Cơng cụ phân tích dữ liệu và thực hiện chạy kết quả: phần mềm SPSS22 và AMOS24.
Các bước tiến hành bao gồm:
- Thống kê mô tả dữ liệu
- Kiểm định độ tin cậy của các thang đo (Cronbach’s Alpha) - Phân tích nhân tố khám phá EFA
- Phân tích nhân tố khẳng định CFA ( đánh giá độ phù hợp mơ hình, kiểm định tính hội tụ, phân biệt và sự tin cậy)
- Mơ hình cấu trúc tuyến tính SEM.
- Kiểm định sự khác biệt các biến định tính( Independent Sample T-Test và One-Way ANOVA)
4.1. Thống kê mô tả:
Sử dụng công cụ thống kê như tần số, tỷ lệ phần trăm.
4.2. Đánh giá độ tin cậy Cronbach’s Alpha
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), Hệ số Cronbach’s Alpha từ 0,8 đến gần 1 là thang đo đo lường tốt, từ 0,7 đến gần 0,8 là sử dụng được.
Trong nghiên cứu này, chỉ chấp nhận ý nghĩa thống kê giải thích đối với các thang đo có hệ số Cronbach’s Alpha lớn hơn 0,7 và hệ số tương quan biến tổng (Item - total
correlation) của biến quan sát lơn hơn 0,3.
4.3. Phân tích nhân tố khám phá Exploraroty Factor Analysis (EFA)
Phương pháp kiểm định nhân tố khám phá (EFA) được sử dụng chủ yếu để đánh giá giá trị hội tụ và giá trị phân biệt. Đối với đề tài kiểm định bằng mơ hình SEM và phân tích CFA ta sử dụng phương pháp trích Principle Axis Factoring và phép quay Promax để phù hợp với đề tài.
Trong phân tích nhân tố khám phá EFA cần chú ý đến một số tiêu chuẩn như:
Chỉ số KMO (Kaiser - Meyer - Olkin measure of sampling adequacy): Kiểm định KMO là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa hai biến với độ lớn của hệ số tương quan từng phần của chúng. Kaiser (1974) đề nghị với trị số của KMO lớn (0,5 < KMO < 1) là điều kiện đủ để phân tích nhân tố thích hợp.
Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0,05): đây là một đại lượng thống kê dùng để xem xét các biến số khơng có tương quan trong tổng thể. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hệ số tải nhân tố (Factor loadings): là những hệ số tương quan đơn giữa các biến và nhân tố. Hệ số này yêu cầu phải > 0,5 (Hair và cộng sự, 2006).
Hệ số Eigenvalue: hệ số này phải có giá trị lớn hơn 1 để các nhân tố có ý nghĩa trong việc giải thích phương sai mức độ biến thiên tổng hợp.
Tổng phương sai trích (TVE) > 50% ( Gerbing và Anderson, 1988) để đảm bảo giá trị trong nghiên cứu thực tiễn.
4.4. Kiểm định độ phù hợp mơ hình (Model Fit) trong CFA
Việc đánh giá độ phù hợp (Model Fit) trong CFA là rất quan trọng. Ta thực hiện đánh giá dữ liệu thu thập đầu vào xem mơ hình đo lường này với dữ liệu đầu vào có đạt u cầu khơng. Những chỉ số được kiểm tra qua thang đo xem độ phù hợp của dữ liệu, của các biến quan sát có đống góp vào mơ hình hay khơng.
Trong kiểm định đồ phù hợp mơ hình (Model Fit) trong CFA cần chú ý đến một số chỉ số tiểu chuẩn như:
CMIN/df: CMIN/df < 2 là tốt, CMIN/df < 5 là chấp nhận được
CFI: CFI > 0.9 là tốt, CFI > 0.95 là rất tốt, CFI > 0.8 là chấp nhận được GFI: GFI > 0.9 là tốt, GFI > 0.95 là rất tốt
RMSEA: RMSEA < 0.08 là tốt, RMSEA < 0.03 là rất tốt
(Theo Hair et al. (2010), Multivariate Data Analysis, 7th edition về các chỉ số xem xét để
đánh giá Model Fit)
4.5. Kiểm định giá trị hội tụ, phân biệt và sự tin cậy trong CFA
Kiểm định các yếu tố: kiểm định hội tụ (convergent validity), tính phân biệt (discriminant validity) và sự tin cậy (reliability) là rất cần thiết trong phân tích nhân tố khẳng định CFA. Các chỉ số validity và reliability của các nhân tố nếu khơng đảm bảo sẽ có thể gây ra một số sai lệch về kết quả phân tích.
Theo Hair et al., Multivariate Data Analysis, 2010, 7th edition thì các ngưỡng so sánh của 4 chỉ số trên tương ứng với các kiểm định về Validity và Reliability như sau:
Độ tin cậy (Reliability): Standardlized Loading Estimates (hệ số tải chuẩn hóa) >= 0.5 (lý tưởng là >= 0.7) Composite Reliability (CR) (Độ tin cậy tổng hợp) >= 0.7
Tính hội tụ (Convergent) Average Variance Extracted (AVE) (Phương sai trung bình được trích)>= 0.5
Tính phân biệt (Discriminat) Maximum Shared Variance (MSV) < Average Variance Extracted (AVE) (Phương sai riêng lớn nhất < Phương sai trung bình được trích) Square Root of AVE (SQRTAVE) > Inter-Construct Correlations.
Tuy nhiên trong 4 chỉ số quan trọng trên, chỉ có Standardlized Loading Estimates là có sẵn khi thực hiện phân tích CFA, 3 chỉ số còn lại là Composite Reliability (CR),Average Variance Extracted (AVE), Maximum Shared Variance (MSV) sẽ sử dụng công cụ là plugin mở rộng Validity cho AMOS được tạo ra bởi Gaskin J , 2016 để ứng dụng trong nghiên cứu.
Phân tích nhân tố khẳng định CFA là một trong các kỹ thuật thống kê nhằm phục vụ cho mơ hình cấu trúc tuyến tính. CFA cho chúng ta kiểm định các biến quan sát đại diện cho các nhân tố tốt đến mức nào. CFA là bước tiếp theo của EFA vì CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số cấu trúc tiềm ẩn về cơ sở, trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê.
Phương pháp CFA được sử dụng để khẳng định lại tính đơn hướng, tin cậy, giá trị hội tụ, và phân biệt của bộ thang đo các yếu tố ảnh hưởng trực tiếp đến hành vi tiêu dùng xanh và ảnh hưởng gián tiếp thông qua ý định tiêu dùng xanh của người tiêu dùng.
4.6. Kiểm định mơ hình lý thuyết SEM
Để kiểm định mơ hình lý thuyết, phương pháp phân tích mơ hình cấu trúc tuyến tính SEM được sử dụng với sự hỗ trợ của phần mềm AMOS 24. Mơ hình SEM là sự mở rộng của mơ hình tuyến tính tổng qt (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. Với việc hỗ trợ tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ tương hỗ, SEM cho phép kiểm tra các mối quan hệ phức hợp trong mơ hình lý thuyết thơng qua 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, các mối quan hệ ổn định và không ổn định, do 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. Bên cạnh đó,
khi các hệ số ước lượng chuẩn hóa nhỏ hơn 1 và có ý nghĩa thống kê ( p<0.05),
có thể kết
luận rằng thằng đo của các khái niệm nghiên cứu trong mơ hình đạt giá trị liên
hệ với lý
thuyết.
4.7. Kiểm định sự khác biệt các biến định tính
Kiểm định sự khác biệt trung bình bằng Independent Sample T-Test
Dùng để xác định xem có sự khác biệt trung bình biến định lượng đối với các giá trị khác nhau của biến định tính hay khơng và biến định tính này có 2 giá trị. Đối với nghiên cứu này thì ta kiểm định khác biệt trung bình với biến Giới tính (Có hai giá trị nam và nữ). Xét dữ liệu mà ta đang phân tích theo biến Giới Tính:
Trường hợp sig Levene’s Test < 0.05 thì phương sai giữa 2 giới tính là khác nhau, chúng ta sẽ sử dụng giá trị T-Test ở hàng Equal variances not assumed. Nếu giá trị sig T-Test < 0.05 thì kết luận có sự khác biệt có ý nghĩa thống kê về mức độ sẵn lịng của những người tham gia khảo sát có giới tính khác nhau. Cịn nếu sig T-Test > 0.05 thì kết luận khơng có sự khác biệt có ý nghĩa thống kê về mức độ sẵn lòng của người tham gia khảo sát có giới tính khác nhau.
Trường hợp sig Levene’s Test > 0.05 thì phương sai giữa 2 giới tính là khác nhau, chúng ta sẽ sử dụng giá trị T-Test ở hàng Equal variances assumed. Nếu giá trị sig T-Test < 0.05 thì kết luận có sự khác biệt có ý nghĩa thống kê về mức độ sẵn lòng của những người tham gia khảo sát có giới tính khác nhau. Cịn nếu sig T-Test > 0.05 thì kết luận khơng có sự khác biệt có ý nghĩa thống kê về mức độ sẵn lịng của người tham gia khảo sát có giới tính khác nhau.
Kiểm định sự khác biệt trung bình bằng One-Way ANOVA
Chúng ta có 2 biến tham gia trong một phép kiểm định khác biệt trung bình bằng One-Way ANOVA: 1 biến định lượng để tính giá trị trung bình là biến Purchases Behavior (PB) và 1 biến định tính có nhiều nhóm giá trị để so sánh trong bài này gồm có 5 biến định tính để so sánh lần lượt (Khu vực sinh sống, Học vấn, Nhóm tuổi, Cơng việc, Mức thu nhập). Chúng ta sử dụng phương pháp này để xem có sự khác nhau về ý định sử dụng giữa các (Khu vực sinh sống, Học vấn, Nhóm tuổi, Cơng việc, Mức thu nhập) hay không. Xét dữ liệu chúng
ta quan tâm đến bảng Test of Homogeneity of Variences phân tích dựa trên 2 trường hợp của Levene Statistic:
Trường hợp sig > 0.05 thì phương sai giữa các lựa chọn của biến định tính đồng nhất, xem tiếp kết quả ở bảng ANOVA: Nếu sig ở bảng ANOVA < 0.05 thì có sự khác biệt có ý nghĩa thống kê giữa các nhóm khác nhau, nếu sig ở bảng ANOVA > thì khơng có sự khác biệt có ý nghĩa thống kê giữa các nhóm khác nhau.
Trường hợp sig < 0.05 thì giả thuyết phương sai giữa các nhóm khơng đồng nhất, ta sẽ tiếp tục kiểm định bằng bảng Robust Tests of Equality of Means: Nếu sig ở bảng Robust Tests < 0.05 thì có sự khác biệt có ý nghĩa thơng kê giữa các nhóm khác nhau, cịn nếu sig ở bảng Robust Tests > 0.05 thì khơng có sự khác biệt có ý nghĩa thống kê giữa các nhóm khác nhau.
(Theo Andy Field (2009, 379, 380, 384), Discovering Statistics Using SPSS, 3rd Edition)