.4 Mã hoá thang đo nháp 2 - (LUẬN văn THẠC sĩ) sự- 123docz.net

STT Mã hoá Thang đo gốc

1. Thang đo căng thẳng liên quan đến khách hàng

1 CRS1 Khách hàng thường phàn nàn về tôi

2 CRS2 Khách hàng thường khó chịu với tơi khi tâm trạng của họ không tốt

3 CRS3 Khách hàng thường có yêu cầu rất cao

2. Thang đo căng thẳng liên quan đến môi trường làm việc

1 WERS1 Tơi khơng có đủ chỗ để nghỉ ngơi tại nơi làm việc 2 WERS2 Nhiệt độ tại nơi làm việc của tôi không phù hợp. 3 WERS3 Nơi làm việc của tơi khơng có đủ ánh sáng 4 WERS4 Tơi khơng có khơng gian để phục hồi bản thân.

3. Thang đo căng thẳng liên quan đến công việc

1 JRS1 Công việc thường xuyên ảnh hưởng tới thời gian cá nhân của tôi

2 JRS2 Thỉnh thoảng chúng tôi buộc phải tham gia các chương trình đào tạo khơng cần thiết

3 JRS3 Đồng nghiệp của tôi thường không hợp tác với tôi 4 JRS4 Lịch làm việc của tôi thay đổi liên tục

5 JRS5 Khối lượng công việc của tôi quá nặng

6 JRS6 Tôi phải làm việc với số lượng khách hàng quá lớn

4. Thang đo cảm xúc tiêu cực

1 NA1 Thất bại nhỏ đôi khi làm cho bản thân tơi cảm thấy khó chịu

2 NA2 Tôi thường bực bội bởi những phiền tối nhỏ nhặt trong cơng việc

3 NA3 Có những ngày tơi ln cảm thấy bực mình, căng thẳng

5. Thang đo tình trạng kiệt quệ cảm xúc

1 EE1 Tơi cảm thấy cơng việc của mình làm cho tơi cạn kiệt cảm xúc

2 EE2 Tôi cảm thấy kiệt sức vào cuối ngày làm việc 3 EE3 Tôi cảm thấy mệt mỏi vì cơng việc của mình

4 EE4 Làm việc với mọi người cả ngày thực sự là một căng thẳng đối với tôi

6. Thang đo định hướng khách hàng

1 CO1 Mỗi khách hàng đều quan trọng đối với tôi

2 CO2 Tơi chú ý chăm sóc chu đáo đến từng khách hàng

3 CO3 Tôi cố gắng cung cấp những thông tin cần thiết khi khách hàng cần

4 CO4 Tôi cố gắng giải quyết các vấn đề của khách hàng một cách tốt nhất

5 CO5 Tơi thường biết khách hàng muốn gì trước khi họ yêu cầu

3.4. Mẫu nghiên cứu:

Cỡ mẫu có thể được xác định dựa trên cơ sở số biến quan sát của các yếu tố có trong mơ hình nghiên cứu. Theo Hair và cộng sự (1988), tỷ lệ quan sát trên biến đo lường là 5:1 hoặc 10:1. Theo Hoelter (1993), kích thước mẫu tới hạn phải là 200 mẫu. Bên cạnh đó theo phương pháp ước lượng ML (Maximum LikeHood) thì kích thước mẫu tối thiểu phải từ 100 đến 150 (Hair, Black, Babin, Anderson & Tatham, 1998).

Thang đo trong bài nghiên cứu này có 25 biến quan sát như vậy, theo quy tắc của Hair và cộng sự (1998) ở trên, số mẫu tối thiểu ở đây sẽ là 5 x 25 = 125 và số mẫu tối đa sẽ là 10 x 25 = 250.

Vậy nên tác giả đã thu thập 286 mẫu cho nghiên cứu chính thức là phù hợp.

Phương pháp được chọn là phương pháp lấy mẫu thuận tiện. Đây là phương pháp chọn mẫu phi xác suất trong đó nhà nghiên cứu tiếp cận với phần tử mẫu bằng phương pháp thuận tiện, nghĩa là nhà nghiên cứu có thể chọn những phần tử mẫu nào mà họ tiếp cận được. Đối tượng khảo sát của nghiên cứu này chính là các nhân viên thường xuyên tiếp xúc trực tiếp với khách hàng (cụ thể là nhân viên lễ tân khách sạn) và các quản lý thuộc các bộ phận của khách sạn.

Trong giai đoạn nghiên cứu định tính sơ bộ cần 07 người tham gia phỏng

vấn sâu. Tiêu chí lựa chọn người tham gia vào cuộc phỏng vấn đó là thường xuyên tiếp xúc với khách hàng và có kinh nghiệm từ 10 năm trở lên làm việc trong lĩnh vực khách sạn.

Trong giai đoạn nghiên cứu định lượng sơ bộ và định lượng chính thức , bảng câu hỏi sẽ được phát cho các nhân viên và quản lý khách sạn bằng bảng khảo sát online và phát trực tiếp đến đối tượng khảo sát.

Dữ liệu khảo sát sẽ được thu thập bằng những cách sau:

Trong tháng từ tháng 10 đến tháng 12 năm 2020, tác giả tiến hành gửi bảng câu hỏi theo phương pháp thuận tiện (phát trực tiếp và gửi online qua email, facebook, zalo) đến các đối tượng khảo tại các khách sạn trên địa bàn thành phố Nha Trang. Người được chọn để khảo sát cần khoảng 5-10 phút để hoàn tất các câu trả lời. Tổng cộng có 310 phiếu khảo sát được phát ra và thu về lại được 303 bản khảo sát. Trong số 303 bản có 17 bản không sử dụng được do đối tượng trả lời không phù hợp và do người được khảo sát trả lời sót đáp án, vì vậy cịn 286 bản có thể sử dụng trong nghiên cứu chính thức.

3.5. Phương pháp phân tích dữ liệu

Các bảng câu hỏi sau khi thu thập sẽ được loại đi những bảng khơng đạt u cầu. Sau đó, dữ liệu sẽ được mã hóa, nhập liệu, làm sạch và xử lý bằng phần mềm thống kê SPSS và AMOS 20.0.

3.5.1. Đánh giá độ tin cây của thang đo

Việc đánh giá sơ bộ độ tin cậy của thang đo được thực hiện thông qua phân tích Cronbach’s Alpha.

Theo Ngũn Đình Thọ (2011), Cronbach Alpha là hệ số được ứng dụng phổ biến nhất khi đánh giá độ tin cậy của những thang đo đa biến (bao gồm từ 3 biến quan sát trở lên). Nó đo lường tính nhất quán của các biến quan sát trong cùng một thang đo để đo lường cùng một khái niệm. Hệ số Cronbach Alpha cao thể hiện tính đồng nhất của các biến đo lường, cùng đo lường một thuộc tính.

Theo Hồng Trọng và Chu Ngũn Mộng Ngọc : “Nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach Alpha từ 0.8 trở lên đến gần 1 thì thang đo đo lường tốt, từ gần 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995)”. Nghiên cứu này sử dụng tiêu chuẩn hệ số Cronbach Alpha ≥ 0.7.

Tuy nhiên, Cronbach Alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Vì vậy, bên cạnh hệ số Cronbach Alpha người ta sử dụng hệ số tương quan biến - tổng (item – total correlation). Đây là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Các biến có hệ số tương quan biến – tổng nhỏ hơn 0.3 được coi là biến rác và sẽ bị loại khỏi thang đo (DeVellis, R.F.,1991).

Ngoài ra, SPSS cịn hỗ trợ tính “hệ số Cronbach Alpha nếu loại biến” (Cronbach’s Alpha if item deleted), cho người dùng biết hệ số Cronbach Alpha mới của thang đo nếu loại biến này ra khỏi thang đo. Bằng cách tham khảo hệ số này, người dùng có thể quyết định loại bỏ biến phù hợp nhằm nâng cao hệ số Cronbach Alpha của thang đo.

Như vậy, tiêu chuẩn để kiểm định độ tin cậy của thang đo khi phân tích hệ số Cronbach Alpha bao gồm:

Cronbach Alpha tổng của thang đo ≥ 0.7; Hệ số tương quan biến – tổng ≥ 0.3;

3.5.2. Đánh giá giá trị của thang đo - phân tích nhân số khám phá (EFA)

Trước khi kiểm định mơ hình lý thuyết , cần đánh giá độ tin cậy của thang đo và giá trị của thang đo. Những thang đo sau khi đã được đánh giá độ tin cậy sẽ được đưa vào đánh giá giá trị thang đo bằng phân tích nhân tố khám phá (EFA).

Phân tích nhân tố khám phá (EFA) là kỹ thuật sử dụng để thu nhỏ và tóm tắt dữ liệu. Phân tích EFA cho phép gom các biến có mối tương quan lại với nhau thành một nhóm (các nhóm này có thể giống hoặc khơng giống với nhóm biến ban đầu).

Khi phân tích nhân tố khám phá (EFA), nghiên cứu quan tâm các tiêu chuẩn sau: Hệ số KMO (Kaise – Meyer – Olkin) ≥ 0.5 với mức ý nghĩa của kiểm định Bartlett ≤ 0.05. Bartlett’s test kiểm tra H0: các biến khơng có tương quan với nhau trong tổng thể (Kaiser, 1974; theo Nguyễn 2011; Hoàng và Chu, 2005,2008).

Số lượng nhân tố trích : tiêu chí Eigenvalue được dùng để xác định số lượng nhân tố trích. Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue < 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Với tiêu chí này, chỉ giữ lại những nhân tố quan trọng có Eigenvalue ≥ 1.

Tổng phương sai trích: thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường. Theo Nguyễn Đình Thọ (2011), tổng này đạt từ 50% trở lên là được, còn từ 60% trở lên là tốt. Nếu thỏa điều kiện này, ta kết luận mơ hình EFA là phù hợp.

Hệ số tải nhân tố (Factor loading): đây là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Theo Hair & các cộng sự, hệ số tải > 0.3 được xem là đạt mức tối thiểu, > 0.4 được xem là quan trọng, > 0.5 được xem là có ý nghĩa thực tiễn. Nghiên cứu này sử dụng phân tích EFA để loại dần các biến có hệ số tải nhân tố nhỏ hơn 0.5.

Trong nghiên cứu, phương pháp trích Principle Axis Factoring với phép quay khơng vng góc Promax được sử dụng để khám phá cấu trúc dữ liệu.

3.5.3. Phương pháp kiểm định mức độ phù hợp chung của mơ hình

Để đánh giá mức độ phù hợp chung của mơ hình, tác giả sử dụng các tiêu chuẩn: Chi-Square (Chi bình phương – CMIN), Chi-Square điều chỉnh theo bậc tự

do (CMIN/df), chỉ số GFI (Goodness of Fit Index), chỉ số TLI (Tucker & Lewis Index), chỉ số CFI (Comparative Fit Index), chỉ số RMSEA (Root Mean Square Error Approximation). Mơ hình được coi là phù hợp khi phép kiểm định Chi-Square có giá trị P ≥ 0.05. Tuy nhiên, Chi-Square có nhược điểm là phụ thuộc vào kích thước mẫu nghiên cứu. Kích thước mẫu nghiên cứu càng lớn thì Chi-Square càng lớn, do đó làm giảm mức độ phù hợp của mơ hình. Vì vậy, bên cạnh đó nghiên cứu sẽ sử dụng chỉ tiêu Chi-Square điều chỉnh theo bậc tự do (CMIN/df), tiêu chuẩn CMIN/df ≤ 2 ( theo Carmines và Mciver, 1981, một số trường hợp có thể chấp nhận CMIN/df ≤ 3); GFI, TLI, CFI ≥ 0.9 (Bentler và Bonett, 1980); RMSEA ≤ 0.8 . Tuy nhiên, theo quan điểm gần đây của nhiều nhà nghiên cứu thì GFI vẫn có thể chấp nhận được khi nhỏ hơn 0.9 (Hair và các cộng sự, 2010).

Bảng 3.5 Bảng tóm tắt các chỉ số phù hợp của mơ hình

Model-fit measures Criteria Reference

Chi-square/df (χ²/df) ≤ 2**; ≤ 3* Ullman (2003); Kline (2005) Tucker Lewis Index (TLI) ≥ 0.9 Hu &Benler (1999) Goodness-of-Fit Index (GFI) ≥ 0.90**; ≥ 0.8*

AGFI > 0.85**; > 0.8*

Hair et al (1995); Hadjistavropoulos

et al. (1999) Comparative Fit Index (CFI) ≥ 0.90** Hu &Benler (1999) Root Mean Squared Error of

Approximation (RMSEA) ≤ 0.05**; ≤ 0.08* MacCallum et al. Standardized Regression weight > 0.5 Hair et al. (2010) Unstandardized Regression Weight < 0.05 Hair et al. (2010) CR (Composite Reliability) > 0.7 and > AVE Hair et al. (2010) AVE (Average Variance Extracted) >0.5 Hair et al. (2010)

3.5.4. Phương pháp kiểm định mức độ phù hợp của mơ hình theo các khía cạnh giá trị nội dung

Độ tin cậy của thang đo được đánh giá thông qua: hệ số tin cậy tổng hợp (composite reliability ), tổng phương sai trích được (Variance extracted), hệ số tin cậy (Cronbach Alpha). Trong đó, độ tin cậy tổng hợp, đo lường độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); tổng phương sai trích phản ánh lượng biến thiên chung của các biến quan sát được giải thích bởi biến tiềm ẩn (Hair, 1998); hệ số tin cậy Cronbach Alpha đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát trong một thang đo.

Tiêu chuẩn để đánh giá mức độ phù hợp của mơ hình bởi độ tin cậy của thang đo là: hệ số tin cậy tổng hợp > 0.5 hoặc tổng phương sai trích > 0.5 hoặc Cronbach Alpha > 0.7.

Kiểm định giá trị hội tụ

Giá trị hội tụ (Convergent validity) thể hiện giá trị đo lường một khái niệm tương quan chặt chẽ với nhau sau những đo lường được lặp lại.

Thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hóa của các thang đo đều cao (> 0.5) và có ý nghĩa thống kê (p < 0.05) (Gerbing và Anderson, 1988)

Kiểm định giá trị phân biệt

Giá trị phân biệt thể hiện mức độ phân biệt của các khái niệm đo lường (Steenkamp và Trijp, 1991).

Có thể kiểm định giá trị phân biệt của các khái niệm trong mơ hình tới hạn (saturated model) mơ hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau. Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thế giữa các khái niệm có thực sự khác biệt so với 1, với P-value < 0.05 hay khơng. Nếu nó thực sự khác biệt thì các thang đo đạt được giá trị phân biệt.

3.5.5. Kiểm định sự phù hợp của mơ hình lý thuyết bằng mơ hình cấu trúc (SEM)

Phương pháp phân tích mơ hình cấu trúc tuyến tính SEM (Structural Equation Modeling ) thông qua phần mềm AMOS (Analysis of Moment Structures) được sử dụng để kiểm định thang đo và mơ hình nghiên cứu.

SEM có thể cho một mơ hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạn (longitudinal), phân tích nhân tố khẳng định (CFA), các

mơ hình khơng ch̉n hóa, cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn (non-normality), hay dữ liệu bị thiếu (missing data).

SEM sử dụng để ước lượng các mơ hình đo lường (measurement model) và mơ hình cấu trúc (structure model) của bài tốn lý thuyết đa biến. Mơ hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (latent variables) và các biến quan sát (observed variables). Nó cung cấp thơng tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị). Cịn mơ hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mơ tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.

Mơ 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 tương hỗ (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mơ 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 mơ hình cổ điển (mơ hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mơ 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 mơ 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) mơ hình SEM cho phép linh động tìm kiếm mơ hình phù hợp nhất trong các mơ hình đề nghị (Hair và cộng sự, 2014)

Ưu điểm của mơ hình SEM (Hair và cộng sự, 2014); (Thọ và Trang, 2011): • Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp (FIT) với dữ liệu thực nghiệm hay khơng.

• Kiểm định tính khẳng định của quan hệ giữa các biến.

• Kiểm định các quan hệ giữa các biến quan sát và khơng quan sát (biến tiềm ẩn). • Là phương pháp tổ hợp phương pháp hồi quy, phương pháp phân tích nhân tố, phân tích phương sai.

• Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ đồ đường (path analysis).

• Cho phép thực hiện đồng thời nhiều biến phụ thuộc (nội sinh). • Cung cấp các chỉ số độ phù hợp cho các mơ hình kiểm định.

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

• SEM cung cấp các cơng 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 mơ 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. Mơ hình được xem là thích hợp nếu TLI (Tucker-Lewis Index), CFI (Comparative Fit Index), GFI (Goodness of Fit Index) tối thiểu bằng 0,9 (≥ 0,9), CMIN/df ≤ 3 và RMSEA (Root Mean Square Residual) tối đa bằng 0,08 (≤ 0,08) (Hair et al., 2014).

3.6. Tóm tắt chương 3

Trong chương này đã trình bày phương pháp nghiên cứu thực hiện trong đề