronbach’s Alpha phải được thực hiện trước để loại các biến rác (garbage items) trước khi thực hiện phân tích EFA. Quy trình này giúp chúng ta tránh được các biến rác vì các biến rác này có thể tạo nên các nhân tố giả (artifical factors) khi phân tích EFA (Churchill, 1979; trích trong Nguyễn Đình Thọ, 2011).
3.3.3.2. Kiểm định thang đo bằng phân tích nhân tố khám phá (EFA)
Phương pháp phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) giúp chúng ta đánh giá hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt.
Trong phân tích EFA, chúng ta có hai ma trận quan trọng để xem xét khi đánh giá các thang đo, đó là ma trận các trọng số nhân tố (factor pattern matrix) và ma trận các hệ số tương quan (factor structure matrix). Khi các nhân tố khơng có quan hệ với nhau thì trọng số nhân tố giữa một nhân tố và một biến đo lường là hệ số tương quan giữa hai biến đó. Trọng số nhân tố là tác động của khái niệm nghiên cứu và biến đo lường (Nguyễn Đình Thọ, 2011).
Theo Nguyễn Đình Thọ (2011), tiêu chí Eigenvalue là một tiêu chí sử dụng phổ biến trong việc xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố có Eigenvalue tối thiểu bằng 1 (≥ 1).
Theo Nguyễn Đình Thọ (2011), “để xác định sự phù hợp khi dùng EFA, có thể dùng kiểm định Bartlett (Bartlett’s test of sphericity) hoặc KMO (Kaiser-Meyer- Olkin measure of sampling adequacy). Để sử dụng EFA, KMO phải lớn hơn 0,50. Kaiser (1974) đề nghị, KMO ≥ 0,90: rất tốt; KMO ≥ 0,80: tốt; KMO ≥ 0,70: được; KMO ≥ 0,60: tạm được; KMO ≥ 0,50: xấu; KMO < 0,50: không thể chấp nhận được”.
Từ cơ sở lý thuyết trên, mơ hình nghiên cứu “các yếu tố tác động đến ý định ni con hồn tồn bằng sữa mẹ trong sáu tháng đầu của bà mẹ mang thai tại TP. HCM” gồm 32 biến quan sát được sử dụng phân tích nhân tố khám phá (EFA) theo các bước sau:
•Đối với các biến quan sát đo lường khái niệm là các thang đo đơn hướng nên sử dụng phương pháp trích nhân tố PCA (Principal Component Analysis) với phép quay vng góc Varimax và điểm dừng khi trích các yếu tố có Eigenvalue > 1. •Sau đó tiến hành thực hiện kiểm định các yêu cầu liên quan gồm:
+ Kiểm định Bartlett: các biến quan sát có tương quan với nhau trong tổng thể.
+ Xem xét trị số KMO: Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), “KMO là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO đủ lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, cịn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu”.
•Để phân tích EFA có giá trị thực tiễn, tiến hành loại các biến quan sát có hệ số tải nhân tố nhỏ hơn 0,5.
•Xem lại thơng số Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) có giá trị lớn hơn 1.
•Xem xét tổng phương sai trích (yêu cầu ≥ 50%): cho biết các nhân tố được giải thích % sự biến thiên của các biến quan sát.
3.3.3.3. Phân tích tương quan và hồi quy bội (Multiple Linear Regression – MLR)* Phân tích tương quan * Phân tích tương quan
Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008), hệ số tương quan Pearson (ký hiệu là r) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng (khoảng cách hay tỷ lệ). Giá trị tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính. Giá trị tuyệt đối của r tiến gần đến 1 khi hai biến có mối tương quan tuyến tính chặt chẽ (khi tất cả các điểm phân tán xếp thành một đường thẳng thì giá trị tuyệt đối của r = 1).
Theo Nguyễn Đình Thọ (2011), trong mơ hình hồi quy bội (MLR), chúng ta có nhiều biến độc lập, vì vậy có thêm giả định là các biến độc lập khơng có quan hệ với nhau hồn tồn, nghĩa là hệ số tương quan r của các cặp biến độc lập với nhau khác với 1, chứ khơng phải chúng khơng có tương quan với nhau. Trong thực tiễn nghiên cứu, các biến trong một mơ hình thường có quan hệ với nhau nhưng chúng phải phân biệt nhau (đạt được giá trị phân biệt).
* Phân tích hồi quy bội (MLR)
Trình tự phân tích hồi quy bội trong nghiên cứu này được thực hiện như sau :
- Phương pháp đưa biến vào phân tích hồi quy là phương pháp đưa các biến vào mơ hình một lượt (phương pháp Enter).
- Để đánh giá độ phù hợp của mơ hình hồi quy đối với tập dữ liệu, tác giả sử dụng hệ số R2 hiệu chỉnh (Adjusted R Square).
- Kiểm định độ phù hợp của mơ hình để lựa chọn mơ hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết H0: khơng có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập (β1 = β2 = β3 = βn =